基于BP神經網絡的城市建設土地分析模型
來源:用戶上傳
作者:
摘 要：城市建設中土地成本的計量時較為關鍵的，但是目前來說很多模型和方法都很難將其進行統籌考慮，從因此本文建立模型來對其進行更加科學有效地評估。本文建立BP神經網絡模型，對于多年數據進行訓練與預測，由此得到以上各指標的變化趨勢，對于附加成本較高的指標，采用更加科學而有效的手段對其進行控制，由此可以判斷土地項目決策者的控制手段的效果。我們可以計算發現，從2015年到2021年，水資源、礦產資源和廢物總成本這三個權重較大的指標一直在提升，從2015年的911479、628471、754840一直上升到2021年的968539、668197、791740，因此需要采取合理手段對其進行控制，才能夠使得其成本得到控制。
關鍵詞：BP神經網絡
1、Basic assumptions
各個統計網站上提供的相關數據真實有效；
本文選取指標符合實際，客觀、科學的反映出城市人才情況；
本文選取的指標簡單明了，均可以量化。
本文采用的BP神經網絡預測法對城市未來不確定因素發生概率基本正確
2、模型分析
本文建立BP神經網絡模型，對于多年數據進行訓練與預測，由此得到以上各指標的變化趨勢，對于附加成本較高的指標，采用更加科學而有效的手段對其進行控制，同時利用BP神經網絡對于控制后的成本進行分析，由此可以判斷土地項目決策者的控制手段的效果。
輸入信號 通過中間節點（隱層點）作用于輸出節點，經過非線形變換，產生輸出信號 ，網絡訓練的每個樣本包括輸入向量 和期望輸出量 ，網絡輸出值 與期望輸出值 之間的偏差，通過調整輸入節點與隱層節點的聯接強度取值 和隱層節點與輸出節點之間的聯接強度 以及閾值，使誤差沿梯度方向下降，經過反復學習訓練，確定與最小誤差相對應的網絡參數（權值和閾值），訓練即告停止。此時經過訓練的神經網絡即能對類似樣本的輸入信息，自行處理輸出誤差最小的經過非線形轉換的信息。
Step1.網絡初始化。給各連接權值分別賦一個區間（-1，1）內的隨機數，設定誤差函數 ，給定計算精度值 和最大學習次數M。
Step2.隨機選取第 個輸入樣本 及對應期望輸出
Step3.計算隱含層各神經元的輸入 和輸出 及輸出層各神經元的輸入 和輸出
Step4.利用網絡期望輸出和實際輸出，計算誤差函數對輸出層的各神經元的偏導數 。
Step5.利用隱含層各神經元的 和輸入層各神經元的輸入修正連接權 。
Step6.計算全局誤差。
Step7.判斷網絡誤差是否滿足要求。當誤差達到預設精度或學習次數大于設定的最大次數，則結束算法。否則，選取下一個學習樣本及對應的期望輸出，返回到第三步，進入下一輪學習。
我們可以計算發現，從2015年到2021年，水資源、礦產資源和廢物總成本這三個權重較大的指標一直在提升，從2015年的911479、628471、754840一直上升到2021年的968539、668197、791740，因此需要采取合理手段對其進行控制，才能夠使得其成本得到控制。
在水資源成本方面：污水分流、部分排出污染水體中水量、引入清水沖污等措施雖然可以部分減輕污染水體的壓力，但是工程巨大，而且將污染轉移到分流區域，可能造成新的污染區。玄武湖和西湖的經驗表明，污水分流和引水沖污難以取得預期效果，藻類繁殖在短暫受抑制（3個月）后又恢復原狀。富含營養物質的底泥在一定條件下會釋放出氮磷，成為水體的內源性污染源，因而底泥挖掘一度成為富營養化水體治理的重要措施。然而底泥挖掘工程巨大，挖出的底泥難以進一步處理，從經濟上來說，這可能是最昂貴的措施。由于底泥中氮磷的吸收和釋放過程復雜，目前尚無明確認識，底泥挖掘常常收不到預期效果。甚至因為破壞了水'底部生物和水生植物環境，將深層底泥暴露，使其中所含的氮磷溶解到水體中，而在一段時期內加深水華。玄武湖和西湖的經驗證明了該法弊病很多，必須慎重考慮。
在礦產資源成本方面：礦產資源高效節約利用有利于消除礦山廢棄物的環境污染和安全威脅、實現礦業可持續發展。目前已經初步形成了一礦多開、吃干榨凈的“無廢生產”，降低了開發強度。將上一生產過程產生的廢物依次轉化為下一個生產過程的原料和能源，對固體廢棄物和尾礦開展提純、發電、填充置換資源、制備建材等再利用，對廢氣和粉塵回收發電或制備建材，對廢水循環回收利用或二次回注，使系統內部企業之間形成協調、互補共生關系，最大限度地充分利用資源和減少對環境的負面影響，從源頭上減少了廢物排放量和再回收利用廢棄物?？偨Y推廣國內已經形成的礦產資源綜合利用先進技術和開發模式，無疑將成為節約資源和保護生態環境的重要舉措，已經成為當務之急。
3 模型預測
本文利用神經網絡進行了相關預測，能以任意精度逼近任何非線性連續函數。在建模過程中的許多問題正是具有高度的非線性。在神經網絡中信息是分布儲存和并行處理的，這使它具有很強的容錯性和很快的處理速度。神經網絡在訓練時，能從輸入、輸出的數據中提取出規律性的知識，記憶于網絡的權值中，并具有泛化能力，即將這組權值應用于一般情形的能力。
參考文獻
[1] Linlin Xia，Yan Zhang，Qiong Wu，Lumeng Liu. Analysis of the ecological relationships of urban carbon metabolism based on the eight nodes spatial network model[J]. Journal of Cleaner Production，2017，140.
[2] Tao Wang，Likun Xue，Peter Brimblecombe，Yun Fat Lam，Li Li，Li Zhang. Ozone pollution in China：A review of concentrations，meteorological influences，chemical precursors，and effects[J]. Science of the Total Environment，2017，575.
轉載注明來源:http://www.hailuomaifang.com/1/view-14809975.htm
