人工神經網絡改進

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇人工神經網絡改進范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

人工神經網絡改進范文第1篇

論文關鍵詞：人工神經網絡(ANN)，船舶與海洋工程，海洋預報與預測，海洋資源評估，海洋環境監測

 

人工神經網絡是對人類大腦特性的一種描述。它是一個數學模型，可以用電子線路實現，也可以用計算機程序來模擬。是人工智能研究的一種方法。主要功能有：聯想記憶、分類識別、優化計算、非線性映射。由于其具有好的容錯性、并行處理信息、自學習性及非線性映射逼近能力等特點,因此被廣泛的應用于各個領域。

ANN在海洋領域的應用起步較晚。20世紀90年代以來，國內外掀起了應用ANN研究海洋問題的熱潮。相比傳統方法，由于ANN提高了預測的準確性，減少了對數據的要求并且便于應用，到目前為止，ANN模型的應用已經遍布海洋工程（包括港口、沿海、近海和深海工程）海洋環境監測，海洋預報與預測，海洋資源與環境等各方面，并且應用前景不斷擴大。本文通過梳理相關文獻，分析和總結了ANN在海洋領域的研究進展和主要成果，以期為相關研究提供參考。

1 船舶與海洋工程

鋼材腐蝕問題是海洋工程的重大課題。國內許多學者通過建立ANN模型考察海水環境相關參數與鋼材腐蝕速度的相關性。劉學慶等根據四層BP神經網絡分析了3C鋼腐蝕速度與海水環境參數的相關性,建立了3C鋼在海洋環境中腐蝕速度的人工神經網絡模型，證明該方法在監測與評價區域海洋環境腐蝕性方面具有實際應用價值[1]。鄧春龍等研究建立了海洋環境材料腐蝕與防護數據庫，收集和整理了大量的材料腐蝕數據。并在此基礎上建立了誤差反傳（BP）人工神經網絡預測模型和灰色GM（1,1）腐蝕預測模型。從而形成一套較完整的數據采集、處理和分析網絡系統[2]。王佳等采用電化學、人工神經網絡和數據庫方法研究了5種海洋工程鋼材在深海環境中非現場腐蝕行為評價技術。結果表明,結合采用多種非現場方法可以可靠評價深海環境鋼材的腐蝕行為[3]。劉艷俠等同樣利用三層BP神經網絡,根據已有的3C鋼在不同海水環境參數下的腐蝕速度數據,建立了3C鋼在海洋環境中腐蝕速度的人工神經網絡模型;并分析預測了海水環境參數與腐蝕速度之間的關系 [4]。

ANN在海洋工程中的應用主要是海洋平臺的抗擊性和穩定性的模擬。許亮斌等針對海洋平臺樁基模擬中存在的問題，將神經網絡應用于樁基分析 [5]。淙在引進遺傳算法的基礎上構造了工程結構優化的神經網絡模型,計算結果表明這一方法具有很好的穩定性和全局收斂性[6]。周亞軍等將經典最優控制算法與人工神經網絡相結合，采用BP神經網絡模型，實現了受隨機波浪力作用下的海洋平臺的振動主動控制[7]。由于神經網絡的優越性能，克服了傳統算法本身的時滯問題，為海洋平臺的振動控制提供了一條新的思路。

以上學者都對神經網絡進行了一定程度的改進和完善，達到了良好的模擬和預測效果，推進了海洋工程中ANN理論的發展。除此以外，針對波浪數據的完備性對于海岸海洋工程設計的關鍵作用, 人工神經網絡作為一個具有高度非線性映射能力的計算模型，在工程中具有廣泛的應用前景。在數值預測方面，它不需要預選確定樣本的數學模型海洋環境監測，僅通過學習樣本數據即可以進行預測論文格式范文。

2 海洋預報與預測

赤潮作為海洋災害的一種，對海洋經濟造成巨大影響。蔡如鈺利用人工神經網絡BP算法,建立了赤潮預報模型 。楊建強通過比較發現人工神經網絡方法在模擬和預測方面優于傳統的統計回歸模型,具有較強的模擬預測能力及實用性 。在此基礎上，為克服BP網絡訓練易陷入局部最優的缺點，王晶采用遺傳算法改進網絡訓練方法，建立赤潮生物密度與環境因子的人工神經網絡的預報模型，保證網絡達到全局最優。此外，還有部分學者將改進的人工神經網絡模型用于赤潮預報，經過實證研究，取得良好的預測效果。

