AHP-Elman算法的城市轨道交通绿色站点技术体系及评价研究
0 引言
绿色地铁符合建筑体系的主旨要领,绿色地铁能够提高乘客的舒适度,也能够更加和谐地促进人与环境的友好发展。在新兴的城市地铁建设中,很多城市重视绿色地铁的建设,济南市R1号线秉承绿色节能的理念,致力于打造符合LEED认证体系的绿色地铁;长沙地铁提出绿色地铁的理念,打造节能环保绿色的地铁。营造一个绿色生态地铁环境氛围指日可待[1]。
关于该部分的研究,大量学者作出了贡献。黑立暖学者在论文中对于绿色地铁的指标体系进行了详细的研究,并且用层次分析法对指标进行评价,得出指标权重,并用模糊综合评价算法进行研究,针对河北省某地铁进行绿色指标评价;陈世栋通过分析地铁车站照明质量的主要影响因素,制定了既可以改善照明质量又能达到节能效果的照明控制方法,是一个指标体系建立的过程。 长沙市率先提出绿色地铁的概念,并在建设、设计、施工等环节重视绿色地铁的应用,对指标深入研究;济南市轨道交通集团致力于打造绿色、安全、智慧、品质地铁,重视在地铁全生命周期的指标体系的建立和评价。如何进行绿色地铁的规划设计和评价,对于改善地铁运营环境、促进产业的绿色低碳转型、提高运营管理效率均有积极的促进作用[1-5]。
为提高决策效率,联盟中方、东盟方各设置一个常设主席单位。常设主席单位负责起草联盟内部制度,制定工作计划,推进工作进度;组织协调所在方联盟成员行政事务;与对方主席单位共同管理联盟日常事务。为打破封闭观念,加强与联盟成员之间的沟通,常设主席单位下设常设秘书处,负责整理联盟文书,发布联盟信息,执行联盟决议,以及组织、管理、协调联盟内各项事务,维护综合信息服务平台。各高校在长期的办学发展历程中形成了各自独特的办学理念、办学特色和管理机制。秘书处的设立,有助于联盟成员突破一校或一国的局限,充分融入联盟的共同发展之中。联盟内的高校通过秘书处的协调,能够消除隔阂,构建资源分享网络,分享优质教育资源。
评价指标的确定和评价方法的选择对于绿色地铁至关重要。评价方法的选择是核心工作,关于绿色地铁中,黑立暖学者在论文中撰写了详细的做法;其他类似的评价方法给绿色地铁的评价思路带来启发,例如学者马强等在《江苏大剧院大跨钢结构施工健康监测技术》中,从安全性、施工方案合理性等角度出发,提出了对钢结构进行变形和应力、应变监测,监测结果可作为结构安全与否的重要评估指标。学者房霄虹等[6]在《轨道交通换乘车站客流仿真评估指标系统优化及应用》作出完整的研究思路,首先确定了评价指标,然后对评价指标进行优化,对于优化后的指标进行分析和研究,制定了详细的计算方法和评价标准,从定性和定量的角度深入研究问题,最后结合实例对评价体系加以印证。整个研究过程给绿色地铁的评价提供了参考。
GCTB是一种较为常见的骨肿瘤,主要好发于青壮年。目前,临床上治疗GCTB的首选方法是手术治疗,手术方式主要有两种:一种是通过局部骨皮质开窗进行病灶刮除,另外一种是对于局部瘤段切除合并假体置换[15]。具体的手术方式要依据是否有病理性骨折、肿瘤大小、骨皮质破损、软组织侵犯程度、关节软骨破坏程度[16、17]而定。
1 绿色地铁的研究内容
绿色地铁的研究方法如图1所示。
林地管理主要是在林地使用以及开发方面,执行力许可制以及限额制度,对国内的林地资源进行严格的控制,让林地资源保持在稳定的状态。由于国内经济的迅速发展,林地的不合理使用情况还是逐渐增加,导致大量的林地资源正处于流失的状态,这种局面下林地资源也是要达到全新的高度上。比较关键的措施就是退耕还林,该政策已经在国内推行多年,在十九中也是得到了重点强调。林地资源能得到有效管理,直接关系到生态文明的整体建设,因此林政资源的实际管理中,林地资源是非常关键的部分和层面。
![width=157,height=184,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/340e0fbf785e12ee41379345b35d85f6.png)
图1 绿色地铁的研究方法Fig.1 Research methods of green Metro
