农村住宅建筑节能论文
作者:佚名; 更新时间:2019-07-09

  1评价指标体系的建立

  根据对江苏地区农村住宅建筑节能的分析,并通过统计大量文献中对农村住宅建筑节能指标的描述,可将江苏地区农村住宅建筑节能评价指标归纳为建筑外形设计、围护结构、设备节能、新能源的利用这四个主要方面进行评价。对这四个指标做进一步分解,可以得出19个子指标,

  2江苏地区农村住宅建筑节能的综合评价方法

  2.1信息熵方法对建筑节能评价指标的筛选

  为了从已经构建的初始评价指标中提取主要评价指标,可以采用信息熵法剔除其中对评价影响不大的指标。具体操作步骤及方法如下:第一步:将初始的指标矩阵进行标准化处理。假定所选的评估对象有N个,初始的指标有M个,则可以构建N×M阶的矩阵,定义为矩阵A。按照式(1)进行标准化后的矩阵为A′。a′ij=(1)第二步:熵值的求取。令pj表示熵值,则,ij=pj=-ijlnij(2)第三步:熵权的确定。Wj表示求出的熵权的大小,则,Wj=(3)第四步:确定某个评价指标的具体权重。权重值用Qj表示,则,Qj=(4)第五步:将第三步求出的熵权与第四步求出的具体权重进行结合,剔除冗余指标,确保评价的稳定性。

  2.2BP神经网络方法对农村住宅建筑节能的综合评价

  BP神经网络可以用于逼近任意的一个非线性的函数,同时具有超强的自适应以及存储能力。采用BP神经进行评价时,其运行的主要思想就是将搜集到数据输入到该系统中,然后系统进行自我训练,拟合各指标间的最优关系,并自动记忆、存储所选指标对综合评价对象的影响权值,继而对类似对象做出客观的评价。在进行BP神经网络训练之前需要构建BP神经网络结构,主要需要以下参数。

  (1)BP神经网络的节点数与层数的确定BP神经网络结构的确定需先确定输入、输出层节点数、隐含层的层数以及隐含层节点。输入层节点数为指标个数,输出层节点数为建筑节能综合评价指标。在规模不大的情况下,常采用一个隐含层。隐含层节点数可根据式(5)确定。Ny=(5)其中,Ny表示隐含层节点数;Ni表示输入层节点数;No表示输出层节点数;NP表示训练样本个数。

  (2)BP神经网络相关参数的确定确定BP神经网络结构后,需要确定网络函数的选取、初始权重的确定、期望误差、学习速率、训练次数等相关参数。

  3江苏农村住宅建筑节能的综合评价

  首先对初始建立的评价指标进行筛选,剔除其中可能对评价结果有干扰的影响因素。聘请10位专家对初始的评价指标进行打分,然后依据信息熵方法进行处理,最终得出的综合评价指标包括b11、b12、b13、b14、b21、b22、b23、b24、b25、b31、b32、b33、b41、b45、b46这15个评价指标。采用三层BP神经网络模型,即输入层、隐含层、输出层各一层,输入节点数为选定的评价指标数15,根据式(5)确定隐含层的节点数为7,输出节点数为1。函数采用Sigmoid函数,初始权值为[0,1]区间的较小的数,误差期望为0.01,学习速率为0.001,训练次数为10000次。笔者选取了江苏省某地区的6个农村住宅建筑作为评价对象,以其中的5个作为训练样本。数据主要是通过调查得到并做归一化处理,聘请相关专家对这几个样本进行综合评分,用t表示。经过训练,将第六个样本作为评价对象,采用该模型进行综合评价,各指标的初始值见表3。采用经训练后的BP神经网络模型进行综合评价,得出的最终评价结果为0.932,这与通过专家打分法得出的评价值0.927相比,误差为0.005,相对误差为0.5%。这充分说明采用BP神经网络模型进行综合评价是可行的,且其评价的精度比较高。

  4结语

  影响农村住宅建筑节能的评价指标有很多,评价指标又是准确评价的基础,因此本文采用信息熵方法排除冗余因素的影响。在评价指标确定的基础上,结合BP神经网络精度高的优点对农村住宅建筑节能进行综合评价。通过实例分析可以发现:将这两种方法结合起来对农村住宅建筑节能进行综合评价,不仅具有较强的实用性,而且简化了模型,提高了运算速度及评价的精度。

    核心期刊快速发表
    Copyright@2000-2030 论文期刊网 Corporation All Rights Reserved.
    《中华人民共和国信息产业部》备案号:ICP备07016076号;《公安部》备案号:33010402003207
    本网站专业、正规提供职称论文发表和写作指导服务,并收录了海量免费论文和数百个经国家新闻出版总署审批过的具有国内统一CN刊号与国际标准ISSN刊号的合作期刊,供诸位正确选择和阅读参考,免费论文版权归原作者所有,谨防侵权。联系邮箱:256081@163.com