人工神经网络的特征范文篇1

关键词：公路工程；造价；估算；模糊

神经网络对于公路工程建设企业来说，工程估价的准确性与合理性，直接决定着项目投资决策的正确性，是分析工程项目可行性的主要环节，同时也是公路工程项目标底编制的主要控制标准，因此工程造价估算的准确性，是各建设单位研究的重点内容，其对加强公路工程项目成本管理，有着积极的作用。

1公路工程造价估算的必要性

公路工程管理工作中，造价管理是主要内容，此项工作直接影响着建设企业的效益与工程的质量，历来都是管理的核心部分。工程造价估算是项目前期管理的重要内容，是实现项目成本控制目标的基础。造价估算能够为项目施工方提供成本控制方案编制的依据。在设计招标前，明确工程预计造价，能够避免招标环节恶意行为的发生。

2模糊神经网络应用流程优势

2.1模糊神经网络应用流程。近年来，公路工程造价估算工作中，多采取模糊神经网络来进行估算。公路工程造价估算，多是通过输入公路工程相关要求与特点，最后输出估算结果，这与模糊神经网络应用原理极为相似，其具体流程如下。（1）构建信息库基于已有工程信息，包括工程特征因素与工程造价等材料，构建造价信息库。（2）取值结合公路工程施工要求，明确各类特征因素，包括评价指标，确定数据取值。（3）选取输入与输出向量基于模糊神经思想法，在造价信息库内，至少选择3个已完成施工的项目，作为基础数据，以供神经网络学习与训练。输入向量选择为各类特征因素值，输出向量为造价估算值。（4）迭达运算基于系统内的造价数据来编制算法程序，以供神经网络学习，设计学习率，通过多次迭达运算，保障造价估算的准确性。2.2模糊神经网络的应用优势。公路工程造价估算中，采取模糊神经网络法，具有以下优点。（1）造价模型化利用模糊数学，可以高效处理模糊信息。采取对比已建设和新建的公路工程，进行定量化描述，使得相关问题可以模型化。（2）结果更为科学开展公路工程造价估算，应用模糊神经网络，再通过构建数学模型，进行数学计算分析，能够减少人为计算的误差，计算结果的准确性与科学性较高。（3）适应性强公路工程造价具有动态变化特性，模糊神经网络模型能够很好地适应此特性。此估算方法的应用，主要是依靠计算机，不仅运算速度快，而且运算精度较高。

