低碳建筑评价体系构建与实证分析(2)

　　①建立多层分析结构模型：目标层A→准则层B→指标层C（如图1所示）。

　　②构造成对比较矩阵。设某层有n个因素，即{X1，X2，X3，…，Xn}

　　将该层中两两因素成对比较，比较时取1-9尺度，则构造的成对比较矩阵形式如下：

　　注：一共构成6个判断矩阵，分别为准则层对目标层的判断矩阵（1个），指标层对准则层的判断矩阵（5个）。

　　③层次单排序及一致性检验。确定本层各因素对于上一层某因素重要性的排序，成为层次单排序。

　　求出上述判断矩阵的最大特征值？姿max及相应的归一化特征向量，即权重向量Wi。

　　为力保所求权值向量Wi的有效性，必须对判断矩阵进行一致性检验，引入一致性检验指标CI、CR，其中：

　　若CR < 0.1，则判断矩阵通过检验;否则重新构造新的成对比较矩阵。

　　经计算，层次单排序及一致性检验的结果，如表2所示。

　　④层次总排序及一致性检验。

　　确定本层各因素对于总目标重要性的排序，成为层次总排序。

　　则指标层C对目标层A的权重W=W0·W1·W2·W3·W4·W5，如表3所示。

　　2.2 层次分析法对实际建筑的评价结果

　　依据表1中专家给出的各指标分数，利用层次分析法确定的权重值，加权得到实际建筑的最终得分。则实际建筑物（I—VIII）的最终得分分别为：2.8068分、1.9214分、3.2136分、2.0547分、2.2787分、3.1699分、3.8517分、2.8116分。

　　3 BP神经网络法对低碳建筑的评价

　　3.1 BP神经网络结构及学习原理

　　BP算法的基本思路是：输入学习样本，使用反向传播算法对网络的权值进行反复的调整训练，使实际输出与期望输出尽可能接近。假定输入向量X={ X1，X2，X3，…，Xn };期望输出向量d={ d1，d2，d3，…，dq };输出层输出向量Y={ Y1，Y2，Y3，…，Yq };输入层与隐含层、隐含层与输出层的连接权值分别为Wih、Who 。BP神经网络算法的主要步骤如下[2-3]：

　　3.2 BP神经网络的训练

　　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]

　　论文榜（www.zglwb.com），是一个专门从事期刊推广、投稿辅导的网站。
本站提供如何投稿辅导，寻求投稿辅导代理，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。


期刊鉴别	论文检测	免费论文	特惠期刊	学术答疑	发表流程

搜索

低碳建筑评价体系构建与实证分析(2)