恒通计算机自动评估技术标准09号Word格式.docx

恒通计算机自动评估技术标准09号Word格式.docx

《恒通计算机自动评估技术标准09号Word格式.docx》由会员分享，可在线阅读，更多相关《恒通计算机自动评估技术标准09号Word格式.docx（26页珍藏版）》请在冰豆网上搜索。

五、人工神经网络用于评估的要求

人工神经网络的成功使用有以下要求：

第一，能科学的界定用途和空间范围，即科学合理分层；

第二，要准确界定影响房价的因素，并能客观量化，或各项因素在市场域内能准确客观的比较；

第三，训练要求高质量的样本，这些样本必须有足够的客观性和代表性，如果样本本身偏差较大，那么训练好的网络就很难得到准确的评估结果。

价值是物的真实所值，是内在的，是相对客观和相对稳定的，是价格的波动“中心”；

价格是价值的外在表现，围绕着价值而上下波动，是实际发生、已经完成并且可以观察到的事实，它因人而异，时高时低。

现实中由于定价决策、个人偏好或者交易者之间的特殊关系和无知等原因，时常会出现“低值高价”或者“高值低价”等价格背离价值的情况。

因此，强调城市住宅估价本质上是评估城市住宅的价值而不是价格。

虽然估价是评估价值，而且理论上是价值决定价格，但估价实践中一般是通过外表的价格来了解内在的价值。

另外，价值和价格的内涵虽然在估价理论上有上述严格区分，但由于习惯等原因，有时并不对它们作严格意义上的区别。

出现了两种替代真实价值的选择：

一是实际成交价格；

二是合格的估价师的重新估价结果。

因为评估价值一般是在一系列正常交易假定条件下最可能的价格，而实际成交时的交易情况不一定正常，实际成交价格不一定是正常市场价格，所以一般不能直接采用实际成交价格，而应采用合格的估价师对实际成交价格的重新审定结果。

六、人工神经网络在经济领域的运用情况

人工神经网络处理经济数据的三种显著的优势性能得到了使用者的一致认可，第一，它容易处理不完整的、模糊不确定或无规律的数据。

第二，作为一种非参数方法，无需对数据的分布做事前假设。

第三，对于复杂的非线性或近似连续的函数有很好的逼近能力。

许多应用文献指出：

当分析时间序列数据时，人工神经网络要比其它精致的统计分析方法略胜一筹。

因为它能识别和模拟数据的非线性关系，而无需多变量正态分布或事先概率的假定。

另外，经济数据变量是处于经常变动的环境中的，因此模型的有效性就依靠于模型的泛化能力。

过不断地再训练和再学习，人工神经网络本身不仅能基于经验对知识进行累积、存贮和模式识别，而且能不断地反映和适应新环境，学到隐含在样本中的有关环境本身的内在规律性。

因此，它和传统的统计分析方法相比，人工神经网络具有更强的鲁棒性和精确性，较低的预测风险和较小的误差。

现代经济理论认为，经济是一个复杂适应系统。

复杂性系统的状态通常是非线性的，有时甚至是混沌的，应用传统的演绎、线性和定点的方法很难得到精确的分析结果。

而从系统观点看，人工神经网络是由大量神经元通过极其丰富和完善的联接而构成的自适应非线性动态系统，这就足以构成复杂性经济理论的模型基础。

人工神经网络的网络整体和神经元之间的关系体现了经济系统的整体性和相关性思想。

人工神经网络的大规模并行处理、自组织学习和自适应性、复杂非线性动态性等特征与经济系统非线性原理、经济系统的不可逆原理、经济系统的动态不平衡原理、经济系统的自组织原理、经济系统的内随机原理、经济系统的吸引子原理、经济系统的分形原理有相似的内涵。

作为一种大规模并行的非线性动力系统，人工神经网络具有大量可供调节的参数、高度的非线性模拟运算能力，响应的自学习和自组织功能使得它在实际问题的处理过程中具有较强的适应性和泛化能力。

用人工神经网络技术可以增强经济模型的分析、控制和预测功能。

从人工神经网络的精确性、适应性、鲁棒性、有效性和解决经济问题的效率看，将人工神经网络用于经济领域中的识别、分类和预测是颇具前景且有实际价值的，在西方发达国家，在对股市的短期预测、债券自动评估、企业价值评估、保险政策方针评估、抵押审查、会计报表风险识别、商业银行的信用风险分析、贷款评估等方面具有重要的广泛的运用。