3模糊神经网络在公路工程造价估算中的应用

模糊神经网络估算方法较多，文中选择BP神经网络法，是基于仿人脑的神经系统结构，具有较强的学习能力，为非线性自适应动态系统[1]。现对其在公路工程造价估算中的应用，做以下的分析。3.1公路工程样本描述与定量。公路工程构件主要包括底层、基层、面层等，工程造价是由各构件类型与价格等因素决定，实物工程量取决于工程结构设计参数。已建工程造价变动，主要是受到构件因素的影响，被称作是工程特征。基于工程特性，将公路工程划分为不同类别，若按照路面形式划分，主要包括沥青路面和水泥路面等，为特征类目。对于工程定量化，是按照特征类目，依据定额水平与工程特征，填入相关数据，如表1所示。由表1能够看出，每个公路工程模式均可以利用表格的形式来定量化描述，一个特征可以由多个类目组成，按照比例来计算量化结果。3.2BP神经网络学习算法。在BP神经网络中，需要将信息传递到网络隐节点上，使用S型激活函数，把信息传出，接着发挥激活函数的作用，成功输出结果。在网络隐节点以及输出节点位置处，选择S型激活函数，即f（x）=11+ex，若此结果未能按照正常程序开展，此时要转变成反向传播。假设存在N个样本，定义描述为（Xk，yk)(k=1,2,⋯,N)，其中某个输入值为Xk，对应的神经网络输出值是yk，而隐层节点I的输出值是Oj[2]。3.3工程造价估算模型。基于BP神经网络，构建公路工程造价快速估算模型。针对以往工程案例，开展估算研究，将工程特征定量化数值，设为Xij(i=1,2,3,⋯,n;j=1,2,3,⋯,n)，将相应的工程造价定额预算相关资料，设为yis(i=1,2,3,⋯,n;s=1,2,3...n)，不考虑市场价格调整。明确BP神经网络结构系统参数，包括输入层节点数m、输出层节点数n、隐层节点数L。以Xij为输入，以yis为输出，开始神经网络训练，获得新建工程的造价估算神经网络，反向估算新建工程造价[3]。3.4计算实例。以某省道一级公路和二级公路工程为例，其中一级公路使用的是沥青混凝土路面，记为T19；二级公路使用的是水泥混凝土路面，记为T20，检验18个样本工程造价数据，基于检验结果能够了解，T19造价指数是0.98，T20造价指数为0.96，获得预算资料如下：T19路面类型是半柔性路面；基层为水泥稳定碎石；底层材料为石灰土；路面结构为沥青混凝土；面层厚度为15cm；基层厚度为14cm；底层厚度为10cm；T20路面类型是刚性路面；基层为工业废渣稳定土；底层材料为石灰土；路面结构为水泥混凝土；面层厚度为12cm；基层厚度为16cm；底层厚度为12cm。将获得的预算材料和表1资料进行对比分析，能够明确T19工程特征定量化描述是T19=(3,1,2,2,2,6,2.5)，T20工程特征定量化描述是T20=(5,4,7,3,4,3,4.1)，将T19与T20，输入到经过训练的BP神经网络中，获得的结果为T19=(0.4029,0.4056,0.5005,0.4365),T20=(0.6277,0.6156,0.4290,0.5661)，经过反算，获得工程造价资料预测值，其中V19=(481.74,16.44,0.0046,145.85),V20=(1185.82,37.16,0.0033,247.07)，预测的相对误差O19=(1.61%,4.65%,4.15%,1.40%)，O20=(3.76%,3.67%,5.70%,1.84%)，由此能够看出，基于BP神经网络预测的工程造价估算精度较高[4]。

4结语

模糊神经网络的应用，主要是基于模糊数学与神经网络理论，借助类似工程之间存在的相似性，采用BP神经网络法进行公路工程造价估算，能够快速获得估算结果，具有较强的应用优势。

作者:钱强单位:中建路桥集团有限公司

参考文献：

[1]王运琢.基于BP神经网络的高速公路工程造价估算模型研究[J].石家庄铁道大学学报（自然科学版），2011，24（2）：61-64.

[2]刘湘雄.人工神经网络在工程造价估算中的应用[J].建筑，2012（12）：68-69.

人工神经网络的特征范文篇2

关键词：树叶识别；支持向量机；卷积神经网络

中图分类号TP18文献标识码：A文章编号：1009-3044（2016）10-0194-03

Abstract：Inthispaper，theconvolutionneuralnetworkrecognitionintheleaves，andtheprocessbyconvolutionofimagevisualization.Experimentsshowthattheneuralnetworkapplicationidentificationconvolutionleavesa92%recognitionrate.Inaddition，thisneuralnetworkandsupportvectormachinecomparativestudycanbedrawnfromthestudy，convolutionalneuralnetworkineitherspeedoraccuracybetterthansupportvectormachines，visible，convolutionneuralnetworkintheleavesaspecthasgoodapplicationprospects.

