Оценка недвижимости с использованием искусственных нейронных сетей-систематический обзор литературы

0
90
DOI: ESTE ARTIGO AINDA NÃO POSSUI DOI SOLICITAR AGORA!
Оценка недвижимости с использованием искусственных нейронных сетей-систематический обзор литературы
5 (100%) 55 vote[s]
ARTIGO EM PDF

ОРИГИНАЛ СТАТЬИ

CHAGAS, Edgar Thiago De Oliveira [1]

CHAGAS, Edgar Thiago De Oliveira. Оценка недвижимости с использованием искусственных нейронных сетей-систематический обзор литературы. Междисциплинарный научный журнал Core знаний. 04 год, Эд. 04, том 05, стр. 55-75 Апрель 2019. ISSN: 2448-0959

РЕЗЮМЕ

Рынок недвижимости очень важен в национальной экономике, поскольку он отражает различные аспекты общества. Такая ситуация означает, что в стоимостном и качественном отношении оценочная стоимость рынка недвижимости может быть использована в качестве основы для расчета потребностей в жилье. В этой перспективе результаты оценки должны быть максимально точными, поскольку совершенные ошибки могут нанести вред большинству населения. Изучены применимость РНК и оценка свойств. Это имеет важное значение для исследовательской литературы и систематического обзора литературы в качестве исследовательского метода. Из систематического обзора, можно проанализировать недавние исследования на РНК, чтобы выделить прогнозные модели, алгоритмы оптимизации, в основном связанные с оценкой свойств. Можно сделать вывод, что применение РНК при оценке свойств необходимо для заполнения пробелов в литературе.

Ключевые слова: Искусственная нейронная сеть, систематический обзор, Оценка недвижимости.

1. ВВЕДЕНИЕ

В зависимости от количества ресурсов, используемых в операции, рынок недвижимости является очень важной частью национальной экономики. Для проведения исследований на этом рынке расчет финансовых активов применим к жилищному требованию фонда путем масштабной оценки оценочной рыночной стоимости (PELLI Нето, 2006).

По словам Гонсалеса (2008), оценка жилищного строительства является задачей, которая учитывает особые характеристики и свойства нормальных рыночных условий. Можно достичь оценочной стоимости недвижимости на рынке. Считается нормальным найти баланс между сторонами, участвующими в переговорах.

Гиплито (2007), есть несколько методов и моделей, используемых в различных странах для оценки свойств, основанный на сети искусственных нейронов (РНК).

Целью данного исследования является изучение РНК в литературе и понимание сфер применения метода, для которого литература должна систематически оцениваться. Стремится систематически понимать предмет и понимать качество и надежность поиска данных.

1,1 ОБОСНОВАНИЕ

В связи с динамичным поведением рынка недвижимости, это воспринимается важность оценки имущества. Новый метод оценки должен учитывать потребности и характеристики этой деятельности, поскольку нынешняя технология имеет определенные ограничения и, следовательно, требует изучения других методов.

По словам Пелли нету (2006), использование искусственных нейронных сетей в оценке недвижимости предлагает хорошие перспективы, результаты, полученные до сих пор показывают, что технологии и данные могут быть представлены только линейная модель, которая усиливает ИТ-инструментов.

2. РЫНОК НЕДВИЖИМОСТИ

2,1 ВВЕДЕНИЕ

Рынок недвижимости был в центре исследования различных государственных и частных организаций из-за его важности в национальной экономике. При изучении рынка крупномасштабная Оценка оценочной рыночной стоимости рассчитывается исходя из потребностей в жилье, уделяя особое внимание использованию финансовых ресурсов. Еще один способ оценки стоимости исследований заключается в понимании экономической и социальной значимости этого рынка. Оценка ошибок измерения или неточности в деятельности не является идеальным (Фернандес, 2003).

Помимо изучения спроса на жилье, можно также использовать модель не только для оценки качества, но и для определения общего планирования, технико-экономических обоснований и налоговых расчетов по новым жилищным проектам, входящим в Компании, особенно IPTU и ITBI (Гонсалес, 2002).

В этой главе основное внимание будет уделено анализу в литературе по недвижимости, краткая история начала, а затем концептуального описания рынка недвижимости, в том числе эксплуатации индивидуальных методов оценки и на основе процесса спецификации. В этой главе будет определен метод сравнения рыночных данных, который состоит из оценки свойств наиболее часто используемого метода.

2,2 РЫНОК НЕДВИЖИМОСТИ

Прежде всего, важно определить концепцию рынка недвижимости, в отличие от других рынков.