潮汐預報對人類活動和降低海洋環境建筑成本是非常重要的。為了解決潮位預測中存在的時滯問題,提高預測精度，不少學者進行了初步探索，并且普遍認為BP模型應用于潮汐預報具有較高的預測精度和良好的泛化能力,它為海洋潮汐預報工作提供了一種全新的思路和方法。張韌利用人工神經網絡BP模型及其優化算法，建立起了赤道太平洋緯向風和滯后的東太平洋海溫之間的映射關系和預報模型，結果表明，這種方法可有效用于辯識和反演復雜的大氣、海洋動力系統及其預報模型.馮利華針對海洋預報問題，初步建立了基于神經網絡的預報分析系統，給出了應用實例。以我國東南沿海地區一次登陸臺風所造成的最大24小時暴雨量為例來說明ANN在海洋預報中的應用問題。羅忠輝采用人工神經網絡智能方法，建立了多參數聲速預報神經網絡模型海洋環境監測，克服了回歸擬合方法在獲得海底沉積物聲速預報中存在的不足，為海底沉積物的聲速預報提供了一條新途徑。

3 海洋資源評估

張富元等利用東太平洋CC區多波束海底地形測量、結核覆蓋率深拖系統探測、結核豐度地質采樣和地球物理地震勘探資料,運用板塊構造和沉積動力學理論,并與豐度趨勢面和神經網絡分析結果對比,對東太平洋CC區構造與多金屬結核資源效應關系進行了探討。李少波等討論了如何利用神經網絡預測天然氣水合物的合成和分解。利用了聲速、幅度、頻率來反映天然氣水合物的合成，建立了一個3層前向型網絡,通過實驗,人工神經網絡的引用取得了良好的效果。近年來人工神經網絡還越來越多地被用來預測水資源。在水資源應用中,前饋神經網絡建模技術是使用最廣泛的類型。

4 海洋環境監測

非法排放油污和海上漏油事件對海洋生態系統造成的嚴重危害，人工神經網絡可以有效的用于海水石油污染診斷。李偉認為海中懸移質是決定海洋光學性質、海洋水質,河口海岸帶演變動力過程的重要環境參數。利用模擬遙感反射比數據集建立人工神經網絡反演懸移質濃度,并利用東中國海現場同步數據對該算法進行驗證，神經網絡技術對于反演大洋水和沿岸海域中的組分濃度有一個很好的前景。劉輝等采用BP神經網絡和廣義回歸神經網絡2種方法進行訓練,建立了南海南部海區的上混合層深度人工神經網絡計算模型 。結果顯示,人工神經網絡方法精度較高,是一種切實可行的上混合層深度估算方法。

5 結語

人工神經網絡在海洋領域的應用遍布海洋工程、海洋科學技術、海洋環境資源等各個方面。國內外學者根據研究的需要設立了不同的ANN模型，隨著時間的發展，這些模型的預測和分析能力逐步完善。大量實證結果表明，很多ANN模型都取得了良好的模擬和預測效果。大部分的人工神經網絡模型對傳統的統計回歸計算、時間序列分析、模型匹配和數值方法等產生了替代或補充作用。在某些情況下，神經網絡的應用減少了對數據的要求。在未來，隨著現有模型的不斷完善和ANN模型缺陷的不斷糾正，先進和混合神經網絡結構很可能會在海洋領域更多方面得到廣泛應用。

參考文獻

[1]劉學慶,唐曉,王佳.3C鋼腐蝕速度與海水環境參數關系的人工神經網絡分析[J].中國腐蝕與防護學報, 2005,(1):11-14.

[2]鄧春龍,孫明先,李文軍等.海洋環境中材料腐蝕數據采集處理網絡系統的研究[J].裝備環境工程,2006,(3):58-62.

[3]王佳,孟潔,唐曉等.深海環境鋼材腐蝕行為評價技術[J].中國腐蝕與防護學報. 2007,(1):1-7.

