论文部分内容阅读
【摘 要】通过分析已有的承发包价格预测方法,选取小波神经网络对承发包价格发展变化进行预测, 并建立基于小波神经网络的建筑工程承发包价格预测模型,以绍兴市砖混结构住宅为例,证明了该模型具有很好的实用性和可操作性。
【关键词】小波神经网络;建筑承发包价格;预测
0.引言
建筑市场的健康发展对于拉动经济增长，调整产业结构，改善人民生活水平起着重要的作用。建筑市场又是一个复杂的系统，因为建筑市场设计到建筑材料市场、金融市场、劳动力市场等各方面的发展，所以对于建筑市场进行研究是必要的。建筑工程承发包模式在我国建筑市场中扮演的角色越来越重要，其中，建筑工程承发包价格管理尤为重要，直接关系到国家建设资金的合理利用，关系到维护建筑市场的秩序以及承发包双方的合法权益，是国家有关部门和建筑各方都非常关心的问题。目前,可用于承发包价格预测的方法很多,比如回归分析法、因果分析法、灰色系统以及BP神经网络等各种预测方法。但是，由于建筑承发包价格具有非线性趋势，因此，就必须利用模拟非线性的模型，前面几种方法在这方面都存在不足。本文依据小波的时频域特征，将小波分析理论与神经网络预测模型结合在一起，提出了一种新的预测模型—小波神经网络模型，并将其应用于房地产价格指数的预测，解决了预测非线性时间序列的不足[1]。
1.小波神经网络模型
小波神经网络(Wavelet Neural Networks，缩写WNN)， 是近几年国际上新兴的一种数学建模分析方法，是结合最近发展的小波变换良好的时频局域化性质与传统人工神经网络的自学习功能力而形成的。最早是由法国著名的信息科学研究机构IR ISA 的Q inghua Zhang 等[2]于1992 年提出的, Y C Pat i 等[5]对离散仿射小波神经网络进行了研究.小波神经网络是通过小波分解进行平移和伸缩变化后而得到的级数，具有小波分解的一般逼近函数的性质与分类特征。并且由于它引入了两个新的参变量，即伸缩因子和平移因子，所以小波神经网络具有比小波分解更多自由度，从而使其具有更灵活有效的函数逼近能力，更强的模式识别能力和容错能力。由于其建模算法不同于普通神经网络的BP算法，故可有效地克服普通人工神經网络模型所固有的缺陷[3]。
小波神经网络是基于小波分析而构成的一类新型前馈网络，也可以看作是以小波函数为基底的一种新型函数连接神经网络，其信号的表达式通过将所选取得小波基叠加来实现的等[4]。在信号分类中，子波空间可作为模式识别的特征空间，通过将小波基与信号向量的内积进行加权和来实现信号的特征提取，然后将这些特征输入到分类器中，它结合了小波变换良好的时频局域化性质及神经网络的自学习功能，因而具有良好的逼近与容错能力[5]。
小波神经网络学习的具体算法如下：
3.基于小波神经网络的建筑承发包价格预测
3.1数据的选取与预处理
以绍兴市市砖混结构住宅为例,对建筑工程承发包价格进行预测研究。根据绍兴市统计年鉴,2005 年～2009 年浙江建设工程材料信息价以及调研得到影响建设工程承发包价格因素的相关数据，为了更方便的进行预测，首先要进行归一化处理，采用公式：
表1 经过归一化处理后的建筑承发包价格
Table1 Normalized real estate price index
3.2小波神经网络预测模型预测结果
在设计网络时采用三层网络模型，这样比采用四层网络不易陷入局部极小值。采用此结构对上面归一化的中房指数数据进行预测。并将整个过程运用Matlab进行编程实现将数据分为两组，前一组用于训练网络，后一组用作检验。用小波神经网络预测模型进行预测，结果如表2所示。
表2 小波神经网络预测结果
Table 2 Forecast result of WNN
4.小结
小波神经网络是结合最近发展的小波变换良好的时频局域化性质与传统人工神经网络的自学习功能而形成的，具有深厚的数学基底，被广泛应用于各个领域。本位在介绍小波神经网络的同时，建立起了一种小波神经网络预测模型，并将其应用于建筑承发包价格的预测当中。
【参考文献】
［１］诸静.智能预测控制及其应用[M].杭州:浙江大学出版社,2000.
［２］刘明才.小波分析及其应用[M].北京:清华大学出版社,2005.
［３］王洪元等.人工神经网络技术及其应用[M].北京:中国石化出版社,2002.
［４］胡昌华等.基于MATLAB 6.X的系统分析与设计——小波分析[M].西安:西安电子科技大学出版社,2004.