(1)绿色地铁的指标确定。在绿色地铁指标的找寻中,方法很多,指标的数量也很多,那么按照一定的分类方法进行指标考察和寻找具有可行性和科学性。绿色地铁指标的分类方法有很多,如基于全生命周期的分类、维度分析的分类、按照地铁参与的单位进行分类、按照“四节一环保”的理念进行分类、按照影响因素进行分类。①基于全生命周期的分类。可以分类勘察阶段、设计阶段、施工阶段、调试阶段、运营阶段、维护阶段等各个环节中产生的绿色指标。②维度分析的分类。可以按照技术维度、实施维度、愿景维度进行分类,把相关的指标列入上述3个维度进行分类和研究。③按照地铁参与的单位分类。主要有业主方、施工方、设计方、监理方等,找出参与的单位进行划分相关的指标。④按照“四节一环保”的理念进行分类。按照节能、节地、节水、节材和环境保护,找到相关理念中的指标并且进行归类。⑤按照影响因素进行分类。可以分为人、机、料、法、环,并且找出在上述5个因素中的相关指标。也可以看到组织过程、管理过程、经济过程、技术过程这4个因素分类,找出相关因素的指标。
作业过程表明,综合绝缘抱杆安装方便灵活,安装时人体与带电体的安全距离较大,不会碰触带电体;安装后可实现对三相导线的可靠固定,减小了使用绝缘杆接引线时绝缘子所受剪切力,保证了接引线过程稳定安全实施。
技术指标体系确立遵从的主要原则:①合理科学,在评价指标上要求合理科学,不能存在边缘化非常规的指标;②全面完整,一个完整的指标体系要求完整,不能漏项,要全面客观;③论证合适合理,可以加以阐述和验证,能够具有正确的方式方法;④通用性强,适用性广泛,指标体系建立后能够广泛应用,并且可以得到推广;⑤典型代表,所选择的指标必须是典型的、具有代表性的、能够凸显出特点的。参考相关的标准和已有的技术文件,现制定了技术指标相关内容。主要涉及到了7个一级指标和27个二级指标(表1)。
(2)绿色地铁指标的评价方法。可以从定性和定量的角度进行分析和处理。定量可以用具体的数值代表指标的评价值,如某条线路在一号线工程中采用某种技术,达到节约水资源X吨,节水率为多少。那么定性的方法中,主要是确定指标后,根据算法或者人为直观地进行赋分的方式,例如根据层次分析法、熵值法、神经网络法等确定某项指标的权重或者得分。
(3)绿色地铁的综合得分。根据所得的指标,最后进行某种手段得到绿色地铁的综合得分,并将这个指标作为评价准则。
(4)绿色地铁的等级划分。根据上述步骤得分的高低,划分为不同绿色等级的绿色地铁,用等级的高低衡量地铁绿色度的高低。
(5)绿色地铁预警系统设计。主要针对某些绿色等级比较低的地铁,针对专家库分析或者模式识别得出预警,并提出合理化的建议,改善绿色地铁现阶段的不足,提高绿色程度和绿色等级。
本文主要内容有技术体系和评价方法,技术指标体系的确定参考现有的技术指标和国家标准,评价方法实现了一级指标的权重确定和一级指标的预测值的确定,然后得到绿色度的具体数值。主要流程如图2所示。
2 技术指标体系
2.1 主要指标
通过覆盖各种有色塑料薄膜,防止光的照射,抑制杂草的光合作用,造成杂草幼苗死亡或阻碍种子萌发的方法是目前应用较为普遍的物理除草方法之一。如利用黑色地膜等覆盖线辣椒田,不仅可以控制杂草危害,并且能够增温保水,促进线辣椒增产。
![width=305,height=213,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/d3c319351f6209205028b3358d51fd16.png)
图2 算法流程Fig.2 Flow chart of the algorithm
表1 评价内容Tab.1 Evaluation content
![width=375,height=252,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/569321390b54f17e6effe62d59a20f0d.png)
一级指标二级指标规划与建筑B1在规划阶段的节地C1地下空间的应用C2减少征地C3环境保护C4能量综合利用B2实时化C5可视化C6透明化C7智能化C8水资源保护与综合利用B3雨水加收C9地下水保护C10运营水的节约C11节水器具C12中水利用C13施工用水的节约C14一级指标二级指标材料资源的综合利用B4钢筋节约能力C15水泥节约能力C16高性能材料的利用C17站点的室内环境质量B5声光热的环境因素C18空气环境C19施工过程的技术体系B6对周围环境的影响C20对周围居民带来的影响C21运营管理的绿色站点B7制度上的绿色体现C22物业开发的技术体现C23技术管理上的绿色地铁C24智能化系统的应用C25信息化管理C26垃圾管理和环境管理C27
