深度神经网络综述范文第1篇

关键词：基坑边形；预测；主成分分析；遗传算法；神经网络

Abstract: Predicition of pit deformation is important for construction environment, a new method based on principal component analysis, genetic algorithm and radical basis function model was employed to solve this matter with 33 sample, case show it was reliable and precise.

Keywords: pit deformation; prediction; genetic algorithm; artificial neural network

中图分类号：TU74

引言:随着我国国民经济发展，城市规模不断扩大，受用地空间限制，高层建筑越来越多，建筑基坑工程也越来越多，基坑施工对周边环境具有较大影响，其安全性也越发显得重要[1][2]。基坑变形是基坑是否稳定最直观、最准确也的监测指标。基坑变形受多种因素影响，由于岩土体物理力学性质较为复杂，并且基坑附近应力场在在施工过程不断发生改变，因此基坑变形规律复杂，其预测是工程中的一个重点和难点[3]。

主成分分析[4]（Principal Component Analysis，PCA）通过变量线性变换确定起主要作用的重要变量，使复杂问题大大简化。径向基神经网络（Radical Basis Function）具有较强的逼近能力，并且收敛速度较快，采用遗传算法（Genetic Algorithm）对其进行优化可以实现全局寻优。基于上述思想，本文首先采用主成分分析确定基坑变形主要影响因素，而后采用遗传算法优化的径向基神经网络构建基坑变形预测模型，最后通过一个工程实例验证了该模型的实用性。

一、主成分分析

某一实际问题可能有众多影响因素，在对其进行系统分析时若考虑所有因素的影响会使问题极为复杂，针对这一问题，引入主成分分析方法，主成分分析方法通过对大量数据的总结对影响因素进行概括和综合，将所有影响因素转化为几个主要影响因素或者确定几个主要影响因素而忽略其他作用较小的因素。

二、遗传算法-支持向量机模型

1.径向基神经网络

基坑变形是一个复杂的非线性问题，线性数学无法对其进行解释，径向基神经网络[5]可以描述复杂的非线性规律，该网络由输入层、隐含层、线性单元层和输出层构成（见图1），通过对训练样本数据的误差分析建立输入变量与输出变量之间的映射关系，其预测结果具有较高的精度，该模型目前已在广泛应用于电力、医学、农业、采矿等领域。

图1 径向基神经网络结构图

2.遗传算法优化径向基神经网络原理

神经网络构建难点在于网络参数设置，其预测精度与参数设置有很大关系，参数设置合理时模型能够反映恰当的实际情况，参数设置不合理时模型会陷入局部最优解，预测结果与实际偏差较大。径向基神经网络最大的优点在于该网络只有一个设计参数ε，因此其参数选择比其他神经网络较为容易。遗传算法[6]通过模拟生物进化过程中的自然选择和个体竞争实现寻优，具有较强的搜索能力，可以实现全局寻优，采用遗传算法优化径向基神经网络可以实现构建最优预测模型，以学习样本数据输出值值与实际值之差的均方和为评价指标对BP模型参数进行评价，其优化过程如下：（1）确定ε可能存在区间；（2）设置评价函数；（3）对ε采取二进制编码，设置初始种群；（4）对染色体进行解码并计算适应度；（5）根据评价准则迭代计算，直至满足终止条件。

三、预测模型构建与验证

基坑变形包括基坑影响范围内土体沉降、基坑底部土体隆起以及基坑支护结构变形等等，考虑土体沉降对周围环境影响最重要，因此选取该位移作为基坑变形主控指标。

1.基坑变形主成分分析

基坑变形影响因素众多，主要包括场地工程地质条件、地下水深度、基坑深度、几何形状、支护结构形式、基坑开挖方式等等。采用数学建模对基坑变形预测需要对影响因素进行量化，但如果将上述因素全部量化用于构建基坑变形预测模型会使问题极为复杂，因此有必要采用主成分分析对该问题进行简化。

