| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 论文研究的背景及意义 | 第12-13页 |
| 1.2 人工智能方法在工程估价领域的研究现状 | 第13-15页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 本文主要内容 | 第15-16页 |
| 第二章 粒子群算法 | 第16-24页 |
| 2.1 粒子群算法介绍 | 第16-17页 |
| 2.1.1 粒子群算法的起源 | 第16-17页 |
| 2.2 粒子群算法原理 | 第17-20页 |
| 2.2.1 原始粒子群算法 | 第17-18页 |
| 2.2.2 标准粒子群算法 | 第18页 |
| 2.2.3 标准粒子群算法控制参数及选取原则 | 第18-20页 |
| 2.3 算法改进 | 第20-21页 |
| 2.4 PSO算法的函数拟合 | 第21-22页 |
| 2.5 PSO算法优化神经网络参数的意义 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第三章 基于PSO优化BP神经网络参数的工程估价模型 | 第24-42页 |
| 3.1 基于SPSS的工程造价影响因素分析 | 第24-29页 |
| 3.1.1 数据的标准化处理 | 第24-25页 |
| 3.1.2 基于SPSS的相关矩阵分析 | 第25-27页 |
| 3.1.3 工程特征向量的量化处理 | 第27-29页 |
| 3.2 人工神经网络 | 第29-31页 |
| 3.2.1 神经网络模型 | 第29-31页 |
| 3.3 BP神经网络 | 第31-37页 |
| 3.3.1 BP神经网络基本原理 | 第31-32页 |
| 3.3.2 BP神经网络学习算法 | 第32-35页 |
| 3.3.3 BP神经网络的函数拟合 | 第35-37页 |
| 3.4 基于PSO优化BP神经网络算法的工程估价模型的设计 | 第37-40页 |
| 3.4.1 BP神经网络预测模型的建立 | 第37-38页 |
| 3.4.2 PSO优化BP神经网络参数 | 第38-39页 |
| 3.4.3 基于PSO优化BP神经网络算法的工程估价模型的训练和仿真 | 第39-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 基于PSO优化RBF神经网络参数的工程估价模型 | 第42-54页 |
| 4.1 径向基函数（RBF）神经网络模型 | 第42-47页 |
| 4.1.1 径向基函数（RBF）网络概述 | 第42页 |
| 4.1.2 RBF神经网络的拓扑结构 | 第42-43页 |
| 4.1.3 RBF神经网络模型的学习 | 第43-46页 |
| 4.1.4 RBF神经网络的函数拟合 | 第46-47页 |
| 4.2 基于PSO优化RBF神经网络算法的工程估价模型的设计 | 第47-52页 |
| 4.2.1 基于PSO优化的RBF神经网络学习算法 | 第47-48页 |
| 4.2.2 PSO优化RBF神经网络参数 | 第48-49页 |
| 4.2.3 基于PSO优化RBF神经网络参数的工程估价模型的训练和仿真 | 第49-52页 |
| 4.3 本章小结 | 第52-54页 |
| 第五章 基于案例推理（CBR）的工程估价模型 | 第54-72页 |
| 5.1 案例推理技术的提出 | 第54-55页 |
| 5.1.1 基于规则的推理系统（RBR） | 第54页 |
| 5.1.2 基于模型的推理（MBR） | 第54-55页 |
| 5.2 案例推理（CBR）方法的研究 | 第55-57页 |
| 5.2.1 案例推理的原理 | 第55页 |
| 5.2.2 案例推理的框架 | 第55-56页 |
| 5.2.3 案例推理的过程 | 第56-57页 |
| 5.3 基于案例推理的建筑工程估价模型的建立 | 第57-69页 |
| 5.3.1 系统设计 | 第57-58页 |
| 5.3.2 案例的表示和组织 | 第58-60页 |
| 5.3.3 案例检索 | 第60-68页 |
| 5.3.4 案例调整 | 第68-69页 |
| 5.3.5 案例重用 | 第69页 |
| 5.3.6 案例的学习和维护 | 第69页 |
| 5.4 本章小结 | 第69-72页 |
| 第六章 结论 | 第72-74页 |
| 6.1 结论 | 第72-73页 |
| 6.2 展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 作者简介 | 第78-80页 |
| 致谢 | 第80-81页 |