2.2.1 ЧТО ТАКОЕ РЫНОК НЕДВИЖИМОСТИ?

Рынок недвижимости можно разделить на различные части, такие как квартиры, дома, Магазины, офисы, рынки и города (городские или сельские), склады, автостоянки и другие рынки, которые они покупают и/или продают (Гонсалес, 2002).

Основными факторами, влияющими на производительность и другие активы рынка недвижимости и других рынков, таких как автомобильный рынок, Бытовая техника и другие, являются длительный срок жизни, эксклюзивность, местоположение и пространство, а также, что вмешательство муниципального законодательства В силе. И Федеральный (Гонсалес, 2008).

На рынке недвижимости будет больше полезной жизни, трудно измерить, потому что это влияет на физические свойства шаблонов и заканчивается с защитой статус. Учитывая, что свойство со временем должно выполнять техническое обслуживание и соответствовать всем стандартам, фактический возраст одной семьи может принести пользу от защиты другого государства (HAYKIN, 2001).

Разное не отличается от других внутренних и внешних характеристик имущества, недвижимость уникальна. Однако, некоторые части, которые имеют производство может быть совпадением, по крайней мере, в их местоположение или их положение будет отличаться, рынок недвижимости сравнима ни с каким другим пространством в производстве же хорошо. В этом смысле, во многих случаях, определение стоимости имущества не является тривиальной задачей, которая требует использования научных знаний (HIPOLITO, 2007).

Рынок недвижимости является динамичным механизмом эволюции с течением времени, под влиянием нескольких факторов, как оценки и амортизации. Одновременное и беспорядочное представление различных разработчиков, подрядчиков, строителей и самой государственной власти привело к этому постоянно меняющемуся рынку, что непосредственно отражает стоимость имущества или сделки, предоставляемой (PELLI НЕТО, 2006). Остается сказать, было отмечено, что недвижимость рынки являются важной частью, в постоянном взаимодействии и несет ответственность за цены на недвижимость.

2.2.2 ОСНОВНЫЕ КОМПОНЕНТЫ

Основными компонентами рынка недвижимости являются коммерциализация продукции, продаж и заинтересованных сторон, связанных с покупкой. Когда есть баланс между этими тремя компонентами, статистические исследования на рынке недвижимости будет давать хорошие результаты. Очевидно, в идеале, есть много информации. Есть много продавцов, много покупателей и много продуктов из разных источников (DАНТАС, 1998).

Миссией инженера по оценке является описание рынка недвижимости, подчеркивая степень равновесия между его компонентами. Чем более сбалансирован баланс, тем интенсивнее конкуренция на рынке и справедливее цена. Тем не менее, нет идеального и сбалансированного конкурентного рынка. Однако следует избегать статистических исследований при рассмотрении экстремальных ситуаций, таких, как монополия или олигополия (PELLI Нето, 2006).

2,3 ЦЕНА, СТОИМОСТЬ И РЫНОЧНАЯ СТОИМОСТЬ

В пункте 3,44 NBR 14 653, часть 1-Общая процедура, ссылка делается на рыночную цену и следующее определение: "в нынешних рыночных условиях, сознательно и сознательно вести переговоры наиболее вероятной суммы" актива на дату регистрации ". (NBR 14,653).

Наиболее вероятного числа людей, которые ведут переговоры сознательно и добровольно, не обязательно соответствуют цене, по которой товары торгуются или предлагаются. Рыночная стоимость является результатом математического моделирования и/или статистического процесса. Эти данные собираются на способность аналогичных характеристик на переговорах или предлагаемых цен (REZENDE, 2003).

Таким образом, Цена и базисной стоимости различны. Хотя "рыночная стоимость" относится к наиболее вероятной стоимости товара, "цена" отражает количество сделок в иностранной валюте или предоставляет конкретные продукты. Другой рейтинг ставки или цена сделки является чрезвычайно распространенным явлением. Эта разница не считается очень важным, потому что в этом случае, может быть необходимо решить проблему, чтобы доказать, что сумма, используемая разумно (Сампайо, 2007).

Стоимость продукта не отражает рыночную стоимость, поскольку предыдущее определение рыночной стоимости не всегда является наиболее вероятным, чтобы совместить стоимость сделки с ее стоимостью производства. Рыночная стоимость может быть меньше, равна или превышает стоимость производства (Сампайо, 2007).

2,4 ОСНОВНЫЕ МЕТОДЫ

В целом, стоимость товара может определяться в соответствии с тремя различными базовыми методами (Гонсалес, 2002):

• Доход, определяющий стоимость товаров, получаемых от их экономической жизни.

