小樣本工程造價數(shù)據(jù)的智能學習方法及其在輸變電工程中的應用研究.pdf

1、隨著市場經(jīng)濟的發(fā)展,尤其是招投標制度的推行,傳統(tǒng)定額概預算制度已經(jīng)無法完全滿足工程建設的需要,有必要引進在國外廣泛應用歷史數(shù)據(jù)估算工程造價的做法來解決這一問題。由于工程項目建設的歷史數(shù)據(jù)收集比較困難,具有數(shù)量小、屬性多的特點,基于歷史數(shù)據(jù)的造價估算實質上是小樣本數(shù)據(jù)的學習問題,比海量數(shù)據(jù)的學習更困難,不能采用基于樣本無窮大假設的經(jīng)典統(tǒng)計方法進行處理。近二十年來,模糊數(shù)學、灰色關聯(lián)度以及神經(jīng)網(wǎng)絡等理論技術應用于造價估算的研究較多,但是應用

2、模糊數(shù)學和灰色關聯(lián)度理論設計的算法和模型過于簡單,神經(jīng)網(wǎng)絡學習算法的收斂性、魯棒性以及泛化性較差,都還無法滿足實際應用的要求。支持向量機的出現(xiàn)為小樣本學習問題的解決提供了最佳的理論技術平臺,論文融合粒子群算法、聚類技術等人工智能技術,對支持向量機進行改進研究,論文研究的目的是提出一種基于參數(shù)優(yōu)化回歸支持向量機的小樣本數(shù)據(jù)智能學習改進算法,同時把該算法應用于工程造價快速估算。
　　 論文首先對小樣本數(shù)據(jù)預處理技術進行研究,結合工程

3、造價歷史數(shù)據(jù)的具體特點,提出包括數(shù)據(jù)清洗、數(shù)據(jù)轉換和數(shù)據(jù)約簡等內容的小樣本數(shù)據(jù)預處理方法,并且以電力輸電工程為案例進行仿真,驗證數(shù)據(jù)預處理方法的有效性。其次,在粒子群算法引入排斥速度和時變領域等概念,提出自適應多種群粒子群優(yōu)化改進算法(Self Adopt Multiple Particle Swarm Optimization,簡稱SAMPSO),給出改進算法的數(shù)學模型和工作流程,仿真表明改進算法可以解決多峰函數(shù)優(yōu)化問題,在多峰函數(shù)尋

4、優(yōu)時既可以全局尋優(yōu),也可以找到所有局部最優(yōu)點,多峰函數(shù)尋優(yōu)效率更高。然后,應用粒子群改進算法對小樣本數(shù)據(jù)的分割聚類進行優(yōu)化,提出一種基于SAMPSO的兩階段聚類改進算法,給出改進算法的數(shù)學模型和基本工作流程,并且以電力輸電工程為案例,對改進算法進行仿真,與模糊聚類算法和粒子群優(yōu)化算法的聚類效果進行比較,仿真結果表明,該算法分類效果明顯優(yōu)于模糊聚類算法等普通聚類算法。接下來,應用SAMPSO算法、遺傳算法對支持向量機的參數(shù)尋優(yōu)進行了對比分

5、析,仿真結果表明,基于SAMPSO算法的參數(shù)尋優(yōu)效果更好,應用SAMPSO算法對小樣本數(shù)據(jù)的非線性核主元分析(Kernel PrincipalComponent Analysis,簡稱KPCA)進行優(yōu)化,基于參數(shù)尋優(yōu)的支持向量機和非線性主元分析方法,提出參數(shù)尋優(yōu)的支持向量機智能學習改進算法(PrametersOptimization Support Vector Machine Algorithm,簡稱POSVMA),給出其數(shù)學模型和工