选取某地深度为6.2至7.7m的33组以土钉墙支护的基坑监测数据做主成分分析，确定该类型基坑变形关键影响因素为以下四项：土体加权平均重度、土体加权平均压缩模量、基坑深度、施工时间，上述四项指标可以综合反映基坑开挖过程中土体的受力特征和变形特征，最终选用上述四项指标作为径向基神经网络的输入向量。

2.预测模型构建

以上述33组基坑监测数据为样本，输入向量为土体加权平均重度、土体加权平均压缩模量、基坑深度、施工时间，输出结果为基坑影响范围内土体沉降，采用Visual Basic编程建立遗传算法优化的径向基神经网络构建预测模型。

3.工程实例

为检验上述预测模型的精度，采用该模型对当地一基坑变形进行预测，该基坑深6.9m，采用土钉墙支护，该基坑实测沉降曲线与预测曲线见图2。

图2 沉降曲线

由图2可见，采用遗传算法优化的径向基神经网络模型具有较高的预测精度，土体预测沉降量与实际观测沉降量较为接近，该模型可以在基坑开挖前对施工影响进行预估。

三、结束语

通过主成分分析，选取土体加权平均重度、土体加权平均压缩模量、基坑深度、施工时间四项指标作为输入向量构建遗传算法优化的径向基神经网络变形预测模型，工程实例证明上述模型具有较高的预测精度，能够满足工程需要，具有广泛的应用前景。

参考文献：

[1]曾宪明，林润德，易平编著.基坑与边坡事故警示录.北京:中国建筑工业出版社，1999.

[2]龚晓南.岩土工程发展中应重视的几个问题.岩土工程学报(增刊)，2006，11(I)

[3]陈灿寿,张尚根,余有山.深基坑支护结构的变形计算.岩石力学与工程学报，2004，23(12)

[4]魏旭. 基于主成分分析的特征融合及其应用[D].成都：电子科技大学，2008.

深度神经网络综述范文第2篇

摘要：

为更全面准确地评价产品造型设计，在近几年国内外产品评价系统研究的基础上，综合运用主成分分析法、聚类分析法、BP神经网络技术，对产品设计造型要素的感性意象进行定量化研究，建立和完善了产品设计评价的神经网络模型．并以园林工具割草机产品设计为例训练模型，验证了模型的可行性和有效性．

关键词：

产品设计评价；主成分分析；聚类分析；BP神经网络；感性工学

产品造型设计和评价是产品设计开发过程中的重要组成部分．近年来，国内外学者结合感性工学对产品造型设计和产品造型评价进行了大量的研究．产品造型设计是一项复杂的系统运行过程，除受客观条件如经济、技术、构造等要素的影响外，同时，社会审美、目标消费群的偏好、设计师经验、背景等因素也相互影响［1］．人工神经网络是伴随着生物学、数学、计算机等学科的发展而产生的一门新兴的综合交叉性学科．其中，最常见的是BP神经网络，它具备任意精度的函数逼近能力，具有自组织、自适应、自学习、高度非线性映射性、泛化性、容错性的优点［2］．BP神经网络因其很强的学习能力、抗故障性、并行性的优点，特别适合于解决上述非线性很高的复杂系统．割草机产品应用具有较强的地域性和个性化的消费者群细分，造型设计目前未形成系统的理论和方法．将BP神经网络法和遗传算法等应用于产品造型设计的评价系统中尚属于摸索阶段．文献［3］提出了BP神经网络技术与产品评价系统结合的可行性．文献［4］通过将遗传算法与神经网络相结合，进一步优化了产品设计评价模型的精度．产品造型设计与评价是个复杂的过程，需要多层次的系统分析．为此，本文将综合运用主成分分析法、聚类分析法与BP神经网络技术，定量地研究感性意象与产品造型设计之间的关系．以园林工具割草机产品为例，把产品造型要素的集合分组为由类似对象组成的多个类，分析影响割草机产品感性意象的主要造型特征，基于MatlabR2014a平台，建立BP神经网络模型，检测产品造型与目标消费者群体偏好之间的对应关系，以验证和提高产品设计评价模型的可行性和准确度．

