農(nóng)村住宅建筑節(jié)能論文

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了農(nóng)村住宅建筑節(jié)能論文范文，希望能給你帶來靈感和參考，敬請(qǐng)閱讀。

1評(píng)價(jià)指標(biāo)體系的建立

根據(jù)對(duì)江蘇地區(qū)農(nóng)村住宅建筑節(jié)能的分析，并通過統(tǒng)計(jì)大量文獻(xiàn)中對(duì)農(nóng)村住宅建筑節(jié)能指標(biāo)的描述，可將江蘇地區(qū)農(nóng)村住宅建筑節(jié)能評(píng)價(jià)指標(biāo)歸納為建筑外形設(shè)計(jì)、圍護(hù)結(jié)構(gòu)、設(shè)備節(jié)能、新能源的利用這四個(gè)主要方面進(jìn)行評(píng)價(jià)。對(duì)這四個(gè)指標(biāo)做進(jìn)一步分解，可以得出19個(gè)子指標(biāo)，

2江蘇地區(qū)農(nóng)村住宅建筑節(jié)能的綜合評(píng)價(jià)方法

2.1信息熵方法對(duì)建筑節(jié)能評(píng)價(jià)指標(biāo)的篩選

為了從已經(jīng)構(gòu)建的初始評(píng)價(jià)指標(biāo)中提取主要評(píng)價(jià)指標(biāo)，可以采用信息熵法剔除其中對(duì)評(píng)價(jià)影響不大的指標(biāo)。具體操作步驟及方法如下：第一步：將初始的指標(biāo)矩陣進(jìn)行標(biāo)準(zhǔn)化處理。假定所選的評(píng)估對(duì)象有N個(gè)，初始的指標(biāo)有M個(gè)，則可以構(gòu)建N×M階的矩陣，定義為矩陣A。按照式（1）進(jìn)行標(biāo)準(zhǔn)化后的矩陣為A′。a′ij=（1）第二步：熵值的求取。令pj表示熵值，則，Πij=pj=-ΠijlnΠij（2）第三步：熵權(quán)的確定。Wj表示求出的熵權(quán)的大小，則，Wj=（3）第四步：確定某個(gè)評(píng)價(jià)指標(biāo)的具體權(quán)重。權(quán)重值用Qj表示，則，Qj=（4）第五步：將第三步求出的熵權(quán)與第四步求出的具體權(quán)重進(jìn)行結(jié)合，剔除冗余指標(biāo)，確保評(píng)價(jià)的穩(wěn)定性。

2.2BP神經(jīng)網(wǎng)絡(luò)方法對(duì)農(nóng)村住宅建筑節(jié)能的綜合評(píng)價(jià)

BP神經(jīng)網(wǎng)絡(luò)可以用于逼近任意的一個(gè)非線性的函數(shù)，同時(shí)具有超強(qiáng)的自適應(yīng)以及存儲(chǔ)能力。采用BP神經(jīng)進(jìn)行評(píng)價(jià)時(shí)，其運(yùn)行的主要思想就是將搜集到數(shù)據(jù)輸入到該系統(tǒng)中，然后系統(tǒng)進(jìn)行自我訓(xùn)練，擬合各指標(biāo)間的最優(yōu)關(guān)系，并自動(dòng)記憶、存儲(chǔ)所選指標(biāo)對(duì)綜合評(píng)價(jià)對(duì)象的影響權(quán)值，繼而對(duì)類似對(duì)象做出客觀的評(píng)價(jià)。在進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前需要構(gòu)建BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，主要需要以下參數(shù)。

（1）BP神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)與層數(shù)的確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定需先確定輸入、輸出層節(jié)點(diǎn)數(shù)、隱含層的層數(shù)以及隱含層節(jié)點(diǎn)。輸入層節(jié)點(diǎn)數(shù)為指標(biāo)個(gè)數(shù)，輸出層節(jié)點(diǎn)數(shù)為建筑節(jié)能綜合評(píng)價(jià)指標(biāo)。在規(guī)模不大的情況下，常采用一個(gè)隱含層。隱含層節(jié)點(diǎn)數(shù)可根據(jù)式（5）確定。Ny=（5）其中，Ny表示隱含層節(jié)點(diǎn)數(shù)；Ni表示輸入層節(jié)點(diǎn)數(shù)；No表示輸出層節(jié)點(diǎn)數(shù)；NP表示訓(xùn)練樣本個(gè)數(shù)。