[4]劉艷俠,高新琛,張國英等.BP神經網絡對3C鋼腐蝕性能的預測分析[J].材料科學與工程學報,2008,(1):94-97.

[5]許亮斌,陳國明.神經網絡在平臺樁基分析中的應用[J].中國海上油氣(工程),2001,(1):7-10.

[6]淙.海洋工程結構優化的遺傳Hopfield神經網絡算法研究[J].中國海洋平臺,2001,(5-6):58-61.

[7]周亞軍,趙德有,馬駿.基于人工神經網絡的海洋平臺振動主動控制[J].船舶力學, 2003,(5):65-69.

人工神經網絡改進范文第2篇

[關鍵詞] BP神經網絡；巖性識別；改進BP神經網絡

[DOI] 10.13939/ki.zgsc.2015.24.063

1 主要研究內容

根據國內外研究現狀，利用目前研究最透徹的人工神經網絡技術-BP（ Back Propagation）人工神經網絡，以C#.NET為軟件工具，通過合理地編寫程序，針對低阻、高放射等非常規儲層進行識別與判別。主要利用常規測井資料，以實際的巖心、巖屑觀察、物性等分析測試資料、試油試產資料為測井參數約束的標準，針對儲層的巖性進行預測、判斷。從而得出BP人工神經網絡方法在測井數據處理與解釋中的優勢所在，并指出其缺陷與不足之處。

2 BP神經網絡

2.1 基本BP神經網絡的設計

基本BP算法包括兩個方面：信號的前向傳播和誤差的反向傳播。即計算實際輸出時按從輸入到輸出的方向進行，而權值和閾值的修正從輸出到輸入的方向進行。

2.2 BP神經網絡算法步驟

（1） 初始化網絡權值，閾值，及有關參數（如學習因子）。

3 BP神經網絡在巖性識別上的應用

3.1 地層特征

在儲層測井響應特征方面，本文研究油區的泥巖與砂質泥巖均以高自然伽馬、正自然電位幅度、微電極無差異或差異幅度小為特征、并且有電阻率相對偏低和高聲波時差值的特征，較純的泥巖層往往還出現井徑擴大現象。粉砂巖、泥質砂巖以中.高自然伽馬和中一低負異常幅度自然電位及微電極差異幅度小或無差異為特征。視電阻率變化較大。細砂巖為主要儲集層，以自然電位高負異常幅度低自然伽馬值及微電極差異幅度大為特征。部分儲油砂層的自然伽馬值偏高。細砂巖含油后一般電阻率較高。

3.2 基本BP網絡的構建與實現

3.2.1 測井數據的處理

由于各種測井數據量綱不一致，進入網絡之前，無論是學習樣本或預測數據，都需先進行歸一化處理，將它們置于統一的數值量綱范圍內，如在[0，1]之間。對于具有近似線性特征的信息，可以采用線性歸一化公式：處理。

3.2.2 巖性參數的設置

由于在做巖性識別時，我們設置了相應的參數。其中有聚類參數、自然加碼、井的深度等。其中聚類設置表示，自然加碼的設置是判斷輸入數據的合法性，井的深度和間隔有利于模仿底層結構。

3.3 改進的BP網絡（動量-自適應）的實現

3.3.1 增加動量項

附加動量法使網絡在修正其權值時，不僅考慮誤差在梯度上的作用，且考慮在誤差曲面上變化趨勢的影響。在沒有附加動量的作用下，網絡可能陷入淺的局部極小值，利用附加動量的作用有可能滑過這些極小值。

帶有附加動量因子的權值和閾值調節公式為：

根據附加動量法的設計原則，當修正的權值在誤差中導致太大的增長結果時，新的權值應被取消而不被采用，并使動量作用停止下來，以使網絡不進入較大誤差曲面；當新的誤差變化率超過一個事先設定的最大誤差變化率時，也得取消所計算的權值變化。其最大誤差變化率可以是任何大于或等于1的值。典型的取值取1.04。所以，在進行附加動量法的訓練程序設計時，必須加進條件判斷以正確使用其權值修正公式。