• Сравнение основано на цене аналогичных продуктов на рынке;

• Стоимость, основанная на прямых и косвенных затратах на производство товаров;

Во всех трех методах прямое сравнение для определения значения является наиболее подходящим и надежным на рынке.

2,5 ПРИМЕНИМЫЕ МЕТОДЫ

Существуют методы, которые могут использоваться для оценки цели, наличия, качества и количества информации, полученной в ходе рыночной оценки в связи с характером подлежащих оценке товаров (Фернандес, 2003).

В зависимости от конкретного стандартного использования ABNT, есть несколько методов, чтобы определить стоимость товара. В этой работе используется метод прямого сравнения рыночных данных (Гонсалес, 2002).

2,6 СРАВНЕНИЕ РЫНОЧНЫХ ДАННЫХ

Часть 2 NBR-14653 утверждает, что метод сравнения рыночных данных должен использоваться преимущественно. В общем, метод сравнения используется для определения потребления конкретного элемента. Чем выше стоимость потребительских товаров, тем выше точность оценки. На оценочном отчете является экономичным, необходимо (NBR 14653).

Важно измерить значение объекта, который используется для визуального сравнения аналогичных объектов с известной рыночной стоимостью (так называемый сравнительный процесс) (Гонсалес, 2008).

Некоторые провайдеры требуют контроля над ценой, затем устанавливают среднюю цену практики и окончательное решение о покупке на основе условий выплаты процентов и доступности финансового менеджмента (Гонсалес, 2008).

При использовании процесса сравнения делаются попытки получения значений, представляющих объекты, которые оцениваются на основе других сходств между ними. Существующие различия слабы или незначительны. Поскольку понимание всех объектов, доступных на данном рынке (популяции), как правило, полностью недоступно, среднее значение дает среднюю оценку всех объектов популяции (Haykin, 2001).

Очевидно, более равномерным населения проанализированы, более однородный образцов. Поэтому, в поисках конкретной марки или модели нулевого, километрового автомобиля, человек должен сравнивать цены, по данным собранных образцов может содержать более высокие цены и прочие низкие и так близкие Арифметические средние. Этот факт происходит потому, что стоимость получения продукта от производителя аналогична. Другой крупной проблемой является легкость получения репрезентативной выборки рынка, что очень полезно для надежных выводов о среднем значении в этих случаях (Гиплито, 2007).

С другой стороны, оценивая рыночную стоимость производства жилья в процессе сопоставления, оценщики сталкиваются с большими трудностями, особенно если население считается очень разным, создавая неоднородную выборку. Предлагаемые продукты не имеют достаточно стандартизированный бренд или модель, чтобы сделать их единообразными. Кроме того, они напрямую не зависят от производственных издержек и зачастую от уборки урожая. Местоположение связано с социальной экономикой (PELLI Нето, 2006).

В обоих случаях изменения в образце появились вокруг их арифметического среднего. Разница заключается в том, что в однородной выборке промышленных продуктов, это изменение уменьшается, и гетерогенными образцами, используемыми в качестве основы для измерения рынка недвижимости обычно показывают изменение высоты вокруг его арифметического среднего. Этот факт создает большую неопределенность в выводах по поводу общего среднего продукта. В самом деле, любой случайно выбранный образец может содержать арифметическое среднее очень разных данных. Эти различия между собираемых данных и среднего образца являются функцией физических различий между данными, социально-экономическими факторами и случайным характером рынка (REZENDE, 2003).

Случайность всегда присутствует на любом рынке может быть определена как неотъемлемое субъективность человека, который предоставляет цену на продукт, который хочет быть проданы. Это до покупателя принять или не цена на момент покупки. Поэтому она не может быть измерена и состоит из необъяснимых ошибок или случайных образцов (DАНТАС, 1998).

В выборке промышленной продукции соотношение физических различий между данными равно нулю или почти, но крайне важно в выборке рынка недвижимости, что приводит к неоднородной выборке. Эти физические различия являются функцией внутренней и внешней характеристики сектора недвижимости. Для измерения этих различий собранные данные демонстрируют схожие характеристики рынка недвижимости. Таким образом, чтобы использовать этот метод, вы должны иметь набор данных, которые можно сравнить. Сравнение будет основано на внутренних и внешних характеристиках, как описано в входных, устных или независимых переменных (NBR 14653).

2,7 ПЕРЕМЕННАЯ КОНСТРУКЦИЯ КОНСТРУКЦИИ

Переменные являются внутренними и внешними характеристиками свойства. Значение обозначает число. Важно соблюдать взаимосвязи между переменными, выбранными для проверки их зависимостей (REZENDE, 2003).