2.2 评价体系
整体框架是用将Elman算法预测输出一级指标的数值,用AHP分析得出一级指标的权重。然后将Elman的结果和AHP的权重相乘,得到最后绿色体系的评分。
(1)用Elman算法搭建网络,用C1到C27共计27个二级指标作为输入变量,B1—B7七个指标作为输出变量,那么根据网络模型net,当有新的指标C1—C27输入时,根据net模型预测给出B1到B7的具体数值。
(2)对于一级指标,采用层次分析法得到7个指标的权重。
(3)用步骤(1)和步骤(2)得出的结果相乘,得到最后的评分。
3 AHP算法得到权重
在使用AHP判断权重时,需要特别注意几点:①指标之间的重要性程度要符合真实情况,具有可行性;②指标的判断矩阵要合适,并且要满足和通过一致性检验;③指标的权重确定情况要客观,符合现实。选择合适的判断矩阵,尤其是指标比较多时非常重要。
3.1 AHP确定各评价指标的权重步骤
(1)建立权重判断矩阵。层次分析法解决问题的基本方法是先逐一判断每层次指标的相对重要程度,并将两两比较的结果按给定的比率标度定量化,从而构成判断矩阵,然后依据矩阵来计算各因素的权重值[6-9]。判断矩阵的一般形式见表2。
表2 判断矩阵一般形式Tab.2 General form of judgment matrix
![width=352,height=88,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/a8000302f0989f7fdc68be60a232b1d9.png)
AA1AnA1A11A1n………AnAn1Ann
表2中,Ai表示第i层指标的比较矩阵;Aij表示要素i与要素j的相对重要度。为便于定量化描述,采用两两比较方法,矩阵比值确定采用1—9 比例标度法(表3)。
表3 目标重要性判断矩阵A中元素的取值Tab.3 Value of elements in target importance judgment matrix A
![width=375,height=228,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/57c47d73df29e0c13cf02f163e0c8a02.png)
相对重要程度定义说明1同等重要两个目标比较起来同样重要3略微重要由经验或判断,断定一个目标比另一个显得略微重要5相当重要由经验或判断,断定一个目标比另一个相对重要7明显重要深感一目标比另一更重要,且这种重要性已有实践证明9绝对重要强烈地感到一个目标比另一个目标重要程度大2,4,6,8两个相邻判断的中间值需要折衷时采用
(2)计算各个指标的权重。
《中国石油大学胜利学院学报》是山东省教育厅主管、中国石油大学胜利学院主办、国内外公开发行的学术期刊(季刊),国内统一连续出版物号为CN37-1446/TE,国际标准连续出版物号为ISSN1673-5935。
3.2 一级指标权重确定方法
通过专家打分法得到济南市绿色地铁评价指标的判断矩阵,并以此确定各指标权重。其中,B1、B2、B3、B4、B5、B6、B7分别代表一级指标。 由专家打分得一级评价指标判断矩阵(表4)。
表4 判断矩阵Tab.4 Judgment matrix
![width=375,height=158,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/cab2a13c032c3f479910aed94cf41d3a.png)
AB1B2B3B4B5B6B7B11.004.003.004.00778B20.251.002.003.00526B30.330.501.005.00429B40.250.330.201.00352B50.140.200.250.33111B60.140.500.500.20112B70.120.170.110.5010.51
主要的操作步骤:①制定判断矩阵。②计算每行乘积M。③计算Mi的n次方根这里n=7。④
归一化,得到一级指标的权重向量。⑤对判断矩阵进行一致性检验,计算判断矩阵的最大特征根
⑥一致性指标的计算。