訓練程序設計中采用動量法的判斷條件為：

3.3.2 自適應調節學習率

對于一個特定的問題，要選擇適當的學習速率不是一件容易的事情。通常是憑經驗或實驗獲取，但即使這樣，對訓練開始初期功效較好的學習速率，不見得對后來的訓練合適。為了解決這個問題，人們自然想到在訓練過程中，自動調節學習速率。通常調節學習速率的準則是：檢查權值是否真正降低了誤差函數，如果確實如此，則說明所選學習速率小了，可以適當增加一個量；若不是這樣，那么就應該減少學習速率的值。下式給出了一個白適應學習速率的調整公式：

3.3.3 引入陡度因子

誤差曲面上存在平坦區域，權值調整進入平坦區的原因是神經元輸出進入了變換函數的飽和區，如果調整進入平坦區沒法壓縮神經元的凈輸入，就使其輸出退出變換函數的飽和。

3.3.4 動量-自適應學習速率調整算法

當采用前述的動量法時，BP算法可以找到全局最優解，而當采用自適應學習速率時，BP算法可以縮短訓練時間，采用這兩種方法也可以用來訓練神經網絡，該方法稱為動量-自適應學習速率調整算法。

人工神經網絡改進范文第3篇

電網的智能監控包括電網故障的診斷和排除、解決故障。電網故障發生后，如何快速精準地診斷并恢復，對于電網運行，減少停電損失具有重要意義。本文提出基于大數據挖掘分析的改進以后的RBF（Radial Basic Function）徑向基函數人工神經網絡進行故障診斷，將最小二乘法擴展用于優化該RBF神經網絡。

【關鍵詞】智能監控 大數據挖掘分析 神經網絡

1 引言

隨著現代電力電子工業的發展，大容量非線性電力負荷的不斷增多和電力系統超負荷運行對電力系統的影響也隨之日益增大。電網故障后，需經過緊急狀態調整，采取措施甩掉一批負荷或系統處于解列狀態后，在盡量少的時間里，最大限度地恢復至系統正常運行。在電網預警監控系統中，及時對電網進行評估、故障預警、診斷與自動控制，避免隱患故障的發生或者將故障的損失限制在最小范圍內對電網的健康已經安全運行至關重要。

大數據挖掘有一套完整的方法用以解決實際問題，依此通過分類估計，預測分析，相關性分組，抽象聚類，建模描述可視化，復雜數據類型挖掘六個部分，實現從海量無關信息到便于人們理解的可視化分析結論的過程。將這一套完整的方法用于電網的運行系統中海量數據的分析，便可大幅度提高電網智能監控系統的準確度和實效性。

本文研究基于人工神經網絡的大數據挖掘分析的智能電網監控系統，通過對以往電網運行參數進行挖掘匯總與分析，整理好的數據信息采用RBF（Radial Basic Function）徑向基函數人工神經網絡。RBF神經網絡是一種的前饋神經網絡模型，由于其具有全局逼近的性質，且不存在局部最小問題，已經得到了廣泛的應用。

2 監控系統診斷大數據挖掘分析

神經網絡的學習過程為先用k-means聚類方法對所挖掘獲得的數據輸入進行聚類，即用無監督學習的方法確定RBF神經網絡中隱結點的數據中心，并根據各數據中心之間的距離確定隱結點的擴展常數，然后通過有監督學習訓練個隱結點的輸出權值。

RBF神經網絡為n-h-m結構，即有n個輸入、h個隱結點和m個輸出。神經網絡的輸入矢量， 為輸出權矩陣，為輸出單元偏移，網絡輸出為

（1）

其中為第i個隱含結點的激活函數。RBF網絡所采用的隱含結點的激活函數可以取多種形式，研究中常采用高斯函數形式，即

（2）

其中是第i個隱含結點的中心，是第i個隱含結點的拓展常數。

從樣本中產生h個初始聚類中心，默認選取前h個。ci為第i類聚類中心，其相對應的方差為，定義所有樣本輸入與初始聚類中心的距離范數

（3）

對樣本輸入x按最小距離原則進行分類。再重新計算各類的新的聚類中心。當出現第一個 時，

（4）

當出現第一個以后的 （5）

其余情況下

（6）

其中，v是勝者聚類中心的學習速率，聚類中心的懲罰速率p與v的比值。則勝者聚類中心的方差為

（7）

其中是接近于1小于1的常數，通常取0.999。進一步聚類中心的學習速率

（8）

其中。

若上式收斂則迭代結束；若不收斂，此時需要循環樣本與聚類中心的距離，令k=k+1，再重新聚類并計算下新的聚類中心。迭代結束后去除空中心，獲得最優的聚類中心。如果其中某聚類中心位于數據集合的外則去除該中心。