В оценочном проекте рыночная цена (поставка или сделка) и соответствующие физические характеристики (площадь, фасад, местоположение по умолчанию, парковочные места и т.д.) следует рассматривать как независимые входные переменные, такие как Местонахождение (финансовый индекс и т.д.). Городские и поло), расстояние и время (Дата, на которой произошло событие) (Сампайо, 2007).

Зависимая переменная может быть указана на основе общей цены или единицы цены, как правило, в денежной единицы на квадратный метр. Отбор анализа данных, собранных в ходе определения и функции модели, выбирается для представления рынка недвижимости. Мы отобрали независимую переменную, напрямую связанную с характеристиками исследовательских данных (внутренних и внешних), а также тон разнообразия поведения рынка недвижимости в каждом регионе. Поэтому, когда априори определяет независимые переменные, следует отметить, что это эффективно влияет и объясняет изменения в собранной цене (NBR 14653).

3. ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ

РНК – это математические модели, вдохновленные принципами биологических нейронов и структуры головного мозга (Рассел 2004, Роналду 2005). Нейрона-это клетка головного мозга, основная функция которой заключается в сборе, обработке и диффузии электрических сигналов. Каждый нейрон состоит из клеточного тела или сома, которое содержит ядро клетки, серию оружия под названием дендритов и одну длинную руку под названием аксон (Рассел, 2004).

Считается, что способность мозга обрабатывать информацию поступает в основном из сетей этих нейронов. Связь от одного нейрона к другому, чтобы сформировать полную нервную систему, осуществляется через СИНАПС. СИНАПС является регионом, где два нейрона вступают в контакт, что позволяет передачу нервных импульсов (Рассел, 2004).

Нейронные сети обладают способностью выполнять распределенные вычисления, терпеть шумные входы и учиться. Как и человеческий мозг, нейронная сеть основана на обучении, то есть она хранит знания, приобретенные на основе обучения, и делает его доступным для принятия решений по проблеме (Рассел, 2004).

Разрешение проблем РНК очень интересно, потому что его внутренняя представленность и параллелизм, присущие архитектуре, дают лучшие результаты, чем классические модели. Способность учиться на примерах и генерировать полученную информацию, несомненно, является главной привлекательностью решения проблем с помощью РНК (БРАГА, Карвалью и ЛУДЕРМИР, 2000).

3,1 ОСНОВНАЯ КОНЦЕПЦИЯ

РНК представляет собой систему вычислительной мощности путем обучения и обобщения (БРАГА, Карвалью и ЛУДЕРМИР, 2000). В свою очередь, обобщение связано с способностью этих сетей обеспечивать последовательное реагирование на данные, не представленные на этапе обработки и обучения.

РНК будет очень проста по структуре с элементами лечения, вдохновленный действием биологических нейронов, связь между этими элементами лечения, характеризуется каждым соединением в сети, связано с весом, представляющих вес взаимодействия или Сцепление силу между элементами лечения и тот факт, что они возбуждающих или ингибирующих по своей природе (HAYKIN, 2001).

Использование искусственных нейронных структур, где информация обрабатывается и хранится параллельно и через сложность распределения относительно простых компонентов обработки РНК. Эти элементы могут нести ответственность за ввод информации на слой (входной слой)-соответствует аргументу, используемым на рынке недвижимости, обработка этой информации (промежуточный слой) и полученные результаты (выходной слой)- зависимости от зависимой переменной и общей единицы) для дальнейшего продвижения по службе (Гонсалес, 2008).

Биологическая нейрональных модель состоит из относительно автономной сотовой сети, каждый с ограниченной мощностью обработки. Блоки соединены соединениями, каждое имея Associated вес соответствующее к влиянию блока в обработке сигнала выхода. Положительный вес соответствует фактору увеличения входного сигнала, а отрицательный вес соответствует ингибированию фактора (БРАГА, Карвалью и ЛУДЕРМИР, 2000).

Эта модель обычно имеет набор блоков ввода, через которые информация передается в сеть и набор единиц вывода, которые отображают выходные сигналы сети, а также набор промежуточных блоков. Коллекция нейронов является очень мощным с точки зрения обработки информации. Концептуально РНК можно рассматривать как математическую модель, похожую на структуру человеческого мозга и способного извлечь уроки из последующих обобщений (Гонсалес, 2008).