1研究流程

本文以割草机产品为例，综合应用主成分分析、聚类分析方法和BP神经网络技术，对感性意象进行定量化研究，建立和完善产品造型特征与感性意象关系评价的神经网络模型．研究流程如图1所示．具体流程如下：

（1）通过网络调研并筛选得到描述割草机外形的形容词．

（2）通过网络搜集各国割草机图片样本，对图片进行去色、去标志处理，排除颜色和品牌对试验样本的影响．

（3）把7点量表建立在已经选择出来的感性意象形容词上，让每个测试者针对这些选定的形容词对每个试验样本打分．将试验所得数据运用主成分分析，并结合专家意见，确定最终描述词汇．

（4）将样本进行聚类分析，并通过专家对同类内样本共同特征的提取，明确影响割草机外形意象的造型特征，并分析各造型特征组合与感性意象的关系．

（5）建立BP神经网络模型，以试验数据训练神经网络模型．

（6）神经网络准确率检测，总结分析．

2割草机外观特征与感性意象认知关系量化试验

2．1试验准备

通过调研，共搜集整理近5年销售生产的割草机产品图片150张，分别来自不同国家和地区．对图片进行去色、去标志处理，以排除颜色、品牌及其他因素对试验样本的影响．利用KJ法［5］筛选得到20个图片样本，部分样本图片如图2所示．经过表1的分析可以得到形容词的意象空间，专家设计师结合这一意象空间进行总结和分析，得到其3个维度上的感性意象描述形容词，分别为“科技－落后”“朴素－华丽”“易用－复杂”．

2．3关键造型特征提取和聚类分析

将意象空间的样本进行聚类分析，把产品造型要素的集合分组为由类似的对象组成的多个类，分析影响割草机产品感性意象的主要造型特征．通过专家设计师评价和问卷调查统计，抽取同类样本内的共同特征，得到最主要的影响割草机感性意象的造型特征．聚类分析的结果如表2所示．

3BP神经网络模型建立、训练、预测

3．1BP神经网络模型建立

选用MatlabR2014a为平台进行BP神经网络结构的建立与模拟，其模型如图3所示．通过历史数据的训练，用以检测产品造型与其感性意向的对应关系，建立产品造型设计评价体系．经过数次预先进行的试验，确定神经网络结构为3层，输入层（包含2个节点）、隐含层（包含4个节点）、输出层（包含1个节点）．输入层是2个设计元素的编号组合，输出层是关于“科技的－落后的”这个语汇对的感性意象评价值．

3．2BP神经网络模型训练设置

BP神经网络的学习次数为5000次，采用梯度下降法，目标误差值为0．001，训练结果采用均方误差衡量，将表4中样本1＃～15＃的数据导入建立的网络，训练BP神经网络，在1753次训练时结果收敛，停止训练，其训练的结果如图4所示．由图4可得，其实际训练的误差值为0．00908．

3．3BP神经网络模型测试选用

表4中样本16＃～20＃测试神经网络预测能力，即将5个样本造型特征组合导入网络的输入层，将调查得到的数据与神经网络预测的感性评价值进行对比，结果如表5所示．由表5可见，实际感性评价值与预测感性评价值相对误差较小，说明网络精度达到要求，验证了割草机产品评价模型的可行性和有效性．

4结语

本文将主成分分析法、聚类分析法与BP神经网络模型相结合，对割草机产品造型设计与感性意象之间的关系进行分析，为产品造型设计符合目标消费群体需求提供客观评价帮助．但是本文只针对割草机的主要产品造型要素进行了试验，随着研究方法及科技的不断进步，结合色彩、材质、纹理甚至人机工程学等综合因素的研究将成为下一步的研究重点．基于神经网络的意象认知模型，还存在一定局限性，随着科技的发展，结合认知心理学、脑科学、人工智能等技术和方法将使相关研究得到更深入的发展．

