本站小編為你精心準(zhǔn)備了批量評(píng)估的神經(jīng)網(wǎng)絡(luò)論文參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫(xiě)作靈感。歡迎深入閱讀并收藏。

1基于BP網(wǎng)絡(luò)估價(jià)模型的構(gòu)建

1.1估價(jià)指標(biāo)體系的構(gòu)建及其量化標(biāo)準(zhǔn)本文以城市住宅為研究對(duì)象，構(gòu)建住宅類(lèi)的價(jià)格評(píng)估模型。影響城市住宅價(jià)格的因素較多，歸結(jié)起來(lái)可以分為3類(lèi)，分別為：個(gè)別因素、區(qū)域因素和一般因素。在一定時(shí)期內(nèi)，宏觀環(huán)境較為穩(wěn)定，一般因素對(duì)個(gè)體價(jià)格差異的影響較小，所以可以將一般因素剔除不計(jì)，重點(diǎn)分析個(gè)別因素和區(qū)域因素對(duì)房?jī)r(jià)的影響。通過(guò)查閱文獻(xiàn)，歸結(jié)出9個(gè)因素：地段等級(jí)、交通狀況、配套設(shè)施、環(huán)境質(zhì)量、建筑結(jié)構(gòu)、成新度、裝修情況、朝向、樓層。在因素評(píng)分中，可根據(jù)專(zhuān)家打分法，先將特征因素從好到壞分為5個(gè)等級(jí)：優(yōu)、較優(yōu)、一般、較差、差。再將其進(jìn)行量化處理，可分別賦值為1、0.75、0.5、0.25、0，介于上述等級(jí)之間的，可根據(jù)具體情況賦值。文中所收集數(shù)據(jù)樣本來(lái)源于昆明市西山區(qū)已成交案例。在收集樣本過(guò)程中，為保證數(shù)據(jù)質(zhì)量，盡量收集近期已成交案例，時(shí)間間隔不超過(guò)1個(gè)月，且已經(jīng)排除非正常交易案例，故文中不考慮房屋價(jià)格受交易情況及交易時(shí)間的影響。網(wǎng)絡(luò)的輸出要求為0～1之間連續(xù)的數(shù)值，而收集到的價(jià)格為實(shí)際成交價(jià)格，為使之與網(wǎng)絡(luò)輸出相一致，應(yīng)對(duì)成交價(jià)格進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理。本文所采用的數(shù)據(jù)標(biāo)準(zhǔn)化處理方式為歸一化處理方法。在本文中特征因素值已在0～1之間，所以只需將成交價(jià)格數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理即可。

1.2網(wǎng)絡(luò)結(jié)構(gòu)的確定

1.2.1輸入層節(jié)點(diǎn)數(shù)的確定輸入層的節(jié)點(diǎn)個(gè)數(shù)由房屋價(jià)格影響因素的個(gè)數(shù)確定，文中將選取上述所列的9個(gè)影響因子作為網(wǎng)絡(luò)的輸入，即文中輸入層節(jié)點(diǎn)數(shù)確定為9個(gè)。

1.2.2隱含層節(jié)點(diǎn)數(shù)的確定增加隱含層神經(jīng)元個(gè)數(shù)可以提高網(wǎng)絡(luò)的訓(xùn)練精度，但也不是隱含層節(jié)點(diǎn)數(shù)越多越好，同一個(gè)網(wǎng)絡(luò)模型在隱含層節(jié)點(diǎn)數(shù)達(dá)到最優(yōu)后不再隨節(jié)點(diǎn)數(shù)的增加而出現(xiàn)訓(xùn)練誤差越小的情況。一般在實(shí)際中往往依靠經(jīng)驗(yàn)和反復(fù)試驗(yàn)進(jìn)行確定節(jié)點(diǎn)數(shù)，即對(duì)同樣的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置不同的隱含層節(jié)點(diǎn)數(shù)，分別進(jìn)行訓(xùn)練，當(dāng)訓(xùn)練結(jié)果誤差最小且訓(xùn)練步數(shù)最少時(shí)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)達(dá)到最優(yōu)。

1.2.3輸出層節(jié)點(diǎn)數(shù)的確定模型要求輸出數(shù)據(jù)為房屋的預(yù)測(cè)價(jià)格，因此，輸出節(jié)點(diǎn)數(shù)確定為1。