![width=137,height=38,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/da514d8d76f5a0a390a6c26b94455f78.png)
(7)随机一致性指标的计算。
CR=CI/RI=0.081 3
CR<0.1,说明判断矩阵满足一致性要求。否则重新调整判断矩阵。
其中,各个过程具体的数值见表5。
表5 具体的计算数值Tab.5 Specific numerical values
![width=375,height=195,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/7d51a69446337fa6d313f2dca927c8d5.png)
MWA×WA×WW188 160.408 23.023 953 1767.407 416 632900.190 31.450 556 5717.622 468 488600.179 61.452 354 8268.087 040 0330.50.090 60.760 360 0988.390 002 1280.002 380 9520.042 20.302 735 0117.170 526 0280.014 285 7140.054 50.427 133 9877.832 276 8770.000 578 7040.034 50.251 995 6227.305 294 239
因此一级指标权重分别为:[0.408 2,0.190 3,0.179 6,0.090 6,0.042 2,0.054 5,0.034 5]。
3.3 相关代码
通过Matlab软件进行编程,求解权重相对方便,主要代码如下。
[cv,cxv]=size(a);%%其中a表示的是判断矩阵
(3)进行一致性检验。由于判断矩阵在计算权重时,要求矩阵A一致性检验的偏离程度不能过大,否则得出的权重不能反映元素之间相对重要性。
n=cv;
Facebook、Twitter、Web、iPad以及电子邮件的使用率;使用实时视频会议进行跨文化互动;基于预测学习成绩的计算机辅助模型;评估口服固体制剂制造的动画视频对药学生视觉教学辅助的影响;运用听觉幻觉模拟技术提高药师对精神疾病患者的同情心;利用患者视频短片提高学生对跨文化交际的理解;网络研讨会;通过TED演讲学习知识;学生、教师、教学管理人员对课堂技术使用的感知。教学过程中运用网络、视频以及模拟技术有助于学生的交流学习。
if n==7
ri=1.41%%制定ri的具体数值
end
b=prod(a,2)%按照每一行求解乘积
bb=b.^(1/n)%求解n次开方的数值
bbb=bb/sum(bb)%归一化处理
w=bbb
p=a*w%求解AW的数值
从图9中可以看出,最小y1的数值是527的时候,同时,在100~300、900~1 000的y1数值相对较大。因此,后面的实验选择最大迭代(训练)次数为527次。
lamuda=sum(c)/n%求解最大的特征值
ci=(lamuda-n)/(n-1)%求解ci的数值
cr=ci/ri%求解cr的数值
蜜蜂是对人类有益的昆虫类群之一,为农作物、果树、蔬菜等各种农作物传粉增产。人类食物的三分之一直接或间接地依靠昆虫授粉,而这三分之一中的80%是由蜜蜂完成授粉任务。蜜蜂是各种作物的最理想授粉昆虫,被誉为“农业之翼”。与会专家和嘉宾一致认为,与人工授粉相比,蜜蜂授粉往往产量更高,质量更好,还能促进农药减量。推广蜜蜂授粉是农作物增产提质和助力农业绿色发展的重要手段,要加大宣传力度,倡导保护和科学利用蜜蜂,推广蜜蜂授粉及配套技术,推动绿色农业发展,实现生态与市场价值共赢。
运用ENVI5.1监督分类中的最大似然法对许昌建成区2013年和2017年的Landsat8遥感图像进行解译分类,具体步骤为:
从图4可以看出,当甲基紫初始浓度从0.1 mg/l增加到1.0 mg/l时,甲基紫的降解率从43.4%逐渐降至32.1%,并且减小趋势随浓度增大而变大.初始浓度与降解率反相关,这可能是由于溶液浓度越高,光穿透溶液的能力越弱,导致参与光催化氧化反应的光子数量减少,从而导致降解率降低.此外,浓度越高,更多的溶质质点被吸附在催化剂表面,导致活性部位减少.但初始浓度过低,去除污染物的总量就低,不能充分发挥光催化降解的能力.因此,溶液初始浓度的选择还要根据处理工艺、经济效益等具体条件来确定.