参考文献：

［1］王爱华，孙峻．BP神经网络在工程项目管理中的应用［J］．建筑管理现代化，2009（4）：306－309．

［2］周美玉，李倩．神经网络在产品感性设计中的应用［J］．东华大学学报（自然科学版），2011，37（4）：509－513．

［3］赵万芹．基于BP神经网络的产品造型设计评价［J］．计算机工程与设计，2009，30（24）：5715－5717．

［4］林琳，张志华，张睿欣．基于遗传算法优化神经网络的产品造型设计评价［J］．计算机工程与设计，2015，36（3）：789－813．

［5］川喜田二郎．KJ法［M］．京都：中央公論新社，1986．

深度神经网络综述范文第3篇

[论文摘要]简单回顾模糊控制、神经网络控制、专家系统控制、线性最优控制、综合智能控制等典型智能技术在电力系统自动化中的运用。

电力系统是一个巨维数的典型动态大系统，它具有强非线性、时变性且参数不确切可知，并含有大量未建模动态部分。电力系统地域分布广阔，大部分元件具有延迟、磁滞、饱和等等复杂的物理特性，对这样的系统实现有效控制是极为困难的。另一方面，由于公众对新建高压线路的不满情绪日益增加，线路造价，特别是走廊使用权的费用日益昂贵等客观条件的限制，以及电力网的不断增大，使得人们对电力系统的控制提出了越来越高的要求。正是由于电力系统具有这样的特征，一些先进的控制手段不断地引入电力系统。本文回顾了模糊控制、神经网络控制、专家系统控制、线性最优控制、综合智能控制等五种典型智能技术在电力系统中的运用。

一、模糊控制

模糊方法使控制十分简单而易于掌握，所以在家用电器中也显示出优越性。建立模型来实现控制是现代比较先进的方法，但建立常规的数学模型，有时十分困难，而建立模糊关系模型十分简易，实践证明它有巨大的优越性。模糊控制理论的应用非常广泛。例如我们日常所用的电热炉、电风扇等电器。这里介绍斯洛文尼亚学者用模糊逻辑控制器改进常规恒温器的例子。电热炉一般用恒温器（thermostat）来保持几挡温度，以供烹饪者选用，如60，80，100，140℃。斯洛文尼亚现有的恒温器在100℃以下的灵敏度为±7℃，即控制器对±7℃以内的温度变化不反应；在100℃以上，灵敏度为±15℃。因此在实际应用中，有两个问题：①冷态启动时有一个越过恒温值的跃升现象；②在恒温应用中有围绕恒温摆动振荡的问题。改用模糊控制器后，这些现象基本上都没有了。模糊控制的方法很简单，输入量为温度及温度变化两个语言变量。每个语言的论域用5组语言变量互相跨接来描述。因此输出量可以用一张二维的查询表来表示，即5×5=25条规则，每条规则为一个输出量，即控制量。应用这样一个简单的模糊控制器后，冷态加热时跃升超过恒温值的现象消失了，热态中围绕恒温值的摆动也没有了，还得到了节电的效果。在热态控制保持100℃的情况下，33min内，若用恒温器则耗电0.1530kW·h，若用模糊逻辑控制，则耗电0.1285kW·h，节电约16.3%，是一个不小的数目。在冷态加热情况下，若用恒温器加热，则能很快到达100℃，只耗电0.2144kW·h，若用模糊逻辑控制，达到100℃时需耗电0.2425kW·h。但恒温器振荡稳定到100℃的过程，耗电0.1719kW·h，而模糊逻辑控制略有微小的摆动，达到稳定值只耗电0.083kW·h。总计达100℃恒温的耗电量，恒温器需用0.3863kW·h，模糊逻辑控制需用0.3555kW·h，节电约15.7%。

