[发明专利]一种基于BP神经网络的城市宜居性评价方法

说明书

本发明提供一种基于BP神经网络的城市宜居性评价方法，包括：建立基于因子分析法的BP神经网络评价模型；对因子分析模型的建立与求解；对建立的BP神经网络评价模型进行改进，获取改进的BP神经网络模型；根据所述改进的BP神经网络模型的结果对多参数灵敏度进行分析；构建城市宜居性的动态综合评价模型，对城市宜居性进行评价。本发明不仅对城市进行了排名，而且分析了排名所选取参数的灵敏度以及预测了未来因素变化对城市带来的影响，这对城市未来发展具有更好的指导作用，而传统算法与智能算法的结合应用使文章的评价与预测系统兼具稳定性和准确性。

技术领域

本发明涉及评价方法的技术领域，具体而言，尤其涉及一种基于BP神经网络的城市宜居性评价方法。

背景技术

目前已存在的发明在这方面的研究仅停留在对城市进行排名，这对未来城市的发展指导作用较少，同时目前发明使用的算法多集中于传统算法，在某些表现方面不及目前最新的智能算法。在本发明中，不仅对城市进行了排名，而且分析了排名所选取参数的灵敏度以及预测了未来因素变化对城市带来的影响，这对城市未来发展具有更好的指导作用，而传统算法与智能算法的结合应用使本专利的评价与预测系统兼具稳定性和准确性。

发明内容

根据上述提出的技术问题，而提供一种基于BP神经网络的城市宜居性评价方法。本发明主要利用一种基于BP神经网络的城市宜居性评价方法，其特征在于，包括以下步骤：

步骤S1：建立基于因子分析法的BP神经网络评价模型；

步骤S2：对因子分析模型的建立与求解；

步骤S3：对步骤S1建立的BP神经网络评价模型进行改进，获取改进的BP神经网络模型；

步骤S4：根据所述改进的BP神经网络模型的结果对多参数灵敏度进行分析；

步骤S5：构建城市宜居性的动态综合评价模型，对城市宜居性进行评价；

所述步骤S3还包括以下步骤：

步骤S31：确定评价指标、评价目标向量并选定样本城市；

步骤S32：将所述确定评价指标及所述评价目标向量进行初始化权值；

步骤S33：归一化处理所述评价指标并输入训练样本；所述归一化通过K-means算法对城市进行聚类，并将相似度大的城市归为一类；构造比值μ描述此次聚类效果为：

其中，μ_i1表示使用各个聚类点来判断聚类效果的比值，y_i1min和y_i1max分别表示在聚类后某个类中的聚类点与其他类的点之间距离的最小值和最大值，μ_i2表示用各个聚类中心判断聚类效果的比值，y_i-1max和y_i-1min分别表示聚类后某个聚类中心与其他聚类中心之间的距离的最大值和最小值，K表示聚类的个数；

当μ越大时，此次聚类的效果越好；若结果过小，则证明此次分类不合理，重新进行分类；

步骤S34：计算各层输出和输入样本；

步骤S35：计算局部梯度并修正权值；

步骤S36：判断是否满足误差条件，如果满足则执行步骤S37；若不满足则执行步骤S33；

步骤S37：输入所述选定样本城市的数据，得出评价结果。

进一步地，输入层到下一层的权值矩阵为：

所述下一层到输出层权值矩阵：