投标报价决策的理论、方法与应用研究是工程承包领域中非常重要的课题,报价决策的制定需要同时考虑大量复杂、模糊和高度相关的变量因素,因此其建模方法一直是理论研究和应用的难点。由于基于T-S模型的模糊神经网络具有较强的学习和推理能力,本文将其应用于建筑工程投标报价的研究中。 基于T-S模型的模糊神经网络的后件是输入变量的线性组合,它不需去模糊化等计算,并且可以用少量的模糊规则生成较复杂的非线性函数,但是其后件网络的输入—输出结构过于简单,不能完全反映出系统的本质特性,而且传统的产生模糊规则的方法会导致模糊规则数随输入的增加成指数增长。因此,本文提出了一种基于T-S模型的改进型模糊神经网络,在后件网络中增加隐含层,同时采用从样本数据中获得隶属函数的参数和模糊规则,并按重要度对规则进行重新选择的方法,由此来增强网络的非线性计算能力并减小网络的规模。然而上述确定规则的方法具有很大的主观性和随意性,本文利用减法聚类来克服这一点,并采用基于距离的确定模糊规则适用度思想,构建了一种改进的神经网络。该网络不需要模糊化和去模糊化的过程,网络结构更为简单,计算量也有很大程度的降低。 网络的泛化能力依赖于训练样本特性和网络结构,因此本文从这两方面来研究提高泛化能力的方法。首先利用先验知识和模糊推理方法对样本集进行了分析和分类处理,使样本集更加规范;其次采用模糊推理动态调整正则项系数的算法,提高了网络的泛化能力。为了检验所提出网络模型和算法的有效性,本文将其应用于建筑工程的投标报价中,并与改进的BP网络和多输入模糊神经网络进行了对比。仿真结果表明本文提出的方法具有更强的学习能力和泛化能力,更加适合于工程应用。