二、神经网络控制

人工神经网络从1943年出现，经历了六、七十年代的研究低潮发展到现在，在模型结构、学习算法等方面取得了大量的研究成果。神经网络之所以受到人们的普遍关注，是由于它具有本质的非线性特性、并行处理能力、强鲁棒性以及自组织自学习的能力。神经网络是由大量简单的神经元以一定的方式连接而成的。神经网络将大量的信息隐含在其连接权值上，根据一定的学习算法调节权值，使神经网络实现从m维空间到n维空间复杂的非线性映射。目前神经网络理论研究主要集中在神经网络模型及结构的研究、神经网络学习算法的研究、神经网络的硬件实现问题等。

三、专家系统控制

专家系统在电力系统中的应用范围很广，包括对电力系统处于警告状态或紧急状态的辨识，提供紧急处理，系统恢复控制，非常慢的状态转换分析，切负荷，系统规划，电压无功控制，故障点的隔离，配电系统自动化，调度员培训，电力系统的短期负荷预报，静态与动态安全分析，以及先进的人机接口等方面。虽然专家系统在电力系统中得到了广泛的应用，但仍存在一定的局限性，如难以模仿电力专家的创造性；只采用了浅层知识而缺乏功能理解的深层适应；缺乏有效的学习机构，对付新情况的能力有限；知识库的验证困难；对复杂的问题缺少好的分析和组织工具等。因此，在开发专家系统方面应注意专家系统的代价/效益分析方法问题，专家系统软件的有效性和试验问题，知识获取问题，专家系统与其他常规计算工具相结合等问题。

四、线性最优控制

最优控制是现代控制理论的一个重要组成部分，也是将最优化理论用于控制问题的一种体现。线性最优控制是目前诸多现代控制理论中应用最多，最成熟的一个分支。卢强等人提出了利用最优励磁控制手段提高远距离输电线路输电能力和改善动态品质的问题，取得了一系列重要的研究成果。该研究指出了在大型机组方面应直接利用最优励磁控制方式代替古典励磁方式。目前最优励磁控制的控制效果。另外，最优控制理论在水轮发电机制动电阻的最优时间控制方面也获得了成功的应用。电力系统线性最优控制器目前已在电力生产中获得了广泛的应用，发挥着重要的作用。但应当指出，由于这种控制器是针对电力系统的局部线性化模型来设计的，在强非线性的电力系统中对大干扰的控制效果不理想。

五、综合智能系统

综合智能控制一方面包含了智能控制与现代控制方法的结合，

深度神经网络综述范文第4篇

关键词：绿色施工；评价体系；绿色施工评价方法

绿色施工是建筑业实施可持续发展战略重要措施。在发达国家，ISO14000环境管理标准认证得到了大力推广。在我国，2005年《绿色建筑技术导则》的颁布与实施，标志着绿色施工的全面推广。目前，我国虽然已有诸如绿色建筑评价标准、奥运绿色建筑评估体系等绿色建筑评价体系，但关于绿色施工的评价指标缺乏针对性、科学先进理论涉及的评价方法应用性不足。在绿色施工评价现状研究的基础上，本文构建了绿色施工评价体系，研究了绿色施工评价方法，并结合BP人工神经网络设计了相关评价方法，并结合实例进行了检验。

一、绿色施工评价指标体系

结合绿色施工评价指标体系涉及的绿色施工某些内容特殊性，在建立评价指标体系时，本文选择建立了能够评价绿色施工要求的各方面指标，主要包括“四节一环保”的内容，并加入了经济性指标，使经济性与技术性相结合，使得绿色施工评价指标完善化、科学化。建立的指标体系见表1。

