低碳建筑评价体系构建与实证分析(3)

　　3.2.1 BP神经网络的建立  根据AHP对评价指标的分析，现提取出对低碳性能影响较大的前8个评价指标，即建筑布局C4、绿化系统C6、能源系统C7、施工材料C9、施工技术C10、维护修理C12、节能设备C13、回收材料C15（该8项指标的权重和为0.9662）。[4]

　　构建如下的三层BP神经网络对实际建筑的低碳性能进行测试：输入层节点8个，由上述各项评价指标组成;隐含层节点10个，隐含层的激活函数为logsig（S型的对数函数）;输出层节点1个，是对BP神经网络评价结果的输出，输出层的激活函数为tansig（双曲正切S型传递函数），且采用训练函数traingd、学习函数learngd。

　　3.2.2 BP神经网络的训练  首先设定BP神经网络中的基本参数：学习速率为0.05，误差限制在10-5。其次笔者将采用表1中实际建筑I-VI作为训练样本，实际建筑VII、VIII作为测试样本。网络的训练结果如图2。

　　通过训练1946次后，总体误差满足要求，此时EAV= 8.1583e-006。

　　3.3 BP神经网络法对实际建筑的评价结果  利用上述训练好的BP神经网络进行仿真检验，检验结果即为评价结果，并与传统层次分析法的评价结果进行比较（见表4）。

　　从表4可以看出，采用AHP与BP神经网络相结合建立的模型评价结果较精确，最大相对误差不超过1%，较传统层次分析法构建的模型优越。

　　由此，一个基于AHP与BP神经网络的低碳建筑评价体系已成功建立，可以对建筑物的低碳性能进行有效评价，从而为决策者提供决策依据。值得注意的是，若能得到更多的样本数据对网络进行训练，可使网络的评价结果更加精确。

　　4  总结

　　系统评价与决策是一个复杂的过程，基于AHP与BP神经网络相结合的方法很好的克服了传统层次分析法的不足与缺陷，主要体现有：①BP网络具有自学习特性，在训练过程中可根据误差不断调整层次之间的权重，一方面省去判断矩阵一致性检验，避免逻辑错误，另一方面减少人为因素的过多干预。②BP神经网络在一定程度上是参照层次分析法的结构建立的，但其隐含层的确立脱离实际评价结构。在BP神经网络评价系统中，一方面无需考虑层次间的线性或非线性关系;另一方面无需因评价体系层次结构的改变而改变神经网络结构，其应用更为快捷方便。

　　参考文献：

　　[1]薛进军.低碳经济学[M].北京：社会科学文献出版社，2011：3-18.

　　[2]葛哲学，孙志强.神经网络理论与MATLAB R2007实现[M].北京：电子工业出版社，2007：1-100.

　　[3]张良均，曹晶，蒋世忠.神经网络实用教程[M].北京：机械工业出版社，2008：1-28.

　　[4]李晓峰.基于AHP的人工神经网络模型的建立[J].四川大学学报，2003，35（1）：101-103.

　　[5]支家强，赵靖，李楠.基于人工神经网络的绿色建筑评价[J]. 城市环境与城市生态，2010，23（4）：44-47.

　　[6]黄冬民，端木京顺.基于BP算法的层次分析法研究[J].贵州工业大学学报，2004，33（1））：67-71.