以上基于k-means算法的改進算法使初始聚類中心位于數據集合外部，可以排除多余的競爭節點，使新的聚類中心移進數據集合，而多余的節點更加遠離數據集，算法的迭代速度增大，根據各中心最終相對于數據集合的位置。

3 結論

本文把基于大數據挖掘分析獲得的數據改進后的RBF神經網絡應用于電網的智能監控系統。本文將大數據挖掘分析應用于電網智能監控系統中。對改進以后的RBF徑向基函數人工神經網絡進行故障診斷進行了闡述和分析，將最小二乘法擴展用于優化該RBF神經網絡。通過計算機仿真結果表明：該改進以后的RBF徑向基函數人工神經網絡對電網的故障診斷十分有效。設計了基于此算法和TCP/IP協議通信的智能監控系統。根據本文的研究，基于該改進后的RBF神經網絡應用于電網的智能監控系統在電網故障診斷和恢復方面有很高的效率。

參考文獻

[1]陳為化，江全元.電力系統電壓崩潰的風險評估[J].電網技術，2005，29（19）：6-10.

[2]李樹廣. 電網監控與預警系統的研制[J]. 電網技術，2006，09：77-82.

作者單位

人工神經網絡改進范文第4篇

關鍵詞：人工神經 網絡之下 建筑施工 安全評價

前言

建筑施工，在整個城市發展過程當中占據著非常重要的地位的，并且也是推動一個國家城市化的重要基礎，但與此同時，建筑施工領域本身也是具有較強的危險性，并且，自身還具有生產流動性大以及產品形式光，施工技術比較復雜等等特點，所以，定期定時的對建筑施工采取合理有效的安全評價，不光是能夠在很大程度上提升了建筑施工作業的全面管理水平，還是能夠為整個建筑施工的安全性，打下結實的基礎保障。

一、訓練人工神經網絡

訓練人工神經網絡，其實主要是就通過使用BP算法的神經網絡，也是當前被我國各個領域所廣泛使用到的一種神經網絡，主要是由眾多的神經元所組合而成的，包括了輸入、隱含、輸出等層，其在實際工作運行的過程當中，主要是分成以下步驟：1.學習期。對于此狀態下的各個計算單元自身的狀態值是不發生任何改變的，但是，在對其網絡的連接權進行修改的過程當中，也使得系統的輸入、輸出之間的呈現出一種映射的關系，也即為函數關系，其主要的目的也是為了能夠在最大限度上保證，整個系統實際的輸出則是為期望輸出。2.工作期，此時各個連接權是被固定的，然后計算單元狀態變化以求達到穩定[1]。

在整個模型的輸入層單元數即是對安全評價指標數目，則是根據前面分析的建筑施工現場自身的安全評級指標，在其的輸入層當中的節點數則是設定在了20，那么對于中間層則是要確認為隱含層，其層數與之所相對應的節點數的選取則是為一個非常具有復雜性的問題，這里主要是因為，在采用不同的內部表象的過程當中，其所需要的內部單元數上，是完全不相同的，所以，這也就意味著，綜合評價結果對應的是很安全、較安全、合格、較危險、危險等幾種不同的程度的，這里對于輸出層的節點數則設定在5，那么其標準的輸出模式則是分別在了（1，0，0，0，0）、（0，1，0，0，0）、（0，0，1，0，0）、（0，0，0，1，0）、（0，0，0，0，1）[2]。

二、實力分析

依照于我國某個建筑施工的安全評價指標體系，所選取出二級指標的16個指標，作為整建筑施工事故可能會發生的一些潛在患，然后在對其進行全面綜合的分析，以此來有效的判斷出，整個建筑施工自身的安全狀況[3]。