2應(yīng)用研究

2.1估價(jià)模型的訓(xùn)練從所采集樣本中抽80%作為網(wǎng)絡(luò)的訓(xùn)練樣本。用newff()函數(shù)建立網(wǎng)絡(luò)，此函數(shù)可以將網(wǎng)絡(luò)初始化，自動(dòng)選擇權(quán)值和閾值[6]。文中采用反復(fù)訓(xùn)練法來(lái)選取最優(yōu)的隱含層神經(jīng)元數(shù)，分別設(shè)計(jì)隱含層的節(jié)點(diǎn)數(shù)為10、20、30、40、50。本文所創(chuàng)建的網(wǎng)絡(luò)代碼如下：net=newff(minmax(P),[a,1],{''''tansig'''',''''logsig''''},''''traingdx'''')其中a代表不同的隱含層節(jié)點(diǎn)數(shù)，tansig代表隱含層的激活函數(shù)，logsig代表輸出層的激活函數(shù)，算法選擇動(dòng)量和自適應(yīng)lr的梯度下降法traingdx。其他網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)為。經(jīng)過(guò)網(wǎng)絡(luò)測(cè)試，當(dāng)隱含層節(jié)點(diǎn)數(shù)設(shè)為30時(shí)，訓(xùn)練次數(shù)及均方誤差達(dá)到最小值，所以，文中確定網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)在30時(shí)達(dá)到最優(yōu)，即建立一個(gè)9—30—1的網(wǎng)絡(luò)模型。文中利用MATLAB中的神經(jīng)網(wǎng)絡(luò)工具箱對(duì)模型進(jìn)行模擬運(yùn)算，以下為隱含層節(jié)點(diǎn)數(shù)為30時(shí)MATLAB進(jìn)行逼近的界面圖。圖2表示網(wǎng)絡(luò)經(jīng)過(guò)138個(gè)循環(huán)訓(xùn)練后，計(jì)算輸出與目標(biāo)輸出的誤差為8.87e-004，小于預(yù)先設(shè)定的目標(biāo)誤差，即網(wǎng)絡(luò)訓(xùn)練成功。圖3反映了訓(xùn)練樣本實(shí)際值與計(jì)算值的線(xiàn)性回歸，R值達(dá)到0.99746，表明實(shí)際值與計(jì)算值之間實(shí)現(xiàn)了合理準(zhǔn)確的線(xiàn)性擬合。

2.2網(wǎng)絡(luò)測(cè)試網(wǎng)絡(luò)模型訓(xùn)練成功后需進(jìn)一步測(cè)試，才能確定模型是否可用于其他類(lèi)似房屋的價(jià)格評(píng)估。經(jīng)過(guò)對(duì)剩余20%的測(cè)試樣本進(jìn)行測(cè)試，相對(duì)誤差最大為0.33%，最小為0.076%，都在1％以?xún)?nèi)，可以判定，該模型通過(guò)測(cè)試，網(wǎng)絡(luò)可以滿(mǎn)足對(duì)類(lèi)似大批量的房屋進(jìn)行價(jià)格評(píng)估。

3結(jié)束語(yǔ)

本文將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于房地產(chǎn)價(jià)格的批量評(píng)估，構(gòu)建了房地產(chǎn)批量評(píng)估流程及評(píng)估模型，運(yùn)用昆明市已成交房屋數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試，研究表明，可將訓(xùn)練成功的網(wǎng)絡(luò)模型用于評(píng)估同類(lèi)型大批量房屋的市場(chǎng)價(jià)格，避免了傳統(tǒng)估價(jià)作業(yè)花費(fèi)時(shí)間長(zhǎng)、成本高的特點(diǎn)，減少了主觀思想對(duì)評(píng)估結(jié)果的影響，為以后房產(chǎn)稅的開(kāi)征提供技術(shù)支持。然而，批量評(píng)估也是建立在傳統(tǒng)單宗評(píng)估的理論基礎(chǔ)之上，對(duì)于部分房屋數(shù)據(jù)缺失的實(shí)例則需結(jié)合傳統(tǒng)的估價(jià)方法，另外進(jìn)行評(píng)估。

作者：李菊杜葵單位：昆明理工大學(xué)土木工程學(xué)院