20世纪90年代以来，人工神经网络技术开始在国外大量被应用于自动评估。

其中在房地产估价、房地产预警系统、房地产价值预测等方面有重要的运用。

七、人工神经网络的缺陷

第一、神经网络很难解释，目前还没有能对神经网络做出显而易见解释的方法学。

第二、随着训练能力的提高，繁华能力也提高，但过度训练超过一定能力会出现过拟合现象，网络学习了过多的细节，反而不能准确反映规律。

第三、建立神经网络需要做的数据准备工作量很大。

要想得到准确度高的模型必须认真的进行数据清洗、整理、转换、选择等工作，对任何数据挖掘技术都是这样，神经网络尤其注重这一点。

第四、国内没有成功的经验可吸取。

八、人工神经网络原理简析

（一）一般神经元数学模型

一个具有n个输入的通用神经元模型如下：

u（）和f（）分别表示神经元的基函数和激活函数。

基函数u（.）是一个多输入单输出的函数u=u（x，ω，θ）;

激活函数的一半作用是对基函数输出u进行“挤压”:

y二f（u），

即通过非线性函数f（）将u变换到指定范围内。

常用基函数及激活函数类型:

（l）基函数类型

①线性函数

绝大多数神经网络都采用这种基函数形式，包括BP网络。

采用线性函数时，基函数输出u为输入和闭值的加权和，即

②距离函数

此基函数输出为

式中，ω常被称为基函数的中心。

显然，u表示输入矢量x与权矢量ω之间的欧氏距离。

该函数主要用于径向基函数神经网络（RBF网络）。

（2）激活函数类型

如果激活函数采用线性形函数，则神经元输出取基函数的输出u，即

Y=f（u）=u

该激活函数常用于实现函数逼近的神经网络的输出层神经元，如BP网络和RBF网络的输出层节点。

②S型函数

这是一类非常重要的激活函数，无论神经网络用于分类、函数逼近或优化，S函数都是常用的激活函数。

其表达式为:

或

式中，参数λ>

O，称为S函数的增益，其值决定了函数非饱和断的斜率，几越大，曲线越陡。

式中第一项函数为对数S型激活函数，式中第二项为双曲正切S型激活函数。

（二）B-P算法的运用举例

以下为一个单隐层的网络结构示意图，隐含层采用S型函数作为传递函数，输出层采用线性函数作为传递函数。

图一单隐层B-P网络结构图

假设收集某市场域内住宅楼盘价格及其影响因素判定划分如下表一：

表一各样本点的各项因素情况表

样本编号

公交便捷度

居家配套完善度

距离最近商业中心距离

区域自然环境

距离市中心位置

建筑及设施品质

建筑面积

户型

朝向

楼层

装修

成新率

实际成交价格

1

4

5

1

3

2

2644

2

2741

3

2549

4

2958

5

1910

6

1667

7

1546

8

3481

9

3100

10

7

4031

11

6

3441

12

2227

13

1676

14

2911

15

2267

16

2577

17

2229

18

2789

19

2877

20

2453

21

3743

22

8

2929

23

2129

24

2813

25

2590

26

2654

27

2560

28

2667

29

2756

30

3142

31

2404

32

2530

33

2642

34

2489

35

2788

36

3200

37

2476

38

1764

39

3840

40

3798

因素最小值

1546

因素最大值

4031

首先对样本因素值及价格进行归一化，归一化计算公式

表二数据归一化后的数据

0.33333

-1

-0.3333

-0.5

-0.714

-0.116298

0.1429

-0.038229

-0.143

-0.192757

0.1364185

-0.707042

-0.902616

-0.429

0.5573441

0.2507042

0.7143

0.4286

0.5251509

-0.451911

0.5

-0.895372

0.3333

0.0985915

-0.333

-0.419718

-0.170221

-0.450302

0.0004024

0.0712274

-0.27002

0.7682093

0.1130785

-0.530785

0.0197183

-0.159759

-0.108249

-0.183903

-0.097787

-0.026157

0.284507

-0.309457

-0.208048

-0.117907

-0.241046

-0.000402

0.3311871

-0.251509

-0.824547