（一）樣本數據的離散化和約簡

本文主要重點闡述在使用運用BP進行樣本數據的約簡，從而通過使用Boolean Reasoning Algorithm的方式，來對整個樣本的數據進行離散化，然后在合理的通過使用Genetic algorithm的方式來對整個樣本數據，進行屬性上的約間，從而使得約簡出來的總共多達1700度條規則，然后在以此依照于BP人工神經自身的約減規則，從而有效的選擇出了關于LHA自身的覆蓋率以及RHS自身的覆蓋率等指標，然后在對整個數據集，合理的進行規則上的提取，從而有效的到了30條規則。在通過對于提取規則進行進一步的研究分析，在優先參考我國相關建筑施工人員自身的意見，從而才能夠最終的確定好幾項指標，是在整個建筑施工安全當中的關鍵核心要素，即U12U24U32U42U43.在針對于約簡前的評價指標當中，主要是存在大約16個左右，在對于訓練樣本上則是分成了14組，在通過對樣本數據離散化以及屬性的約簡以后，就能夠將原本眾多的評價指標，逐漸的變為5個，這樣也是在最大限度上降低了整個輸入空間，也是便于之后簡化神經網絡結構的展開以及運行，以此提升訓練的效率強度[4]。

（二）約簡后的樣本數據進行預測概述

在這里主要是按照已經被約簡之后所得到的屬性集，剩下的U12U24U32U42U43這五列數據，便能夠很好得的得出了約簡以后的神經網絡訓練的樣本。對于這五列數據，均采用三層的BP神經網絡結構，在輸入層為5個神經元上，在合理的采用以上幾種方式，估計出其中所隱含的層節點數為3.以此，有效的計算出其中所隱含的層節點數的設置，在將這些數值求出總體的平均值。

三、結果

在合理的通過對于建筑施工安全相關的指標體系的研究，并且，主要依照于建筑施工自身的實際，在合理的通過使用安全系統的整體工程原理，在立足于人、機器、環境、管理等幾方面上，對其更進一步的研究，從而有效的確定出了建筑施工安全的16個評價指標。在基于人工神經網絡之下的建筑施工安全評價模型，也主要是將粗糙集作為整個神經網絡自身的前段處理器，主要將其應用在了有效縮減整個神經網絡學習過程當中的一些學習樣本，這樣做也是為了能夠在最限度上滿足于簡化神經網絡結構所對其提出的各種要求，不僅如此，還合理的利用BP神經網絡，并且，自身也是具有較強的預測精準度的。在利用人工神經網絡下的建筑施工安全評價模型當中，也是對我國各個實際建筑施工工程自身的安全狀況，進行了及時有效的安全評價，其所顯示出來的結果也是完全與建筑施工工程自身的實際情況所想符合[5]。

四、結論

只有真正的增強人工神經網絡下的建筑施工安全評價的重視度，才能夠在最大限度上提升我國建筑施工的安全以及穩定性。

參考文獻：

[1]袁寧，楊立兵.基于粗糙集-人工神經網絡的建筑施工安全評價及應用[J].安全與環境工程，2012，01：60-64.

[2]張文博，宋德朝，鄭永前.基于人工神經網絡的建筑施工安全評價[J].工業工程，2011，02：

75-79.

[3]宋飛，許程潔，吳紅霞. 基于改進BP神經網絡的建筑施工安全評價[J].工程管理學報，2011，

06：629-632.

[4]徐平. 基于BP神經網絡的建筑施工現場安全評價研究[J].江蘇建筑，2013，02：63-64+69.