二、绿色施工评价方法介绍

（一）层次分析法

层次分析法是上个世纪七十年代，美国数学家萨迪在决策过程中为了解决有大量定性而又不能够规避这些评价因素这一难题而提出的一种数学分析方法。它必须是建立在评价体系具有多指标、多层级这一条件上。层次分析法主要的信息基础是对同一个层级中各评价指标的相对重要程度做出决策，并且这一相对重要程度用1到9比率标度进行表示。该方法的优点是通过对指标体系中各层级各评价因素进行相对重要程度的比较，从而使得各指标权重的数值更加客观、趋于准确。

由于绿色施工评价指标更多的还是来自于实践，专家给的经验判断更加可以采纳，所以层次分析法在绿色施工评价中应用广泛。

（二）模糊数学综合评价方法

模糊综合评价法是以模糊数学为运算工具，在常规评估结果的基础上进行双权数的评价。模糊综合评价法把所有因素综合起来考察，同时又通过权重把各因素的重要程度区分开来。传统的评价方法对专家的经验依赖过多、或是对数据的处理不是很有效。这种方法的优点是：模型简单，计算方便，尤其对于多因素的繁琐复杂问题具有较好的评价效果。

对绿色施工指标体系进行评价时，需要对其一级指标及各指标所包含的因素项、分因素项进行评价，这是一个综合评价问题。用模糊综合评价法对绿色施工评价时，首先确定影响绿色施工的模糊集合U，再划分评估等级，并且建立集合V；之后对风险要素进行独立评价，建立评价矩阵；确定评估模型中的因素向量的权重集合A；运用模糊矩阵乘法的运算规则，得出综合评估矩阵B，求出综合评估结果。

（三）BP人工神经网络

人工神经网络是由处理单元组成的层再形成网络，被广泛用于研究的是由输入层、隐藏层、输出层三层神经元组成的BP神经网络。因为绿色施工评价指标间相关度较好、呈非线性关系，因此BP人工神经网络作为一种非线性映射模式或数据缺漏不全的情况下仍可得到比较好的结果。对于绿色施工评价的准确度也有所提高。

三、基于BP人工神经网络的绿色施工评价实例

（一） BP神经网络的结构设计

因为输入、输出层神经元数目由输入、输出向量的维数决定，由上述对绿色施工指标的分析可知，选取17个评价指标为神经网络的输入变量，故输入层神经元的个数为17，将绿色施工评价等级分为4级，即：优秀、良好、一般和较差。一级表示施工单位在绿色施工方面表现优秀；二级表示施工单位在绿色施工方面表现良好；三级表示施工单位在绿色施工方面表现一般；四级表示施工单位在绿色施工方面表现较差。四种评价等级的输出模式相应为（0001）、（0010）、（0100）、和（1000），故输出层神经元的个数为4。由于输出向量的元素为0～1值，宜选用 S 型对数函数logsig作为输出层神经元的传递函数。由于为单隐层的神经网络，宜选用s型正切函数tansig作为隐含层神经元的传递函数。

BP 神经网络的结构设计该研究采用前向3 层的BP神经网络结构。输入层节点数由评价指标的数量确定，因此为17；输出层的节点数由绿色施工评价结果的种类决定，该研究将绿色施工评价结果分为4 个等级，即优良、良好、中等、较差，所以输出节点数为4；隐层节点数的方法为10：

j=+a

式中，m为输入层节点数；n为输出层节点数；a为1～10的常数。根据训练情况该研究隐层节点数确定为10。

训练参数的设置：学习速率设定为0.05；误差目标值设定为。

（二）评价结果的实现

前文介绍了绿色施工的评价指标体系，应用此评价体系的指标，判定结果可设置为三个等级，优秀、及格、不及格。通过专家打分的方式，优秀得5分、及格得3分与不及格得1分，可得到绿色施工评价的得分情况。

通过资料的收集与整理，可得相关专家对15座建设项目的施工评价数据，如表2所示。将前13个数据组作为神经网络模型的训练样本，最后2个数据组作为神经网络模型的检测样本，可检测出通过训练后的BP神经网络模型在绿色施工评价中的准确性。