［５］胡章明.基于神经网络房地产价格指数的预测研究[J].中山大学研究生学刊（社会科学版）,2006.vol.27(2):100－114.
【关键词】小波神经网络;建筑承发包价格;预测
0.引言
建筑市场的健康发展对于拉动经济增长，调整产业结构，改善人民生活水平起着重要的作用。建筑市场又是一个复杂的系统，因为建筑市场设计到建筑材料市场、金融市场、劳动力市场等各方面的发展，所以对于建筑市场进行研究是必要的。建筑工程承发包模式在我国建筑市场中扮演的角色越来越重要，其中，建筑工程承发包价格管理尤为重要，直接关系到国家建设资金的合理利用，关系到维护建筑市场的秩序以及承发包双方的合法权益，是国家有关部门和建筑各方都非常关心的问题。目前,可用于承发包价格预测的方法很多,比如回归分析法、因果分析法、灰色系统以及BP神经网络等各种预测方法。但是，由于建筑承发包价格具有非线性趋势，因此，就必须利用模拟非线性的模型，前面几种方法在这方面都存在不足。本文依据小波的时频域特征，将小波分析理论与神经网络预测模型结合在一起，提出了一种新的预测模型—小波神经网络模型，并将其应用于房地产价格指数的预测，解决了预测非线性时间序列的不足[1]。
1.小波神经网络模型
小波神经网络(Wavelet Neural Networks，缩写WNN)， 是近几年国际上新兴的一种数学建模分析方法，是结合最近发展的小波变换良好的时频局域化性质与传统人工神经网络的自学习功能力而形成的。最早是由法国著名的信息科学研究机构IR ISA 的Q inghua Zhang 等[2]于1992 年提出的, Y C Pat i 等[5]对离散仿射小波神经网络进行了研究.小波神经网络是通过小波分解进行平移和伸缩变化后而得到的级数，具有小波分解的一般逼近函数的性质与分类特征。并且由于它引入了两个新的参变量，即伸缩因子和平移因子，所以小波神经网络具有比小波分解更多自由度，从而使其具有更灵活有效的函数逼近能力，更强的模式识别能力和容错能力。由于其建模算法不同于普通神经网络的BP算法，故可有效地克服普通人工神經网络模型所固有的缺陷[3]。
小波神经网络是基于小波分析而构成的一类新型前馈网络，也可以看作是以小波函数为基底的一种新型函数连接神经网络，其信号的表达式通过将所选取得小波基叠加来实现的等[4]。在信号分类中，子波空间可作为模式识别的特征空间，通过将小波基与信号向量的内积进行加权和来实现信号的特征提取，然后将这些特征输入到分类器中，它结合了小波变换良好的时频局域化性质及神经网络的自学习功能，因而具有良好的逼近与容错能力[5]。
小波神经网络学习的具体算法如下：
3.基于小波神经网络的建筑承发包价格预测
3.1数据的选取与预处理
以绍兴市市砖混结构住宅为例,对建筑工程承发包价格进行预测研究。根据绍兴市统计年鉴,2005 年～2009 年浙江建设工程材料信息价以及调研得到影响建设工程承发包价格因素的相关数据，为了更方便的进行预测，首先要进行归一化处理，采用公式：
表1 经过归一化处理后的建筑承发包价格
Table1 Normalized real estate price index
3.2小波神经网络预测模型预测结果
在设计网络时采用三层网络模型，这样比采用四层网络不易陷入局部极小值。采用此结构对上面归一化的中房指数数据进行预测。并将整个过程运用Matlab进行编程实现将数据分为两组，前一组用于训练网络，后一组用作检验。用小波神经网络预测模型进行预测，结果如表2所示。
表2 小波神经网络预测结果
Table 2 Forecast result of WNN
4.小结
小波神经网络是结合最近发展的小波变换良好的时频局域化性质与传统人工神经网络的自学习功能而形成的，具有深厚的数学基底，被广泛应用于各个领域。本位在介绍小波神经网络的同时，建立起了一种小波神经网络预测模型，并将其应用于建筑承发包价格的预测当中。
【参考文献】
［１］诸静.智能预测控制及其应用[M].杭州:浙江大学出版社,2000.
［２］刘明才.小波分析及其应用[M].北京:清华大学出版社,2005.
［３］王洪元等.人工神经网络技术及其应用[M].北京:中国石化出版社,2002.
［４］胡昌华等.基于MATLAB 6.X的系统分析与设计——小波分析[M].西安:西安电子科技大学出版社,2004.
［５］胡章明.基于神经网络房地产价格指数的预测研究[J].中山大学研究生学刊（社会科学版）,2006.vol.27(2):100－114.