（2）BP神經(jīng)網(wǎng)絡(luò)相關(guān)參數(shù)的確定確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)后，需要確定網(wǎng)絡(luò)函數(shù)的選取、初始權(quán)重的確定、期望誤差、學(xué)習(xí)速率、訓(xùn)練次數(shù)等相關(guān)參數(shù)。

3江蘇農(nóng)村住宅建筑節(jié)能的綜合評(píng)價(jià)

首先對(duì)初始建立的評(píng)價(jià)指標(biāo)進(jìn)行篩選，剔除其中可能對(duì)評(píng)價(jià)結(jié)果有干擾的影響因素。聘請(qǐng)10位專家對(duì)初始的評(píng)價(jià)指標(biāo)進(jìn)行打分，然后依據(jù)信息熵方法進(jìn)行處理，最終得出的綜合評(píng)價(jià)指標(biāo)包括b11、b12、b13、b14、b21、b22、b23、b24、b25、b31、b32、b33、b41、b45、b46這15個(gè)評(píng)價(jià)指標(biāo)。采用三層BP神經(jīng)網(wǎng)絡(luò)模型，即輸入層、隱含層、輸出層各一層，輸入節(jié)點(diǎn)數(shù)為選定的評(píng)價(jià)指標(biāo)數(shù)15，根據(jù)式（5）確定隱含層的節(jié)點(diǎn)數(shù)為7，輸出節(jié)點(diǎn)數(shù)為1。函數(shù)采用Sigmoid函數(shù)，初始權(quán)值為[0，1]區(qū)間的較小的數(shù)，誤差期望為0.01，學(xué)習(xí)速率為0.001，訓(xùn)練次數(shù)為10000次。筆者選取了江蘇省某地區(qū)的6個(gè)農(nóng)村住宅建筑作為評(píng)價(jià)對(duì)象，以其中的5個(gè)作為訓(xùn)練樣本。數(shù)據(jù)主要是通過調(diào)查得到并做歸一化處理，聘請(qǐng)相關(guān)專家對(duì)這幾個(gè)樣本進(jìn)行綜合評(píng)分，用t表示。經(jīng)過訓(xùn)練，將第六個(gè)樣本作為評(píng)價(jià)對(duì)象，采用該模型進(jìn)行綜合評(píng)價(jià)，各指標(biāo)的初始值見表3。采用經(jīng)訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行綜合評(píng)價(jià)，得出的最終評(píng)價(jià)結(jié)果為0.932，這與通過專家打分法得出的評(píng)價(jià)值0.927相比，誤差為0.005，相對(duì)誤差為0.5%。這充分說明采用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行綜合評(píng)價(jià)是可行的，且其評(píng)價(jià)的精度比較高。

4結(jié)語

影響農(nóng)村住宅建筑節(jié)能的評(píng)價(jià)指標(biāo)有很多，評(píng)價(jià)指標(biāo)又是準(zhǔn)確評(píng)價(jià)的基礎(chǔ)，因此本文采用信息熵方法排除冗余因素的影響。在評(píng)價(jià)指標(biāo)確定的基礎(chǔ)上，結(jié)合BP神經(jīng)網(wǎng)絡(luò)精度高的優(yōu)點(diǎn)對(duì)農(nóng)村住宅建筑節(jié)能進(jìn)行綜合評(píng)價(jià)。通過實(shí)例分析可以發(fā)現(xiàn)：將這兩種方法結(jié)合起來對(duì)農(nóng)村住宅建筑節(jié)能進(jìn)行綜合評(píng)價(jià)，不僅具有較強(qiáng)的實(shí)用性，而且簡化了模型，提高了運(yùn)算速度及評(píng)價(jià)的精度。

作者：包相相 楊和禮 徐潔 單位：武漢大學(xué)土木建筑工程學(xué)院