Keywordsrecognitionleaves；SVM；convolutionalneuralnetwork

1概述

树叶识别与分类在对于区分树叶的种类，探索树叶的起源，对于人类自身发展、科普具有特别重要的意义。目前的树叶识别与分类主要由人完成，但，树叶种类成千上万种，面对如此庞大的树叶世界，任何一个植物学家都不可能知道所有，树叶的种类，这给进一步研究树叶带来了困难。为了解决这一问题，一些模式识别方法诸如支持向量机（SupportVectorMachine，SVM）[1]，K最近邻（k-NearestNeighbor，KNN）[2]等被引入，然而，随着大数据时代的到来，这些传统分类算法暴露出越来越多的不足，如训练时间过长、特征不易提取等不足。

上世纪60年代开始，学者们相继提出了各种人工神经网络[3]模型，其中卷积神经网络由于其对几何、形变、光照具有一定程度的不变形，因此被广泛应用于图像领域。其主要特点有：1）输入图像不需要预处理；2）特征提取和识别可以同时进行；3）权值共享，大大减少了需要训练的参数数目，是训练变得更快，适应性更强。

卷积神经网络在国内研究才刚刚起步。LeNet-5[4]就是一种卷积神经网络，最初用于手写数字识别，本文研究将卷积神经网络LeNet-5模型改进并应用于树叶识别中。本文首先介绍一下卷积神经网络和LeNet-5的结构，进而将其应用于树叶识别，设计了实验方案，用卷积神经网络与传统的模式识别算法支持向量机（SVM）进行比较，得出了相关结论，并对进一步研究工作进行了展望。

2人工神经网络

人工神经网络方面的研究很早就已开展，现在的人工神经网络已经发展成了多领域、多学科交叉的独立的研究领域。神经网络中最基本的单元是神经元模型。类比生物神经元，当它“兴奋”时，就会向相连的神经元发送化学物质，从而改变这些神经元的状态。人工神经元模型如图1所示：

上述就是一个简单的神经元模型。在这个模型中，神经元接收来自n个其他神经元传递过来的输入信号，这些信号通过带权重的w进行传递，神经元接收到的总输入值将与神经元的阈值进行比较，然后通过“激活函数”来产生输出。

一般采用的激活函数是Sigmoid函数，如式1所示：

[σz=11+e-z]（1）

该函数图像图2所示：

2.1多层神经网络

将上述的神经元按一定的层次结构连接起来，就得到了如图3所示的多层神经网络：

多层神经网络具有输入层，隐藏层和输出层。由于每一层之间都是全连接，因此每一层的权重对整个网络的影响都是特别重要的。在这个网络中，采用的训练算法是随机梯度下降算法[5]，由于每一层之间都是全连接，当训练样本特别大的时候，训练需要的时间就会大大增加，由此提出了另一种神经网络―卷积神经网络。

2.2卷积神经网络

卷积神经网络（CNN）由于在图像分类任务上取得了非常好的表现而备受人们关注。发展到今天，CNN在深度学习领域已经成为了一种非常重要的人工神经网络。卷积神经网络的核心在于通过建立很多的特征提取层一层一层地从图片像素中找出关系并抽象出来，从而达到分类的目的，CNN方面比较成熟的是LeNet-5模型，如图4所示：

在该LeNet-5模型中，一共有6层。如上图所示，网络输入是一个28x28的图像，输出的是其识别的结果。卷积神经网络通过多个“卷积层”和“采样层”对输入信号进行处理，然后在连接层中实现与输出目标之间的映射，通过每一层卷积滤波器提取输入的特征。例如，LeNet-5中第一个卷积层由4个特征映射构成，每个特征映射是一个24x24的神经元阵列。采样层是基于对卷积后的“平面”进行采样，如图所示，在第一个采样层中又4的12x12的特征映射，其中每个神经元与上一层中对应的特征映射的2x2邻域相连接，并计算输出。可见，这种局部相关性的特征提取，由于都是连接着相同的连接权，从而大幅度减少了需要训练的参数数目[6]。

3实验研究

为了将LeNet-5卷积网络用于树叶识别并检验其性能，本文收集了8类树叶的图片，每一类有40张照片，如图5所示的一张树叶样本：

本文在此基础上改进了模型，使用了如图6卷积神经网络模型：

在此模型中，第一个卷积层是由6个特征映射构成，每个特征映射是一个28*28的神经元阵列，其中每个神经元负责从5*5的区域通过卷积滤波器提取局部特征，在这里我们进行了可视化分析，如图7所示：

