摘要： 人工神经网络通过模拟人脑或生物神经网络基本特性，具有较强的自组织和自学习能力，可以从大量的数据中提取内在规律，构造出自变量和因变量二者之间的映射关系，从而实现复杂非线性现象的有效模拟和预测。研究表明人工神经网络方法与其他方法相比在工程造价特征因素非线性和动态性描述方面具有潜在优势。
关键词： 工程造价；投资决策；造价估算；神经网络
中图分类号：TU723.3 文献标识码：A 文章编号：1006-4311（2014）04-0106-02
1 研究目的和研究意义
本研究旨在深入研究人工神经网络在煤矿建筑工程造价估算中的应用，提出一种能充分结合煤矿建筑特点的、有效的工程造价估算方法，充分了解不同学习算法和网络结构对造价估算精度的影响，从而为实际工程应用提供技术参考。
2 人工神经网络方法
人工神经网络相关研究我们可以从1890年开始看起，当时William James在《心理学》一书中第一次提到相关的人工神经网络思想，直到20世纪40年代初，神经生物学家Warren S.McCulloch与青年数学家Waiter Pitts进行首次合作，把人脑的信息处理观点作为出发点，采用数学模型的教学方法进行脑细胞的动作和结构及生物神经元基本生理特征的研究，然后提出了著名的MP（McCulloch-Pitts）模型，更好地对计算机神经行为的某些方面提供了根据性，从而开创了神经网络的研究。到1958年，计算机科学家Rosenblartt基于MP模型，增加了学习机制，推广了MP模型，他提出的感知模型首次把神经网络理论加到工程上实现。发展到1960年Widrow和Hoff提出了自适应线性元件ADACINE网络模型，这也是第一个对实际起到作用的神经网络问题。1982年，美国加州工学院的Hopfield提出霍普菲尔神经网络模型，把神经网络用于联想记忆和优化计算上面，开创了新途径，有力推动了神经网络的发展。Renekgart和Mcllelland等人于1986年提出了并行分布处理的理论，值得一提的就是Werbos和Parker独立发展了目前最为普通的网络，广泛用于解决现实问题的多层网络的BP算法。到目前为止神经网络的发展已经达到一个新的时期，由于涉及到各个领域，范围在不断扩大，因此就需要把进化与学校有效的结合起来，使神经计算、进化计算成为其发展的一个重要方向。神经网络理论有着极强的数学性质和生物学特征，尤其是在神经科学、心理学和认识科学上都有着自己独有的问题，是神经网络新研究的方向，也是它发展的重要机会。
2.1 人工神经网络特点 人工神经网络作为一种新兴的计算手段，具有以下三个显著的特点：
2.1.1 非线性（Nonlinearity） 一个人工神经元可以是线性或非线形的。由非线性神经元相互联接组成的神经网络自身是非线性的，而且这种非线性是比较特殊的，它分散在神经网络的各处。利用神经网络的非线性，可以解决许多非线性的问题。
2.1.2 输入-输出映射（Input-Output Mapping） 人工神经网络具有学习能力，其具有很好的输入-输出映射能力。比如一个比较常用的例子称作有导师学习，它利用一组被标记的训练样本或任务实例对神经网络的连接权值进行调整。每一组训练样本包含了一个给定的输入信号和对应的期望输出。对应给定的输入信号，网络产生实际输出，实际输出与期望输出之间存在误差，通过某些学习规则修改连接权值，可使实际输出与期望输出之差的误差减小到自己满意的范围之内，这样就完成了输入到输出之间的映射，这种思想也正是以后进行工程估算的基础。
2.1.3 适应性（Adaptivity） 神经网络具有调整连接权值以适应周围环境变化的能力，尤其在特定环境中训练过的神经网络能很容易地被再次训练以处理环境条件微小的变化，这就是神经网络的适应性。按通常的规律，适应性越强，并且如能保证系统的稳定性，那么当系统在非静态环境中运行时，表现出的鲁棒性就越强。
2.2 神经网络结构 具体人工神经网络是由许多并行互联的相同神经元模型组成，网络的信号处理由神经元之间的相互作用来实现。人工神经网络的神经元模型和结构描述了一个网络如何将它的输入矢量转化为输出矢量的过程。这个转化过程从数学角度来看就是一个计算的过程。也就是说，人工神经网络的实质体现了网络输入和其输出之间的一种函数关系。通过选取不同的模型结构和激励函数，可以形成各种不同的人工神经网络并得到不同的输入/输出关系式，并达到不同的设计目的，完成不同的任务。所以在利用人工神经网络解决实际应用问题之前，必须首先掌握人工神经网络的模型结构及其特性以及对其输出矢量的计算。目前，在人工神经网络的实际应用中，绝大多数的神经网络模型都是采用误差反向传播算法的前馈多层神经元网络，即BP神经网络，它是前馈网络的核心，并体现了人工神经网络最精华的部分。
