[發(fā)明專(zhuān)利]一種基于多項(xiàng)特征的建筑工程分析方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011389550.9
• 申請(qǐng)日: 2020-12-02
• 公開(kāi)（公告）號(hào): CN112381328A
• 公開(kāi)（公告）日: 2021-02-19
• 發(fā)明（設(shè)計(jì)）人: 肖程耀;丁瑞豐;鄭勇;鞠明;李思哲;李皓月
• 申請(qǐng)（專(zhuān)利權(quán)）人: 四川省第六建筑有限公司
• 主分類(lèi)號(hào): G06Q10/04
• 分類(lèi)號(hào): G06Q10/04;G06Q10/06;G06Q10/10;G06Q50/08;G06N3/04;G06N3/08
• 代理公司: 成都行之專(zhuān)利代理事務(wù)所(普通合伙) 51220
• 代理人: 林菲菲

1.一種基于多項(xiàng)特征的建筑工程分析方法，其特征在于，包括以下步驟:

步驟1：采集工程樣本，并對(duì)樣本進(jìn)行分析和處理，得到特征向量；

步驟2：基于特征向量，從采樣的工程樣本中獲取訓(xùn)練集；

步驟3：對(duì)RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行初始化處理，并對(duì)RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行初始設(shè)置，得到RBF神經(jīng)網(wǎng)絡(luò)初始化模型；

步驟4：采用訓(xùn)練集對(duì)RBF神經(jīng)網(wǎng)絡(luò)初始化模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)模型；

步驟5：利用訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)待分析的建筑工程樣本進(jìn)行分析，并輸出待分析的建筑工程樣本的相應(yīng)性能特征。

2.根據(jù)權(quán)利要求1所述的一種基于多項(xiàng)特征的建筑工程分析方法，其特征在于，所述特征向量包括9項(xiàng)輸入特征，該9項(xiàng)輸入特征分別為建筑面積、基礎(chǔ)指標(biāo)、樓層數(shù)、層高、地下室層數(shù)、主體指標(biāo)、裝飾指標(biāo)、項(xiàng)目建造期造價(jià)指數(shù)和項(xiàng)目建造期材料價(jià)格指數(shù)。

3.根據(jù)權(quán)利要求2所述的一種基于多項(xiàng)特征的建筑工程分析方法，其特征在于，所述特征向量還包括輸出特征，輸出特征為工程樣本單位面積的成本。

4.根據(jù)權(quán)利要求1所述的一種基于多項(xiàng)特征的建筑工程分析方法，其特征在于，所述對(duì)樣本的分析和處理包括對(duì)工程樣本定性變量處理以及對(duì)工程樣本特征值歸并化處理。

5.根據(jù)權(quán)利要求1所述的一種基于多項(xiàng)特征的建筑工程分析方法，其特征在于，所述RBF神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層和輸出層組成，第一層為輸入層，輸入層由信號(hào)源結(jié)點(diǎn)構(gòu)成，僅起到數(shù)據(jù)信息的傳遞作用，對(duì)輸入信息不進(jìn)行任何變換；第二層為隱含層，隱含層神經(jīng)元的核函數(shù)為高斯函數(shù)，對(duì)輸入信息進(jìn)行空間映射變換；第三層為輸出層，它對(duì)輸入模式做出響應(yīng)，輸出層神經(jīng)元的作用函數(shù)為線性函數(shù)，對(duì)隱含層神經(jīng)元輸出的信息進(jìn)行線性加權(quán)后輸出，作為整個(gè)神經(jīng)網(wǎng)絡(luò)的輸出。

6.根據(jù)權(quán)利要求5所述的一種基于多項(xiàng)特征的建筑工程分析方法，其特征在于，所述步驟4將RBF神經(jīng)網(wǎng)絡(luò)模型的輸出值與期望輸出值間的誤差歸結(jié)為權(quán)值和閾值的“過(guò)錯(cuò)”，通過(guò)反向傳播把相應(yīng)的誤差“分?jǐn)偂苯o各個(gè)神經(jīng)元的權(quán)值和閾值，并沿著誤差函數(shù)下降最快的方向來(lái)調(diào)整權(quán)值和閾值。

7.根據(jù)權(quán)利要求1所述的一種基于多項(xiàng)特征的建筑工程分析方法，其特征在于，在步驟4得到訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)模型后，還包括測(cè)試步驟，具體為，將測(cè)試集輸入到訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)模型中來(lái)評(píng)估該模型的性能；所述測(cè)試集是基于步驟1得到特征向量后，從所采集的工程樣本中獲取。