hh=a
end
考虑到美国是我国最主要的大豆进口国之一,2017年我国34%的进口大豆(约3200万吨)来源于美国。由于此前大豆集中到港,短期内国内大豆和豆粕库存处于历史同期高位,供应环境相对宽松。但就长期而言,预计12月开始将加速进入去库存阶段,美豆进口的缺失势必使得未来大豆供应逐渐偏紧。
bbb′%权重
4 Elman算法的网络构建
4.1 数据来源
经过了解绿色认证、绿色评价指标的专业工程师或者专家经过问卷调查,问卷形式是C1—C27指标、B1—B7指标,对其进行打分,每项最高为1分,保留3位有效数字,客观真实,具有实际经验。根据指标的重要性进行评判,不存在随意填写答卷现象,确保客观公正。
经过某次运行训练,预测后,得到的误差的绝对值立体图如图7所示。
4.2 Elman网络结构
Elman的网络结构分为输入层、隐含层、承接层、输出层,具体如图3所示。自下向上看,输入层代表输入的信号,然后经过隐含层和承接层复杂的网络结构建立网络模型,搭建4个层次之间复杂的网络关系[10-13]。
Elman网络主要研究的层数分为输入层、中间层和输出层,而数据分为训练样本和测试样本。训练样本中,输出层为50×27的矩阵,表示输入变量;
![width=290,height=193,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/3eaa4b4a907cef47d8e38264ad777c26.png)
图3 Elman神经网络结构Fig.3 Structure of Elman neural network
选择不同的隐含层个数进行实验。输出层为B1—B7指标的得分数值,这里50×7的矩阵表示输出层。本文研究不同的隐含层个数,选择不同的隐含层传递函数对网络效果的影响。
4.3 Elman网络结构配置优化方案研究
4.3.1 常规结果
对于实验选择的调查问卷的数据,选择不同的训练集和测试集进行实验,其中训练集和测试集的输入变量为27个二级指标的得分数值,输出值为7个一级指标的得分值,那么根据不同的Elman网络参数配置,得到一定的实验结果。该网络是一个27个输入、7个输出的多输入多输出的模型,其中主要的参数和配置见表6。
表6 Elman网络对应的参数Tab.6 Parameters of Elman network
![width=375,height=187,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/114859fd07ed3379352b7c2997cb8f17.png)
配置参数编程内容代号Elman网络对应参数网络格式net=newelm(minmax(p),[s1,s2,...],{′tansig′,′purelin′},′traingdx′)无训练迭代参数epochnet.trainParam.epochs=epoch;目标参数goalnet.trainParam.goal=goal;训练速度参数learnratenet.trainParam.lr=learnrate;动量参数mcnet.trainParam.mc=mc;输入到隐含层的权值net.w{1,1}inputWeights=net.iw{1,1}隐含层到输出值的权重net.iw{2,1}layerWeights=net.lw{2,1}
程序主要步骤:①选择一定的训练集。②数据修正,处理掉一些不合理的问卷调查数据,然后进行归一化处理操作;实验中,一定要进行归一化处理,使训练效果更好。③形成输入矩阵。④根据表6的具体内容配置网络,然后进行训练,形成网络net。⑤选择测试样本,进行归一化处理。⑥调用步骤④的net网络进行预测输出得到预测矩阵y,对y进行反归一化处理得到Elman神经网络的预测输出值。⑦修正完善参数,形成最后的Elman网络模型。
实验选择的迭代次数为1 000,目标参数为0,训练速度为2,动量参数为0.9,net网络为net=newelm(threshold,[16,7],{′logsig′,purelin′});代表隐含层16个,输出层7个,其中Elman的网络结构如图4所示。
![width=319,height=167,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/1f7c4e0e0ea179777d3ea7bdd6b8b4bf.png)
图4 Elman网络结构示意Fig.4 Structure diagram of Elman network
对于上述实验,针对6个测试样本的指标B1,然后将其预测值和真实值进行对比(图5),可以看出误差不大。B2—B7的指标预测值也是通过Elman网络得出(图6)。
![width=282,height=197,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/05054a13212fa39a9924ab3cce4d4f83.png)
图5 第一个一级指标B1的预测展示Fig.5 Forecast display of the first level indicator B1
本文收集了60份问卷,其中4份无效,共计56份问卷,后期将50份用于Elman神经网络的训练数据,剩下的6份作为预测数据。
图7中,X坐标代表一级指标B1—B7;Y坐标代表测试样本的编号,分别为1—6,一共6组数据;Z坐标代表误差的绝对值。从图7可以看出,误差相对较小。
以下研究几个模型指标有效性判断标准,记录为y1和y2,后面的研究多次参考这两个数值进行实验。首先求解y1的数值,按照式(1)、(2)来求解。
![width=353,height=276,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/433d56d5d714f235bbfb8c1be6d08b0d.png)
图6 一级指标B2—B7的真实值和预测值展示Fig.6 Display of true value and predicted value of first level indicator B2—B7
![width=272,height=180,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/f9c2f944d12687a1f3a715fe5022889c.png)