采用 MATLAB 软件编程，从网络输出结果得知，BP神经网络经历 2705次训练后，达到了误差要求。神经网络的输出值与绿色施工评价等级对比如表3所示。

由上述分析可知，BP 人工神经网络在所选的2个建设项目的绿色施工评价中，对绿色施工等级的评价具有较强的可靠度，具有一定的实用价值。

四、结语

BP神经网络法与层次分析法、模糊综合评判法相比更具优越性，人工神经网络具有预测精度高、自适应能力强及收敛速度快等特点，这就克服了层次分析法、模糊综合评判法在数据处理上的缺陷，提高了绿色施工评价的科学性与准确性，将人工神经网络应用于绿色施工评价中，能够更好的指导绿色施工评价，有利于推动我国绿色施工理念的实践。

由于时间关系和知识水平有限，对绿色施工的评价及方法还有待于深入研究。归纳为以下几个方面：

1.绿色施工评价指标不够全面，不同地区及建筑结构对施工评价指标的要求不一样，对此，后续建立全面而科学的绿色施工评价指标及指标的权重仍需进一步的研究。

2.对绿色施工评价制度的推行与落实仍需有关部门的努力，对绿色施工评价与环境绩效评价的联系与结合也需要深入研究。

参考文献：

[1]建设部住宅产业化促进中心.绿色生态住宅小区建设要点与技术导则[M].北京：中国建筑工业出版社， 2001.

[2]绿色奥运建筑研究课题组.绿色奥运建筑评估体系[M].北京：中国建筑工业出版社，2003.

[3]刘克成.绿色建筑体系及其研究[J].新建筑，2003（04）.

[4]陈晓红.基于层次分析法的绿色施工评价[J].施工技术，2006（10）.

[5]刘贵文，徐鹏鹏.基于模糊综合评判的绿色施工评价体系研究[J].生态经济，2007.

[6]潘大丰，李群.神经网络多指标综合评价方法研究[J].农业系统科学与研究，2007（02）.

[7]张德丰.MATLAB 神经网络应用设计[M].北京：机械工业出版社，2009.

深度神经网络综述范文第5篇

[关键字]可持续发展 漓江上游流域 层次分析法 神经网络法

[中图分类号] X821 [文献码] B [文章编号] 1000-405X（2013）-5-205-2

0引言

目前国内外建立可持续发展指标体系处于起步阶段，而可持续发展的测度方法尚不系统，实际操作应用更为困难，对可持续发展的评价一般采用层次分析法（AHP），虽然这种方法原理简明、计算方便，但是不能描述和判断系统可持续发展的动态趋势。本文又提出神经网络方法，可反映流域的动态发展趋势，增加评价结果的客观成份。据此，提出静态和动态相结合的既反映某一时点的可持续发展状况，又能判断可持续发展趋势的综合测度方法。将静态和动态方法融合为一个整体，从而对可持续发展作出全面综合的评价。

1漓江上游流域的自然、社会、经济概况

漓江，属珠江水系，为桂江上游的习称。它发源于华南第一峰猫儿山（海拔21415m），源头在八角田铁杉林，地理位置相当北纬25°54’，东经110°27’处。漓江全长214km，流域面积12285km2。漓江流域属于亚热带季风气候，冬短夏长，雨量充沛且集中，年平均气温约19℃。漓江桂林水文站径流特征值为年均径流量41.8×108m3，最大58.8×108m3，最小24×108m3，年径流深平均15l0mm。年降水量平均1853.7mm，平均流量为132.6m3.s-1。

桂林市位于漓江上游，是漓江上游人口最多城区面积最大的城市，行政区域总面积2.78万km2，其中市区面积565km2，已建成城市面积43.78km2。耕地总面积27.85万km2。桂林市资源丰富，农业基础较好，改革开放以来，国民经济保持持续快速健康发展，社会各项事业要全面进步。2008年末全市总人口508.32万人。人口自然增长率控制在7‰以下，城镇人口达到182万人以上；城镇化水平不断提高，城镇化提高到35%。