从图中可以明显地看出，卷积网络可以很好地提取树叶的特征。为了验证卷积神经网络与传统分类算法之间的性能，本文基于Python语言，CUDA并行计算平台，训练同样大小8类，一共320张的一批训练样本，采用交叉验证的方法，得到了如表1所示的结论。

可见，无论是识别率上，还是训练时间上，卷积网络较传统的支持向量机算法体现出更好地分类性能。

4总结

本文从人工神经网络出发，重点介绍了卷积神经网络模型LeNet-5在树叶识别上的各种研究并提取了特征且进行了可视化，并与传统分类算法SVM进行比较。研究表明，该模型应用在树叶识别上较传统分类算法取得了较好的结果，对收集的树叶达到了92%的准确率，并大大减少了训练所需要的时间。由于卷积神经网络有如此的优点，因此在人脸识别、语音识别、医疗识别、犯罪识别方面具有很广泛的应用前景。

本文的研究可以归纳为探讨了卷积神经网络在树叶识别上的效果，并对比了传统经典图像分类算法，取得了较好的分类精度。

然而，本文进行实验的样本过少，当数据集过多的时候，这个卷积神经网络算法的可行性有待我们进一步的研究；另外，最近这几年，又有很多不同的卷积神经网络模型出现，我们会继续试验其他的神经网络模型，力求找到更好的分类算法来解决树叶识别的问题。

参考文献：

[1]BellA，SejnowskiT.AnInformation-MaximizationApproachtoBlindSeparationandBlindDeconvolution[J].NeuralComputation，1995，7（6）：1129-59.

[2]AltmanNS.AnIntroductiontoKernelandNearest-NeighborNonparametricRegression[J].AmericanStatistician，1992，46（3）：175-185.

[3]RipleyBD，HjortNL.PatternRecognitionandNeuralNetworks[M].Patternrecognitionandneuralnetworks.CambridgeUniversityPress，，1996：233-234.

[4]LécunY，BottouL，BengioY，etal.Gradient-basedlearningappliedtodocumentrecognition[J].ProceedingsoftheIEEE，1998，86（11）：2278-2324.

人工神经网络的特征范文篇3

关键词：神经网络；工程造价；Vague集贴近度

0引言

对建筑工程造价进行科学有效的测算和控制，会使工程造价的组成比较合理，进而节约工程开销成本。现在，经典的建筑工程造价测算方法主要有下面几种：定额法、类比工程法、回归分析法和模糊数学法[1]。其中，定额法必须对定额成本、定额差异和定额变动差异进行单独核算，任务较重，现实中很难实施；类比工程法是通过类比工程的相似性实现工程造价的测算，该方法估算准确度不够高；回归分析法的估算准确度同样不高，该方法将很多重要因素忽略了；模糊数学法是通过模糊数学的思想对工程造价进行估算，该方法的不足主要是特征隶属度不好准确确定。由于人工神经网络可以自学并进行推理，本文通过人工神经网络和Vague集贴近度理论对住宅楼的工程造价进行估算和控制，可以为建筑工程造价估算提供很好的服务。

1BP神经网络

BP神经网络是一种前馈型神经网络，包含三种层次或者多层次，各种层次之间相互连接，同一层次可以自由结合，BP神经网络的构成见图1。所属模型的神经元数量决定了BP神经网络的层数，各个层次之间通过相互的权值实现联接[2]。

人工神经元（ArtificialNeuron）模型：

人工神经元是神经网络的基本元素，其原理可以用图2表示。

图中x1～xn是从其他神经元传来的输入信号，wij表示表示从神经元j到神经元i的连接权值，θ表示一个阈值（threshold），或称为偏置（bias）。则神经元i的输出与输入的关系表示为：

BP神经网络的结构非常简洁，包括正向传播和逆向传播。下面分别对BP神经网络信息的正向传播和误差信息的反向传播原理进行介绍。

1.1信息的正向传播

式（1）中，n为信息的总个数。

1）输入向量为

多层神经元网络（BP网络图3）。

BP（BackPropagation）神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。由图3可知，BP神经网络是一个三层的网络：

