吕科+谢景海+许文秀

摘要： 随着科学技术的发展，新工艺、新设备、新技术的不断出现，现有输电工程定额数据处理方法已不适应输电工程技术与管理模式的发展。为此，本文运用BP神经网络对输电工程定额原始数据进行处理，在此基础上再进行定额测定。实例结果表明，本文所提的定额数据处理方法使得定额测定结果更加准确。

Abstract： With the development of science and technology and the emerging of new technology and equipment， the existing processing methods of transmission engineering quota data are not suitable for the development of transmission engineering technology and management mode. Therefore， this paper uses the BP neural network to deal with the raw data of the transmission project， and then carries on the quota determination on this basis. The results show that the proposed quantitative data processing method makes the quantitative determination more accurate.

关键词： 输电工程；定额数据；BP神经网络；数据处理

Key words： transmission engineering；quota data；BP neural network；data processing

中图分类号：TP183 文献标识码：A 文章编号：1006-4311（2016）35-0028-02

0 引言

输电工程定额数据在测定过程中由于受观测者、自然环境、组织水平等因素影响，同一工序测得的数据往往存在一定的差异，这些异常数据将导致定额测定结果与现实存在较大偏差。常见的定额数据处理方法有平均修正法、格拉布准则法、比回归分析法、经验估计法、主成分分析等[1-6]。然而，随着新设备、新工艺、新技术在输电工程建设中的不断推广应用，定额数据处理方法已不适应当前输电工程技术与管理模式的发展，为此，本文构建一种新的计算模型，力求使得处理后的定额数据能真实地反映出生产技术水平和管理水平，也为其它各类定额测定提供更加可靠的原始数据。

1 定额数据处理

定额数据的处理可分为两个阶段，第一阶段为原始数据的预处理阶段，包括观测次数的确定和异常值的剔除；第二阶段为修正后数据的分析处理。目前，学者对第一阶段的数据处理进行了大量研究，并取得了一定的成果，然而对第二阶段数据处理研究不够充分，大多利用统计分析办法通过平均或者二次平均处理确定最终定额测定值，导致精度较差。为此，本文重点研究第二阶段的数据处理。

2 BP神经网络模型

神经网络模型具有较强的非线性能力、泛化能力和容错能力，并行计算能力强。本文采用BP神经网络进行样本建模，其实目前应用最为广泛和成功的神经网络之一。

BP神经网络模型由输入层、隐含层和输出层构成，在网络训练阶段用处理好的样本依次通过输入层、隐含层和输出层，比较输出结果和期望结果，若没有达到误差要求或者训练次数，则经过输入层、隐含层和输出层来调节网络权值和阈值，使得网络成为具有一定适应能力的模型。

2.1 BP神经网络模型的基本原理

BP网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。

①节点输出模型。

隐节点输出模型：Oj=f（∑Wij×Xi-qj）（1）

输出节点输出模型：Yk=f（∑Tjk×Oj-qk）（2）

其中，q为神经单元阈值，f为非线形作用函数。

②作用函数模型。

作用函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，通常取为（0，1）内连续取值函数。

f（x）=1/（1+e-x） （3）

③误差计算模型。

误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数：

Ep=1/2×∑（tpi-Opi）2（4）

其中，Opi表示第i节点计算输出值；tpi表示第i节点的期望输出值。

④自学习模型。

神经网络的学习过程，即连接下层节点和上层节点之间的权重拒阵Wij的设定和误差修正过程。BP网络有师学习方式-需要设定期望值和无师学习方式-只需输入模式之分。自学习模型为

？驻Wij（n+1）=h×Фi×Oj+a×？驻Wij（n） （5）

其中，a为动量因子；Oj为输出节点j的计算输出；Фi为输出节点i的计算误差；h为学习因子。

2.2 BP神经网络算法流程

①初始化网络权值和阈值，通常取0-1的随机数；

②输入训练样本和目标输出；

③计算各层输入；

④计算网络训练误差；

⑤修正网络权值和阈值；

⑥计算误差指标；

⑦如果误差满足精度要求，则训练结束，否则转到步骤②。

3 实例分析

以输电工程工地运输中，汽车运输下面的混凝土杆运输子目为例，进行工时定额测定。这里以整个冀北地区下面的承德、廊坊、秦皇岛、唐山和张家口五个地区的混泥土杆运输子目定额数据为代表值，测定整个冀北地区的混凝土杆运输子目的工时定额值。

承德、廊坊、秦皇岛、唐山和张家口五个地区混凝土杆运输子目的工时定额值分别为0.154工日、0.147工日、0.142工日、0.151工日、0.162工日，以BP神经网络来训练各地地区的权值，并结合相关专家的意见，最后得出五个地区的权值分别为0.02、0.03、0.01、0.03、0.01，因此，最终冀北地区的混凝土杆运输子目的工时定额值为0.151工日。

4 结论

①在比较各种数据处理方法的基础上，根据第二阶段数据特点，提出BP神经网络模型对第二阶段数据进行处理。

②实例结果表明，运用本文所提方法对定额数据进行处理，使得测定的工时定额水平更加准确。

③本文仅使用了BP神经网络模型对定额原始数据处理进行了尝试，是否还存在更优的方法，需要下一步的研究。

参考文献：

[1]张岩.运用格拉布斯准则原理确定公路定额测定中不合理数据[J].科协论坛（下半月），2009（2）：99-100.

[2]侯君，姚志红.基于BP神经网络的湖泊水体富营养化的短期预测[J].实验室研究与探索，2008（06）.

[3]赵庆权.高速公路补充预算定额原始数据异常值的改进格拉布斯法应用研究[J].价值工程，2013（12）：82-83.

[4]孙艺.基于神经网络技术的公路工程补充定额的编制与研究[D].长沙理工大学，2011.

[5]张波，甘国荣，王首绪.公路工程定额原始数据测定降噪方法运用研究[J].公路与汽运，2014（163）：222-225.

[6]全宇，王忠庆，何苗.基于交叉熵的神经网络在病理图像分析中的应用[J].中国医科大学学报，2009（06）.