An artificial neural network (ANN)

An artificial neural network (ANN) is a massively parallel distributed processor made up of simple processing units, which has a natural propensity for storing experiential knowledge and making it available for use (Lin and Lee,1996). It adopts non-parametric regression estimates made up of a number of interconnected processing elements between input and output data (Han and Diekmann, 2004). Owing to their excellent learning and generalizing capabilities, ANN techniques have been applied in a variety of construction domains, including estimating project markup (Li, 1996; Li and Love, 1999; Moselhi et al., 1991), forecasting construction productivity (Chao and Skibniewski, 1994), predicting potential to adopt new construction technology (Chao and Skibniewski, 1995), modelling construction budget perfor- mance (Chua et al., 1997), predicting earthmoving operations (Shi, 1999), forecasting residential construction demand (Goh,
2000), predicting project cost (Emsley et al., 2002), simulating activity duration (Lu, 2002), predicting cost deviation in reconstruction projects (Attalla and Hegazy, 2003), forecast- ing client satisfaction levels (Soetanto and Proverbs, 2004), identifying building natural periods (Kuźniar and Waszczys- zyn, 2006), and estimating equipment productivity (Ok and Sinha, 2006), among many others. Nonetheless, so far no work has been done to apply ANN to risk allocation decision- making in construction projects.

In this study, typical three layered back-propagation ANN models were established to model the risk allocation decision- making mechanism. Each of the ANN models consisted of an input layer, a hidden layer, and an output layer. The input layer has six nodes, which represent the six independent variables. The output layer has one node, which represent the single DV. The number of nodes in the hidden layer was determined by trial and error to achieve more accurate performance of ANN models. The architecture of the ANN models is demonstrated in Fig. 2. The transfer functions of

Kết quả (Việt) 1:

Một mạng nơ-ron nhân tạo (ANN) là một song song một cách ồ ạt phân xử lý tạo ra từ các đơn vị chế biến đơn giản, có một xu hướng tự nhiên cho lưu trữ dựa trên kinh nghiệm kiến thức và làm cho nó có sẵn để sử dụng (Lin và Lee, 1996). Nó qua không tham số hồi qui ước tính gồm có một số yếu tố liên kết với nhau xử lý giữa các dữ liệu đầu vào và đầu ra (Han và Diekmann, 2004). Do học tập tuyệt vời của họ và khả năng khái quát, ANN kỹ thuật đã được áp dụng trong một loạt các lĩnh vực xây dựng, bao gồm ước tính các dự án đánh dấu (Li, năm 1996; Li và tình yêu, năm 1999; Moselhi et al., 1991), dự báo sản xuất xây dựng (Chao và Skibniewski, 1994), dự đoán khả năng áp dụng công nghệ xây dựng mới (Chao và Skibniewski, 1995), mô hình xây dựng ngân sách perfor-mance (Chùa và ctv., 1997), dự đoán hoạt động earthmoving (Shi, 1999), khu dân cư xây dựng dự báo nhu cầu (Goh,năm 2000), dự đoán chi phí dự án (Emsley et al., 2002), mô phỏng thời gian hoạt động (Lu, 2002), dự đoán chi phí sai trong các dự án tái thiết (Attalla và Hegazy, 2003), sự hài lòng của khách hàng thời-ing cấp (Soetanto và châm ngôn, 2004), xác định xây dựng thời gian tự nhiên (Kuźniar và Waszczys-zyn, 2006), và ước tính năng suất thiết bị (Ok và Sinha, 2006), trong số nhiều người khác. Tuy nhiên, cho đến nay không có công việc đã được thực hiện để áp dụng ANN để phân bổ các quyết định trong các dự án xây dựng có nguy cơ.Trong nghiên cứu này, điển hình ba lớp tuyên truyền trở lại ANN mô hình được thiết lập để mô hình cơ chế ra quyết định phân bổ rủi ro. Mỗi người trong số các mô hình ANN bao gồm một đầu vào lớp, một lớp ẩn và một lớp đầu ra. Các lớp đầu vào có sáu nút, đại diện cho các biến độc lập sáu. Các lớp ra có một nút, mà đại diện cho DV duy nhất. Số lượng các nút trong các lớp ẩn đã được xác định bằng cách thử và lỗi để đạt được hiệu suất chính xác hơn của mô hình ANN. Kiến trúc của mô hình ANN được thể hiện trong hình 2. Các chức năng chuyển tiếp

Kết quả (Việt) 2:

Một mạng lưới thần kinh nhân tạo (ANN) là một bộ xử lý phân tán ồ ạt song song tạo thành từ các đơn vị chế biến đơn giản, trong đó có một xu hướng tự nhiên để lưu trữ kiến thức kinh nghiệm và làm cho nó có sẵn để sử dụng (Lin và Lee, 1996). Nó thông qua ước lượng hồi quy phi tham số tạo thành bởi một số yếu tố xử lý kết nối giữa đầu vào và đầu ra dữ liệu (Han và Diekmann, 2004). Do học tập xuất sắc và khả năng khái quát hóa, kỹ thuật ANN đã được áp dụng trong một loạt các lĩnh vực xây dựng, bao gồm cả đánh dấu dự án ước tính (Li, 1996; Li và tình yêu, năm 1999;. Moselhi et al, 1991), dự báo năng suất xây dựng (Chao và Skibniewski, 1994), dự đoán khả năng áp dụng công nghệ xây dựng mới (Chao và Skibniewski, 1995), mô hình ngân sách xây dựng perfor mance (Chùa et al., 1997), dự đoán các hoạt động đào đất (Shi, 1999), dự báo nhu cầu xây dựng nhà ở (Goh ,
2000), dự đoán chi phí dự án (Emsley et al., 2002), mô phỏng thời gian hoạt động (Lu, 2002), dự đoán lệch chi phí trong các dự án tái thiết (Attalla và Hegazy, 2003), forecast- ing mức độ hài lòng của khách hàng (Soetanto và Châm ngôn, 2004), xác định việc xây dựng giai đoạn tự nhiên (Kuźniar và Waszczys- zyn, 2006) và ước tính năng suất thiết bị (Ok và Sinha, 2006), trong số nhiều người khác. Tuy nhiên, cho đến nay không có công việc đã được thực hiện để áp dụng ANN mạo hiểm phân bổ ra quyết định trong các dự án xây dựng.

Trong nghiên cứu này, điển hình ba lớp lan truyền ngược mô hình ANN đã được thành lập để mô hình phân bổ rủi ro ra quyết định cơ chế. Mỗi mô hình ANN gồm một lớp đầu vào, một lớp ẩn, và một lớp ra. Lớp đầu vào có sáu nút, mà đại diện cho sáu biến độc lập. Các lớp ra có một nút, mà đại diện cho DV duy nhất. Số lượng các nút trong lớp ẩn được xác định bằng cách thử và sai để đạt được hiệu suất chính xác hơn về mô hình ANN. Các kiến trúc của các mô hình ANN được thể hiện trong hình. 2. Các chức năng chuyển giao