人工神經網絡改進范文第5篇

關鍵詞:BP神經網絡;住宅項目;特征定價

中圖分類號:F293.3文獻標識碼:A

新建住宅項目定價能否被消費者認同,對于項目投資者來說,能夠快速準確地了解項目定價的合理區間是非常重要的。目前,在實際操作中運用的市場比較法、收益還原法等基本方法在估算精度、速度乃至應用范圍上都具有局限性。隨著計算機技術的迅速發展,近些年來興起的人工神經網絡模型的一個明顯特征就是具有通過學習最佳逼近非線性映射的能力。因此,項目特征到項目定價的非線性映射關系通過人工神經網絡來進行模擬求解是可行的。

一、應用BP神經網絡的原理

神經網絡在回歸分析中較傳統方法具有相對優越性,它能從大量的離散實驗數據中經過學習訓練,建立起反映實際過程內在規律的系統模型,BP神經網絡是其中的一種較為簡單但應用廣泛的方法。

(一)BP人工神經網絡模型構造概述。BP神經網絡,由輸入層、隱含層和輸出層構成,各層采用全互連接,同一層中各單元不連接。通過調整各個權值和閾值,直到達到期望的誤差即可。

(二)基于LM法的BP算法改進。由于標準BP算法用的梯度下降法隨著接近最優值,梯度趨于零,致使誤差函數下降緩慢。LM法的優點是迭代次數少,收斂速度快,精確度高,因此在訓練樣本時采用LM法。

二、住宅項目定價模型構建

(一)住宅項目定價特征的選取。根據Lancaster特征價格理論,模型的一般形式是:P=F(X1,X2,X3…XN),P為住宅項目均價,F為函數形式,X為住宅項目特征變量。住宅項目特征變量通常考慮的因素,可以分為建筑特征、區位特征、鄰里特征、需求特征四大類,分別用L、M、N、R表示,如下:

P=F(Z)=F(L,M,N,R)(1)

變量應選取與項目整體相關的特征因素,對于特征的選取,采用專家評審法,邀請一家咨詢公司5位工作8年以上的項目策劃師,對住宅項目中影響定價的各種因素進行選取打分,最終選取的特征變量如表1所示。(表1)

(二)BP神經網絡模型的建立。由于僅含有一個隱含層可以任意逼近連續函數,因此BP神經網絡采用3層結構。BP神經網絡的輸入節點為7(對應特征變量數),輸出節點為數為1(對應項目均價),隱層節點數根據以下公式來確定:

s=+0.51(2)

其中,m為輸入層節點數;n為輸出層節點數;s為隱層節點數。

將m=7,n=1帶入上式,通過計算s=5,即建立7*5*1的拓撲結構。

三、應用分析

(一)研究對象。選取2008年北京、天津、沈陽、上海、南京等20個城市的78個普通住宅項目為研究對象。在選取過程中盡量保證市場的同一性,使不同城市之間的商品住宅具有可比性。

(二)變量的量化。由于樣本數據較多,這里只選取測試樣本數據做說明。參照表1進行量化,量化結果見表2。(表2)

(三)BP網絡參數設置及訓練。將規格化后的66個樣本數據代入神經網絡模型中,采用LM改進算法進行訓練,隱含層激活函數為tansig,輸出層激活函數為logsig,BP神經網絡經過所設定的220次訓練后,網絡目標誤差達到精度要求,此時的誤差為:res=0.000991452。訓練結束后,固定連接值和閾值并輸入測試數據,測試數據的BP輸出結果見表3。(表3)

(四)結果分析。樣本項目的預測輸出和實際值的相對誤差值在0.6%～7.8%之間,平均誤差為0.3828。這說明,BP神經網絡在項目定價預測中具有相對的穩定性和優越性。

四、結論

與傳統的住宅項目均價定價方法相比,利用BP神經網絡確定新建項目均價一方面具有較高的精度;另一方面簡化了計算過程,減少資源的投入,是一種快速、便捷、有效的新方法。當然,樣本要盡量選取經典的,去掉一些“噪聲”比較大的樣本和特別復雜的項目。

(作者單位:重慶大學建設管理與房地產學院)

主要參考文獻:

[1]LANCASTER KJ.A new approach to consumer theory[J].Journal of Political Economy,1966.74.1.

[2]張吉禮.模糊神經網絡控制原理與工程應用[M].哈爾濱:哈爾濱工業出版社,2004.

[3]王其文,呂景峰,劉廣靈等.人工神經網絡與線性回歸的比較[J].決策與決策支持,1993.3.3.

[4]張良均,曹晶,蔣世忠.神經網絡實用教程[M].北京:機械工業出版社,2008.2.