2.3 人工神经网络与其他方法的比较 人工神经网络自从被国内外学者发现直至研究和应用都是共同进行的，因为其具有自身所独特的非线性特征、大量的并行分布结构以及学习和归纳能力等，使其应用的范围就相当广泛，诸如在建模、时间序列分析、模式识别、信号处理以及控制等方面得到广泛的应用，在工程造价领域也得到较大的应用，使其对造价进行估算。
人工网络的非线性特征的关系较为复杂，但是却和建筑工程的造价成本和其建筑特征有着密切的关系。好比就是一个有经验的造价工程师在工程项目行业积累一定的静压，能够大致估计出成本，工程师还能够根据以往的经验求解出工程自身的特征，这是无法用语言来表达的一种技巧，但是结果却能够达到令人满意的效果。然而对非线性问题和复杂问题的求解能力是神经网络面临的一个重要的特点[13]，我们可以以过去完成的工程作为学习的样本，把神经网络中的非线性映射能力来模拟有经验的工程师估算的求解过程，从而进行工程估算的研究，再加上目前神经网络计算法的日臻成熟，用于人工神经网络的工程估算方法是可行的，目前用于工程估算的算法主要有BP算法、径向基函数（RBF）等，其中以BP算法最为可靠，得到广泛的认可。
3 结论
本研究的主要结论如下：
在分析煤矿建筑工程造价概念和特点的基础之上，指出了我国工程造价的构成以及工程造价估算的影响因素。研究表明，工程特征能够反映建筑工程的主要成本构成；工程特征的选取，应当对历史工程资料进行统计分析，并且需要基于专家知识进行评判；此外，影响工程估算的因素可分为企业无法控制的宏观因素和能够控制的微观因素，其中常用工程特征包含的工程造价指数属于宏观因素，而常用工程特征中的建筑结构参数和企业技术能力属于微观因素。
BP人工神经网络方法是一种具有广阔前景的工程造价估算方法，有助于提升我国建设项目工程管理水平、降低建设成本和节约建设资源。目前，BP人工神经网络方法已经得到了初步的研究和应用，但人工神经网络理论发展十分迅速，基于BP人工神经网络的新型方法也层数不穷。因此，本研究建议，可以尝试应用新型人工神经网络，用于煤矿建筑工程造价估算研究，对比不同种类人工神经网络方法预测精度，使之更好地服务于我国工程造价管理。
参考文献：
[1]尚俊成.论新形势下加强市政工程造价管理的方法[J].城市建设：下旬，2010（7）：56.
[2]刘晓文.论清单计价模式安装工程造价从业人员的能力构建[J].福建建设科技，2010（4）：83-85.
[3]张书峰，孟建平.城市市政工程造价控制浅议[J].工会博览：下旬，2010（5）：268，93-94.
[4]邱高松.基于审计视角的工程造价管理与控制[J].财会通讯：综合版，2010（7）.
[5]董佐惠.浅析降低工程成本的方法[J].城市建设：下旬，2010（7）：265.
[6]杨明芬.工程造价咨询行业的现状与发展探析[J].城市建设：下旬，2010（7）：129.
[7]宋娉.工程造价全过程控制的思考[J].工程与建设，2010（3）：422-424.
[8]张维孝，林艳.成本动因与神经网络在工程造价估计中的应用研究[J].管理观察，2009（25）：289-290.
[9]辛立民，杨芸.基于神经网络的建筑工程投标报价预测[J]. 安徽工程科技学院学报：自然科学版，2008，23（4）：44-47.
[10]唐贤瑛，陆浩.基于人工神经网络的工程造价估算[J].长沙交通学院学报，1999，15（1）：88-90.
[11]段晓牧，刘书贤，杨建平.基于神经网络非确定性工程的造价估算[J].工程设计与建设，2004，36（2）：1-4.
[12]周剑.基于神经网络的公路工程造价快速估算分析[J].工程造价管理，2005（6）：42-44.
[13]申金山，杜晓文，李岚.基于BP神经网络的建筑工程造价快速估算方法[J].河南科学，2003，21（4）：479-482.
[14]唐俊.基于动态模糊神经网络的建设工程造价估算系统[J].湖南城市学院学报：自然科学版，2008，17（4）：63-66.