建设项目的投资估算,是工程建设项目可行性研究阶段的主要内容之一。投资估算的准确与否直接影响到项目的投资决策、基建规模、工程设计方案、投资经济效果、并直接影响到工程建设能否顺利进行。简便、快速和准确地进行建设项目的投资估算,对于工程建设项目的投资管理与控制,具有十分重要的意义。

本文的目的是提出一个建筑工程报价决策模型 ,以帮助建筑企业在投标中达到自己满意的目标。本文的主要思路是采用信息扩散原理和神经网络模型相结合 ,使工程报价决策能在少样本的条件下得到较满意的结果

通过对公路工程投资估算新标准的分析和研究,找出新旧标准的差异,提出在新标准下编制公路工程基本建设项目投资估算的资料收集和工程量统计标准,并结合实际案例,就当前应用新标准遇到的问题提出应对措施,为同业编制合理的公路工程投资估算提供借鉴。

为解决当前旱区防护林主要树种新疆杨日蒸腾量（Tr）估算值的精确度低、估算模型泛化能力差等问题，采用7种气象因子（日照时长、风速、相对湿度、饱和水气压差、最低温、最高温和日均温）的8种组合作为模型输入，构建了传统多元线性回归模型（MLR）和人工神经网络模型（BP和Elman），估算了2020年生长季新疆杨Tr值，并对3种模型不同输入组合的估算结果进行了比较与评价；同时基于Garson算法量化了各气象因子对Tr估算值的相对贡献率。结果显示，BP和Elman模型对Tr估算值的精确度超过73.66%，在不同输入组合下人工神经网络模型估算精确度比MLR模型提高了8.45%～31.33%，其中拓扑结构为6-4-4-1的Elman模型估算值的精确度最高；气象因子饱和水气压差对Tr估算值的相对贡献率最大，相对湿度次之，不同温度变量对Tr估算值的相对贡献率依次为：日均温>最低温>最高温。结果表明，所构建的新疆杨日蒸腾量的估算神经网络模型可提高对干旱地区防护林蒸腾量的估算精确度。

基于BP神经网络模型,提出保证成本估算精度的神经网络分析方法;并收集20个住宅工程实例,其中4个作为检测实例。实验结果表明根据工程前期阶段的基本信息推算得到的成本精度,可以满足实际工程成本估算的需要。

分析影响民用建筑工程造价的主要因素并提取相应的工程特征指标;采用系统聚类的方法,选择待估算工程的有效样本类,确定最佳样本数量。将上述提取的工程特征值作为输入值,以工程造价作为输出值,建立建筑工程造价的BP神经网络估算模型。最后通过实例验证,预测精度符合决策阶段的要求,证明该模型确实可行。

通过选取近年来不同地区的9个工程项目,用新颁布实施的《公路工程建设项目投资估算编制办法》(JTG 3820-2018)及《公路工程估算指标》(JTG/T 3821-2018)编制投资估算,对比分析新旧估算的造价差异。研究结果表明:桥隧比较高的项目,建安费的增减幅度也较大,反之新旧估算的变化幅度较小;新估算建安费中人工消耗量和多数主要机械的台班消耗量都比旧估算大幅降低,且新估算的费率费用也比旧估算的费率费用下降较大;新估算中工程建设其他费用普遍降低,且降幅较大。

分析了谷物干燥传统建模的难点，介绍了人工神经网络建模的原理和方法及其在干燥过程中的运用。

[目的]快速、准确地诊断水稻叶片氮素营养状况,为水稻氮肥精准管理提供依据。[方法]以江西省农科院8种不同施肥处理的晚稻为研究对象,于主要生育期同步测定了水稻冠层光谱反射率及叶片全氮浓度(Leaf Nitrogen Concentration,LNC),系统分析了原始光谱反射率、一阶微分光谱、"三边"参数以及由350～1 350nm两两波段组合的差值(SD (Rλ1,Rλ2))、比值(SR (Rλ1,Rλ2))及归一化(ND(Rλ1,Rλ2))光谱指数与水稻LNC的相关关系,筛选出敏感参数,并以之为自变量构建了水稻LNC的传统预测模型,另外构建不同指标个数的多元线性与BP神经网络模型,并对模型进行验证。[结果](1)水稻LNC与一阶微分光谱在751nm处的相关性最高(r=0. 822);(2)"三边"参数中的红边面积SDr与LNC的相关性较高(r=0. 687);(3) 750nm附近的红边波段与近红外波段差值组合、550nm附近的绿光波段与近红外波段的比值及归一化差值组合与水稻LNC的相关性较高,以SD (R752,R751)、SR (R534,R1 350)和ND (R534,R1 349)表现最好,相关系数分别为0. 827、-0. 790和0. 788;(4)传统回归模型中以SD(R752,R751)构建的一元线性模型最佳(RC2=0. 665、RV2=0. 750、RMSEV=0. 4%、RPD=2. 034);(5)利用5个指标((R’751、SDr、SD (R752,R751)、SR (R534,R1 350)、ND (R534,R1 349))经逐步回归筛选出的2个指标SD ((R752,R751)和SR (R534,R1 350))构建预测水稻氮素的BP神经网络模型,预测效果最佳,其验证参数值分别为R2=0. 859、RMSEV=0. 302%和RPD=2. 669。[结论]基于单指标构建的传统线性模型计算过程简单但精度略低,而基于2个指标(SD (R752,R751)、SR (R534,R1 350))构建的BP神经网络模型预测精度高于该2指标构建的多元线性模型,表明在指标适合的情况下,BP神经网络对氮素具有较好的预测能力,是一种快速准确估算水稻叶片全氮浓度的方法。

利用便携式ASD野外光谱辐射仪对杉木冠层叶片光谱进行测定,同时以分光光度法对叶片叶绿素含量进行提取。样本经均值处理、平滑处理和微分处理后,进行红边参数提取。对11个红边参数以PCA方法进行降维,将得到的前7个主成分得分作为网络输入参数,叶绿素含量作为网络输出参数,以遗传算法(GA)优化网络初始权值阈值,建立隐含层神经元数分别为4,6,8,10,12和14的6种单隐层BP神经网络模型。以R2,RMSE和相对误差作为模型精度检验标准,结果表明:6种模型预测精度均可达到92.0%以上,其中隐含层神经元数为10时,预测精度最高,可达97.372%。说明此种模型可对杉木冠层叶片叶绿素含量进行高精度估算。

随着现代网络信息技术的普及,计算机科学技术已经渗透到各个领域中,为人们带来了极大便利的同时,也提高了工作的效率。文章以计算机科学技术为中心,对其进行分析,并探讨其在经济管理中的应用。

将神经网络理论应用于企业风险评估中 ,讨论了网络结构的设计、学习算法等问题 ;计算实例表明 ,应用神经网络评估企业风险具有方便、真实、可靠的特点。

人工神经网络在资信评估中应用比较广泛,尤其是其中的BP网络,但BP网络用于函数逼近时,权值调节采用的是负梯度下降法,这种调节权值的方法有它的局限性,即存在收敛速度慢和局部极小等缺点。而径向基函数网络无论在逼近能力、分类能力和学习速度等方面均优于BP网络。文章将RBF网络与5C评估法结合,提出一种新的企业资信评估模型。实验表明,RBF人工神经网络对企业资信评估有着良好的性能。

本文将人工神经网络引入教育评估领域,阐明了用BP网络模拟教育评估中的专家评价的设计思想和方法,结合具体实例进行论证。