输入层（InputLayer）：输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；

隐藏层（HiddenLayer）：中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程；

输出层（OutputLayer）：顾名思义，输出层向外界输出信息处理结果。

2建筑工程造价估算模型

2.1BP神经网络训练建立BP神经网络模型，对工程特征向量进行归一化处理，可以开始神经网络训练，目标是使网络性能函数极小化，实现非线性映射的目的。本文利用Nguyen-Widrow方法[5]对权值和阈值的初值进行确定。Nguyen-Widrow方法具体原理为

上式中，W是数值矩阵，θ是权值矩阵，S、N是节点的个数。rand（S，N）为s行n列的平均自由分布任意矩阵，I（S，N）为s行n列标准矩阵。

2.2BP神经网络训练调整与测试BP神经网络训练调整与测试连接强度加权值调整方法，具体公式为：

BP算法在按步骤经行的收敛过程中，每一步的学习率都将发生变化，而不是固定不变。此时BP神经网络不应用连接强度加权值的调整方法，同时也不使用误差函数对梯度调整和η调整方法；最终应用相对权重增加量Δwij进行网络调整与测试，权值wij的修正值Δwij，如下所示：

以上的分析表明，运用BP神经网络进行建筑工程单方造价估算是可行的，然而该方法对建筑工程项目总造价的估算还不够精确。当前建筑工程项目需要考虑的影响因素非常多，虽然可以引入大量的特征因素，然而里面有很多因素都非常模糊化；即使可以对特征因素进行具体说明，提高输入点的数量，这时样本数据会随着增加，此时神经网络将会复杂化，求解效率会降低。所以，本文通过以上运用BP神经网络对建筑工程项目单方造价的估算，采用Vague集贴近度对BP神经网络进行改进，对建筑工程总造价进行估算[3]。

2.3加入Vague集贴近度改进BP神经网络文献[4]采用普通模糊集理论来对工程隶属度进行确定。本文中建筑工程特征因素隶属度是指建筑工程特征值隶属于准备建设的项目特征值的大小程度：

3实例分析

选取2013年西安市某工程项目数据进行实例分析，工程造价指数以2013年为基准，通过加权平均法求解造价年综合指数。通过选择，最后选取了二十个样本，前面十八个样本为训练样本，剩余的两个当作检测样本。神经网络训练数据见表1。

3.1BP神经网络训练采用BP神经网络对模型进行构建，对建筑工程特征向量数据处理结束后，可以开展神经网络训练。神经网络训练基本的训练公式为

net，tr=train（NET，P，T）

训练公式中net为最终的网络，tr为数值统计，P是输入矩阵，T是输出矩阵。

3.2BP神经网络与Vague集贴近度预测采用Vague集贴近度的数据，基于BP神经网络训练样本进行预测，通过训练好的网络对与本文样本数据相类似工程项目的单方造价进行预估，求得单方造价均值为1800元/m2。紧接着可以对建筑工程的总造价进行预估，通过对10项样本进行造价估算预测，采用BP神经网络和Vague集贴近度相结合的方法进行造价预估，估计误差在±10%范围内（见表2），造价估算结果非常准确。

4结论

本文应用BP神经网络造价预测和Vague集贴近度理论，从理论和实际应用两方面对建筑工程造价估算进行了研究。文中的方法能更准确地反应工程造价的不确定性，为建筑工程项目造价估算方法研究提供了一种新的视角和方法。

参考文献：

[1]史峰.BP神经网络在工程量清单中快速估价的应用研究[M].北京航空航天大学出版社，2010.4.

[2]张风文.基于MATLAB神经网络的工程实例分析[J].华东交通大学学报，2010，8（3）：26-33.

[3]郭一斌，王红革，王翔.基于Vague集贴近度的工程项目投资快速估算方法[J].现代经济信息，2011，12（2）：50-55.