3,2 ЕСТЕСТВЕННЫЕ НЕЙРОНЫ

Нервная система человека отвечает за принятие решений и адаптацию организма к окружающей среде. Эта функция обеспечивается непрерывным обучением. Система состоит из клеток, ответственных за ее функцию. Есть около 10 000 000 000 нейронов в человеческом мозге и около 60 000 000 000 000 нейронных связей между собой (HAYKIN, 2001).

Эти клетки получают, производят и обеспечивают стимулы к мозгу. Нейроны определяются клеточных мембран, которые обладают определенными важнейшими свойствами для клеточной функции организма, таких как расширенные нити, дендриты и аксоны (БРАГА, Карвалью и ЛУДЕРМИР, 2000). Нейроны определяются в получаемый сигнал, способный передавать информацию через дендриты и поляризованные клетки. Когда возбужденные, нейроны передают информацию другим нейронами через импульсы, называемые потенциалы действия. Эти сигналы распространяются через клетки аксонов в виде волн и преобразуются в химические сигналы в синапсах.

Биологические нейроны могут считаться базовыми вычислительными устройствами нервной системы, состояними из множества входов и выходов. Вход формируется синаптической связи, которая соединяет дендриты с аксонов других нервных клеток. Сигналы, которые прибывают через эти аксоны электрические импульсы, называемые нервные импульсы или потенциальные импульсы действия и представляют собой информацию, порожденные нейронной обработки в виде нервных импульсов выход в их аксонов (Гонсалес, 2008).

В зависимости от сигнала, посланные аксоном, СИНАПС может быть возбуждающим или ингибирующим. Возбудимость соединения помогает создать нервные импульсы в аксонов выхода, в то время как тормозные синапсы действуют в противоположном направлении (БРАГА, Карвалью и ЛУДЕРМИР, 2000).

Основные характеристики вытекают из знания структуры и поведения естественных нейронов, которые используются для создания моделей искусственных нейронов, имитирующих реальные нейроны. Эти искусственные нейроны используются для формирования РНК, состоящей из его основных элементов обработки (Гонсалес, 2008).

На рисунке 1 показана модель нейрона человека.

Рисунок 1 – натуральный нейрон

Источник: (Асеведо. 2016).

3,3 ИСКУССТВЕННЫЙ НЕЙРОН

Брага, Карвалью и Людермир (2000) описывают первую искусственную модель биологического нейрона Уоррена Маккалока и Уолтера Питтса в 1943. Эта модель была упрощением того, что было известно во времена биологических нейронов. Его математическое описание дало модель с n входами, которые получали значения ХX, x2,…, xn и единый выходной Y. Чтобы представить поведение синапсов, входы нейронов имеют в сочетании весов W1, W2,…, ВН, чьи значения могут быть положительными или отрицательными. Активация нейрона выполняется активацией функции, которая отвечает за генерации Y вывода нейрона от суммы значений xiwi.

Новые искусственные модели, более привлекательные с неврологической точки зрения, включают многие из этих динамических характеристик биологических нейронов. Однако, несмотря на многочисленные упрощения в типовом описании Маккалока и Уолтера Питтса, эти модели, при взаимосвязанном как искусственная нейронная сеть, имеют высокую вычислительную мощность, решение основных сложных проблем (БРАГА, Карвалью, ЛУДЕРМИР, 2000).

Рисунок 2 представляет собой модель искусственного нейрона.

Рисунок 2 – искусственный нейрон

Источник: (Асеведо, 2016).

3,4 ФУНКЦИИ АКТИВАЦИИ

Функция активации отвечает за генерацию вывода в Y нейрона из значений векторов веса w и ввода x. Функция активации предназначена для удовлетворения двух стремлений. Во-первых, мы хотим, чтобы читатель был активным (близко к + 1), когда правильные входные данные получены и неактивны (близко к 0), когда неправильные записи получены. Во-вторых, активация должна быть нелинейной для нелинейных задач, в противном случае вся сеть рухнет (Рассел, 2004).

3,5 ТОПОЛОГИЯ РНК

Различные топологии нейронных сетей по существу разделены на два класса: нерецидивирующий или прямой и рецидивирующий. Непериодические РНК-это те, которые не возвращают информацию от своих выходов к своим входным ресурсам и, следовательно, также не располагают памятью. Повторяющиеся RNAs используют свои выходы для восстановления собственных входов, формируя тем самым динамическую систему, которая может обеспечить устойчивое состояние, колебания дисплея или даже хаотическое поведение. Повторяющиеся сети могут поддерживать кратковременной памяти (Рассел, 2004).