近十几年来，桂林市经济总量和人均水平迅速扩大，产业结构调整步伐加快，经济增长协调性和可持续性明显增强，经济发展迈上新台阶。

2层次分析法

2.1层次分析法简介

层次分析法是目前用于评价可持续发展程度及协调程度的主要方法，AHP法主要用于求解递阶多层次结构问题。AHP属于关系模型，但其本质是一种思维方式，把复杂系统分解成各个组成因素，又将这些因素按支配关系组成递阶层次结构，通过每一个层次各元素的两两比较对其相对重要性做出判断，构造判断矩阵。AHP通过计算，确定决策方案相对重要性的总的排序。应用AHP法的整个过程是分解、判断与综合的过程。AHP法也是一种定性与定量相结合的决策方法，是将人的主观判断用数学表达处理的一种方法。

2.2 漓江上游流域可持续发展评价体系框图

2.3体系内各指标变量的计算

2.3.1社会发展能力（SDC）的计算

社会发展能力是由恩格尔系数（I1）、人口密度（I2）、计划生育控制强度（I3）、人口自然增长率（I4）等四项指标构成，社会发展能力（SDC）计算方法如下：

Ix=■ Iy=■/2I■×■

SDC=（Ix+Iy）1/2

计算出桂林市1998年～2008年的社会发展能力（SDC）为：

2.3.2经济发展能力（EDC）的计算

人均国民总产值（I5）和财政自给率（I6）从宏观上反映了整个经济的强度，可作为一个整体。其他的指标人均纯收入（I7）则相对独立，经济发展能力（EDC）计算方法如下：

EDC=1/2{（I5×I6）1/2+I7}

计算出桂林市1998年～2008年的经济发展能力（EDC）为：

2.3.3资源环境承载能力（RECC）的计算

森林覆盖率（I8）人均耕地面积（I9）、人均林地面积（I10）各个指标相互独立，且具有均等的相互关系，资源环境承载能力（RECC）的计算方法如下：

RECC=1/3（I8+I9+I10）

根据表；桂林市1998年～2008年各项指标，计算出桂林市1998年-2008年资源环境承载能力（RECC）为：

最后根据小流域可持续发展度的计算公式：

SCSD=0.143×SDC+0.428×EDC+0.428×RECC

最终计算得1998～2008年漓江上游流域可持续发展度如下表：

4神经网络法

4.1神经网络法具体介绍

神经网络是用来模拟人脑结构及具有智能特点的一个前沿研究领域，它的一个重要的特点是通过网络学习达到其输出与期望输出相符的结果，具有很强的学习、自适应能力。

本文采用多层次前馈神经网络，它有输入层、输出层和一个隐含层。对神经网络的训练算法，本文采用的是BP算法。

4.2神经网络法对漓江上游流域的测度操作步骤

4.2.1同层次分析法相同，同样选择能表示社会、经济、资源和环境发展水平的10个指标， 既恩格尔系数（X1）、人口密度（X2）、计划生育控制强度（X3）、人口自然增长率（X4）、人均国民总产值（X5）、财政自给率（X6）、人均纯收入（X7）、森林覆盖率（X8）、人均耕地面积（X9）、人均林地面积（X10）。

4.2.2把流域1998年～2007年各项指标实际值，作为网络训练样本的输入；把通过层次分析法计算出的1998年～2007年可持续发展度值作为训练的导师值。

4.2.3对于上述10个样本，应用多层前馈神经网络进行训练，网络结构取为10-10-1，即输入层单元个数为10，隐层单元个数为10，输出层单元个数为1，迭代次数为50000次时，网络误差已达到10-12。

4.2.4输入该流域2008年的10个单元指标值，根据已训练好的网络进行预测，得到漓江流域2008年流域可持续发展的预测结果。

5结论