| 摘要 | 第1-4页 |
| abstract | 第4-9页 |
| 第1章 绪论 | 第9-16页 |
| ·论文研究的背景、意义 | 第9-10页 |
| ·国内外工程造价估算研究现状 | 第10-13页 |
| ·国外工程估价方法究现状 | 第10-11页 |
| ·国内工程估价方法研究现状 | 第11-13页 |
| ·论文研究目标与研究思路 | 第13页 |
| ·论文的主要研究内容 | 第13-16页 |
| 第2章 数据预处理技术 | 第16-33页 |
| ·数据清理 | 第17-18页 |
| ·重复记录的删除 | 第17页 |
| ·缺失值的处理 | 第17-18页 |
| ·噪声数据和异常点的发现与处理 | 第18页 |
| ·数据集成 | 第18-19页 |
| ·数据转换 | 第19-20页 |
| ·数字化 | 第19页 |
| ·离散化和泛化 | 第19-20页 |
| ·数据标准化 | 第20页 |
| ·数据约简 | 第20-23页 |
| ·工程造价数据预处理 | 第23-32页 |
| ·数据清洗 | 第27-29页 |
| ·数据转换 | 第29-30页 |
| ·数据约简 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 第3章 基于 BP 神经网络的工程估价方法 | 第33-44页 |
| ·人工神经网络 | 第33-34页 |
| ·BP 神经网络 | 第34-36页 |
| ·BP 神经网络的激励函数 | 第34页 |
| ·BP 神经网络的改进 | 第34-35页 |
| ·Levenberg‐Marquardt 法的参数属性 | 第35-36页 |
| ·基于 BP 神经网络的厦门市工程估价模型的设计 | 第36-40页 |
| ·网络层数的设计 | 第36页 |
| ·激励函数的选择 | 第36-37页 |
| ·各层节点的选择 | 第37-38页 |
| ·训练函数的选择 | 第38-40页 |
| ·基于 BP 神经网络的厦门市工程估价模型的训练和仿真 | 第40-44页 |
| ·基于 BP 神经网络的厦门市工程估价模型的构建 | 第40-41页 |
| ·基于 BP 神经网络的厦门市工程估价模型的训练和仿真 | 第41-42页 |
| ·网络训练和仿真结果分析 | 第42-44页 |
| 第4章 基于 RBF 神经网络的工程估价模型研究 | 第44-64页 |
| ·RBF 神经网络 | 第44-45页 |
| ·BP 和 RBF 神经网络的区别 | 第44页 |
| ·RBF 神经网络的分类 | 第44-45页 |
| ·RBF 神经网络的学习算法 | 第45页 |
| ·RBF 神经网络的构建 | 第45-48页 |
| ·利用 MATLAB 神经网络工具设计 RBF 网络 | 第46页 |
| ·基于 K‐means 聚类构建的 RBF 神经网络 | 第46-48页 |
| ·基于 RBF 神经网络的厦门市工程估价模型的设计和训练 | 第48-62页 |
| ·正规化网络 RN 设计 | 第48-52页 |
| ·基于正规化网络 RN 的工程估价模型训练和仿真 | 第52-53页 |
| ·基于 K‐means 聚类的广义网络 GN 的设计和算法的流程 | 第53-60页 |
| ·基于 K‐means 聚类的广义网络 GN 的训练和仿真 | 第60-62页 |
| ·三种算法的工程估价模型对比 | 第62-64页 |
| 第5章 基于 GAAA‐RBF 神经网络的工程估价方法 | 第64-74页 |
| ·蚁群算法 | 第64页 |
| ·基本蚁群算法的模型描述 | 第64-65页 |
| ·基本蚁群算法的实施流程以及步骤 | 第65-67页 |
| ·基本蚁群算法的实施流程 | 第65-67页 |
| ·基本蚁群算法的实施步骤 | 第67页 |
| ·遗传蚁群混合算法 | 第67-69页 |
| ·GAAA-RBF 神经网络混合算法 | 第69-72页 |
| ·GAAA‐RBF 神经网络混合算法的实现 | 第69-70页 |
| ·估价模型训练与预测 | 第70-71页 |
| ·预测结果分析 | 第71-72页 |
| ·本章小结 | 第72-74页 |
| 第6章 结论 | 第74-77页 |
| ·结论 | 第74-75页 |
| ·展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-83页 |
| 个人简历、在学期间发表的学术论文及研究成果 | 第83页 |