Неповторяющиеся РНК стратифицированные и могут формироваться одним или более слоями. Многослойные нейронные сети содержат набор входных нейронов, слой выходного слоя и один или несколько скрытых слоев. Входной слой сети распределяет только входные модели, скрытый слой генерирует внутреннюю кодировку для входных моделей, которая затем используется слоем сетевого вывода, который представляет конечный результат обработки модели ввода. Сети (Роналду, 2005).

3,6 ОБУЧЕНИЕ

Одной из важнейших особенностей искусственных нейронных сетей является его способность обучаться на примерах (Брага, Карвалью и ЛУДЕРМИР, 2000). Стадия обучения или обучения состоит в обновлении синаптических весов для получения знаний из данных (Роналду, 2005). Обучающие процедуры, позволяющие изучать РНК, могут быть сгруппированы в две основные парадигмы: контролируемое обучение и неконтролируемое обучение (БРАГА, Карвалью, ЛУДЕРМИР, 2000).

A) контролируемое обучение: контролируемое обучение предполагает изучение функции из примеров входов и продуктов. Это обязательно подразумевает наличие внешнего руководителя или преподавателя, отвечающего за стимулирование использования сетевых ресурсов с использованием входных моделей и наблюдение за выходом, рассчитанного таким же образом, сравнивая его с желаемым выходом (БРАГА, Карвалью, ЛУДЕРМИР, 2000).

б) неконтролируемое обучение: неконтролируемое обучение не требует целевого вектора для выходов и не делает сравнение для определения оптимального ответа. Не существует внешнего учителя или руководителя, который мог бы сопровождать учебный процесс. Для сети доступны только входные модели и наличие закономерностей в этих данных позволяет учиться (БРАГА, Карвалью, ЛУДЕРМИР, 2000).

3,7 АЛГОРИТМ ОБРАТНОГО РАСПРОСТРАНЕНИЯ

Обратное распространение является самым популярным алгоритмом тренировок под наблюдением. Использует входные пары (x, ярд) для корректировки весов сети с помощью механизма коррекции ошибок. Тренировка проходит в два этапа, нисходящий этап выключает выход определенного входного шаблона, а задний табурет обновляет гребни их соединений в зависимости от желаемого результата и представленной продукции. (Braga, Carvalho, LUDERMIR, 2000).

Следующий этап включает следующие этапы:

1. Ввод представлен в сеть и рассчитывается выход нейронов первого слоя С1.

2. Выходы С1 вставляются в следующий слой и вычисляется выход. Этот процесс повторяется до выходного слоя CK.

3. Выходы, производимые нейронами, сравниваются с желаемым выходами, и вычисляется соответствующая ошибка.

Задняя стадия включает следующие этапы:

1. Погрешность выходного слоя CK используется для непосредственного корректировки весов.

2. На предыдущий слой CK-1 распространяются ошибки нейронов выходного слоя.

3. Рассчитанные ошибки для CK-1 нейронов используются для регулировки их веса.

4. Процесс повторяется до тех пор, пока вес слоя С1 не будет скорректирован.

4. ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ В ОЦЕНКЕ НЕДВИЖИМОСТИ

В последнее время большинство специалистов, участвующих в оценке инженерных еще не известно об этом подходе. Тем не менее, некоторые исследователи подтвердили важность этой новой концепции, проведение исследований в этой области и поощрение фактически принимает искусственные нейронные сети. 8.2.1.4.3-научное лечение называется следующим: "независимо от модели, используемой для прогнозирования поведения рынка и стоимости обучения, они должны объяснить и проверить соответствующие предположения, принять корректирующие меры, такие как нейронные сети Искусственный, регрессии и конверт анализ пространственных данных могут быть применены к оценке инженерных, при условии, что они являются разумной перспективе. и содержащихся в (Гонсалес, 2008).

Искусственные нейронные сети представляют собой технологию, происхождение которой существует во многих дисциплинах, таких как неврология, математика, статистика, физика, информатика и инженерия. Применение РНК может использоваться в различных областях, таких как моделирование, анализ временных рядов, распознавание образов, обработка сигналов и контроль. Важной функцией этой технологии является контроль захвата данных (HAYKIN, 2001).

В различных определениях искусственных нейронных сетей все элементы считаются фундаментальными: нейронами, архитектурой и обучением. Нейроны являются основной компьютерной единицей сети. Архитектура является структурой связи между нейронами. Обучение представляет собой процесс корректировки сети для расчета конкретной функции или выполнения конкретной задачи (Фернандес, 2003).

Исследования в области искусственных нейронных сетей являются относительно новыми. В настоящее время нет технической книги, которая учит, чтобы полностью решить РНК и ее применение в оценке проекта. Тем не менее, несколько статей были опубликованы в конгрессах, посвященных этой технологии и направлены на техническую оценку. Применение результатов и выводов этих исследований поддерживает метод, такой как NBR 14653, Оценка недвижимости, часть 2, в знак признания научного метода (PELLI Нето, 2006).

В общем, Haykin (2001) определяет нейронную сеть как машину для имитации того, как мозг выполняет конкретную задачу или функцию интереса, через свою сеть электронных компонентов запустить или симулировать компьютерную программу. Брага, и Людермир Карвалью (2000), искусственная нейронная сеть представляет собой параллельную распределительную систему, состоящую из нейронов (обрабатывающих единиц), которая выполняет расчет математической функции нелинейной или линейной. Расположение нейронов дается в одном или нескольких слоях присоединения большим числом однонаправленных (регулярных) соединений с связанными весами, и знания, представленные в модели, хранятся в процессорное устройство, взвешивание Записи. Этот сетевой механизм похож на биологический нейронной структуры человеческого мозга.

Учебный процесс обеспечивается алгоритм обучения, который может изменить вес сети аккуратно для достижения целей проекта (Haykin, 2001).

Для Rezende (2003), искусственная нейронная сеть представляет собой учебный процесс, связанный с способностью сети корректировать свои параметры на основе взаимодействия с внешней средой. Этот процесс является интерактивным для повышения производительности сети до точки взаимодействия со средствами массовой информации. Производительность является критерием, определяющим качество модели, а точка тренировки предварительно определена параметрами обучения. Согласно Резенде (2003), обобщение связано с его способностью обеспечивать последовательные ответы на данные, не представленные на этапе подготовки. Ну, мы можем сказать, что процесс обучения и обобщения являются последовательными.

Брага, Карвалью и Людермир (2000) также подчеркивают важность этой способности к обучению и обобщению нейронных сетей, отражая положительное решение проблемы, улучшая производительность.

Что касается структуры нейронной сети, то мы тренированные искусственные нейронные структуры, в которых обработка и хранение данных параллельны и распределены простыми элементами процесса. Предоставление этих элементов отвечает за сбор базовой информации, такой как рынок недвижимости (входного слоя) и обработка информации. Это зависимые переменные-Цена (выходной слой) затем обобщены (PELLI Нето, 2006).

По словам Пелли нету (2006), количество входов и выходов зависит от количества входных и выходных данных, а количество нейронов промежуточного слоя зависит от сложности. Когда количество нейронов в среднем слое очень высока, неожиданные результаты, называемые инкрементные расходы возникают, когда искусственная нейронная сеть определяет больше нейронов, чем обучение требует (PELLI Нето, 2006).

Представленный в едином входном слое учебного режима искусственной нейронной сети, непосредственно отображается на набор выходных режимов сети, то есть, что ограничивает емкость сети (Фернандес, 2003).

5. МЕТОДЫ ПОИСКА

Используемый метод исследования состоял из систематического обзора литературы. Целью было критически проанализировать тему искусственной нейронной сети и ее связь с оценкой свойств с целью использования научных методов. Систематический обзор включает в себя метод исследования, используя литературу в качестве источника данных, применяя четкие и систематические методы исследования и сочетая критическую информацию по оценке и отбору (Сампайо и Манчини, 2007).

Систематические обзоры используют четкие методы и системы для ответа на четко обозначеный вопрос с целью выявления, критического отбора и оценки соответствующих исследований, а так же сбора и анализа данных исследований, содержащихся в оценке (Сампайо E МАНЧИНИ, 2007).

Процесс систематического обзора начинается с определения объекта исследования посредством исследования ключевых слов, таких как искусственные нейронные сети и оценка недвижимости, чтобы лучше понять цель приложения. Впоследствии, база данных была определена в соответствии с темой исследования, Google ученый был использован. В первоначальном поиске он использовался в качестве ключевых слов «искусственная нейронная сеть» и «оценка недвижимости», представив 286 результатов.

Образец был синтезирован с помощью выравнивания ключевых слов в фильтре, сравнения названий, согласования резюме и анализа образцов дальше от полного текста. Рассмотрены статьи по оценке недвижимости и оптимизации использования, с помощью литературы рецензирование статей, с учетом самых цитируемых и самых последних статей. Благодаря этой коллекции исследования РНК прогрессировали. Недавний рост в этой области можно увидеть через сравнение между 2010 и в последние три года, с 2016 до 2018, в котором было увеличение на 54% в первые три года.

Из базы данных были проанализированы ключевые слова, использованные в статье, и ее ссылки. Инструменты, используемые были воспросмотра, используя отображение и методы визуализации.

С помощью анализа визуализации сети можно было визуализировать консультации с участием РНК. Некоторые недавние исследования показывают, что прогностические модели оптимизации в основном были связаны с оценкой свойств.

6. Выводы

Понимание качественного и количественного анализа рынка недвижимости играет ключевую роль в развитии оценки недвижимости. Было возможно достигнуть общего анализа рынка с оценщиком, научным подходом для того чтобы направить его работу, отбор керна большинств уместные атрибуты с исследованием и минимизация ошибок оценки.

Бразильская литература, специализирующаяся на оценке недвижимости, с небольшим акцентом на рынке недвижимости, не производит книги или учебные материалы для исследования, подробно строительство исследований и методов отбора проб, и определение переменных Как алгоритм пакетной обработки данных.

Поэтому, согласно систематическому обзору литературы, это были данные из сегментов для генерации нескольких суб и достижения удовлетворительных результатов. Тем не менее, работа, как правило, делается на основе знаний и структуры рынка недвижимости.

7. БИБЛИОГРАФИЧЕСКИЕ ССЫЛКИ

БРАЗИЛЬСКАЯ АССОЦИАЦИЯ ТЕХНИЧЕСКИХ СТАНДАРТОВ (ABNT). NBR 14653-1-Общая процедура. Рио-де-Жанейро: 2004.

БРАЗИЛЬСКАЯ АССОЦИАЦИЯ ТЕХНИЧЕСКИХ СТАНДАРТОВ (ABNT). NBR 14653-2-городские постройки. Рио-де-Жанейро: 2004.

AZEVEDO, Lucas Pereira de. (2016). ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В ПРОЦЕССЕ ОРХИДЕЙ РОДА КАТТЛЕИ. Доступно в: <https: www.ifmg.edu.br/sabara/biblioteca/trabalhos-de-conclusao-de-curso/tcc-documentos/tcclucasazevedo.pdf="">.</https:> Доступ: 5 апреля, 2019.

БРАГА, а. P. Карвалью, а. ф. л. ф., ЛЮДЕРМИР, т. б. искусственные нейронные сети: теория и приложения. Рио-де-Жанейро: РЖ-технические и научные книги, 2000.

ДАНТАС, р. а. Оценка Инжиниринг: введение в научную методологию. Сан-Паулу: Пини, 1998.

Фернандес, а. м. р. искусственный интеллект: общие понятия. Флорианополис: визуальные книги, 2003.

Гонсалес, м. а. с. обнаруживает знание недвижимости оценки приложений баз данных и искусственного интеллекта. Диссертация (PhD в области гражданского строительства)-аспирантура программы в области гражданского строительства, UFRGS, Порту-Алегри, 2002.

Гонсалес, м. а. с. Недвижимость и профессиональная оценка метода. Сан-Леопольдо, 2008: <http: www.exatec.unisinos.br/~gonzález/aimp/aimp-avaliacoes.ppt="">.</http:> Он посетил 5 февраля 2019 года.

HAYKIN, S. нейронная сеть: принципы и практика. 2. Эд. Порту-Алегри: Bookman, 2001.

ГИПЛИТО, E.C. методы и стандарты, используемые в оценке недвижимости в разных странах. Монография-факультет архитектурного проектирования, УФМГ, Белу Хоризо NTE, 2007.

PELLI Нето, A. искусственные нейронные сети, применяемые к общественному мнению-тематические исследования в Белу-Оризонти. Диссертация (магистр электротехники)-окончил в электротехнике из УФМГ, Белу Хоризо NTE, 2006.

REZENDE, S. O. Интеллектуальные системы: основные концепции и приложения. Barueri: Manole, 2003.

РОНАЛДО, E. интеллектуального анализа данных: Практическое руководство. 1. ed. Рио-де-Жанейро: Кампус, Эльсевиер, 2005. ISBN 85-352-1877-7.

Рассел, P. N. S. искусственный интеллект: перевод второго издания. 2. ed. Рио-де-Жанейро: Кампус Эдтора, 2004. ISBN 85-352-1177-2.

Сампайо, р. ф. Манчини M. C. систематическое исследование оценки: направляет всеобъемлющий интеллект научных доказательств. Бразильский журнал физиотерапии, v. 11, n. 1, с 8 по 8 августа 2007.

[1] Бакалавр делового администрирования.

Представлено: Апрель, 2019

Утверждено: Апрель 2019

DEIXE UMA RESPOSTA

Please enter your comment!
Please enter your name here