图7 一级指标的误差绝对值的立体展示Fig.7 Stereoscopic display of error absolute value of the first level index
(1)求解出7个一级指标的jj数值。jj的计算方法:
if cr<0.1%进行判断,如果通过一致性检验,保存相关权重信息
![width=126,height=35,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/89ff912f1b97d1db4748d708dd4255a9.png)
(1)
其中,n=6;xi为真实值;xiElman为网络预测值。
(2)求解出y1的值。y1的计算方法:
![width=73,height=35,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/765b8b5e421ad2a0e6c60e53cbf849e8.png)
(2)
其中,m=7,代表7个指标。
然后求解y2的数值,按照方法(3)、(4)的步骤进行求解。
(3)求解出7个一级指标的pp数值。pp的计算方法:
![width=132,height=35,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/e5c956dde24739faa5d3e80fb906a113.png)
(3)
其中,n=6;xi为真实值;xiElman为网络预测值。
(4)求解出y2的数值。y2的计算方法:
![width=81,height=35,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/e2bc7987dc0895e7edde6590265b0cb5.png)
(4)
其中,m=7,代表7个指标。
为了记录y1和y2的数值,做了以下实验:因为Elman神经网络在初始化的权值和阈值是不定的,为了增加实验的有效性,经过重复运行10次后,取10次实验的平均值作为结果(图8)。
![width=248,height=149,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/ae25481b9cd3cafc761bd4dc54e3d3d7.png)
图8 y1和y2的数值Fig.8 Values of y1 and y2
4.3.2 不同最大训练次数对网络效果的影响
用最大训练次数是100~1 000次时,选择y1为目标函数,然后记录每一个最大训练次数对应的y1数值,记录整理如果如图9所示。
![width=296,height=204,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/c94ba7caed9b6309e1a13e9effd72295.png)
图9 最大训练次数对网络效果的影响Fig.9 Maximum number of training on the network effect
c=p./w%求解aw/w的数值
4.3.3 不同隐含层个数对网络效果的影响
选择net=newelm(threshold,[16,kk],{′logsig′,purelin′});其中kk代表隐含层的个数,这里选择不同的隐含层进行多次实验;同理,网络其他参数的迭代次数为527,目标参数为0,训练速度为2,动量参数为0.9。
2)同时为了避免温度过高损伤绝缘,提出采用测量直流电阻换算温度的方法来获得绕组内部温度,并对其进行控制,即通过电压电流得到加压部分线圈电阻进而获得不同时刻的直流电阻值,再根据铜线电阻与温度关系获取铜线温度。本次处理通过调压器调节线圈中的电流,将导线的温度控制在绝缘能够承受的85 ℃之内。
这里选择隐含层为1~120个,且记录章节公式y1代表的数值,统计结果如图10所示。
![width=296,height=189,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/9116fef222849aec18687a9481cd3111.png)
图10 不同隐含层的y1数值曲线Fig.10 y1 curves of different hidden layers
得出结论:隐含层为43个时,效果最佳。
4.3.4 不同隐含层传递函数对网络效果的影响
首先确定网络参数配置,迭代次数527,目标参数0,训练速度2,动量参数0.9。在实验中选择了3种不同隐含层传递函数进行不同的配置,有4种方案:①new(threshold,[43,7],{′logsig′,′purelin′});②new(threshold,[43,18,7],{′logsig′,′logsig′,′purelin′});③new(threshold,[43,18,7],{′logsig′,′purelin′,′purelin′});④new(threshold,[43,18,27,7],{′logsig,′logsig′,′logsig′,purelin′})。
采用4.3.1章节y1的计算公式作为记录数值,运行过10次求解平均值,得到的数值见表7。
表7 数据统计结果Tab.7 Data statistics results
![width=375,height=88,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/dd70b0120986b045e98197430d70c07f.png)
方案y1y2方案①0.006 370.001 20方案②0.006 700.002 30方案③0.007 650.002 33
为了增加方案的有效性,本文针对不同方案进行不同的实验。
目前,三方共同创新研制了名为“智宝”的移动式病虫害智能化感知设备,填补了国内外移动式病虫害智能测报技术与产品的空白。该设备集成了包括视觉、温湿度传感器、地理位置、移动终端等多种信息获取手段,有效提升了现有病虫害监测能力。
(1)针对方案②。new(threshold,[xi,yi,7],{′logsig′,′logsig′,′purelin′}),matlab的代码为:net=newelm(threshold,[xi,yi,7],{′logsig′,′logsig′,′purelin′})。然后选择xi=1∶120;yi=1∶120,用公式中y1的数值做记录,通过循环14 400次,经过漫长时间,得到如图11所示结果。
通过实验可以看出,在xi=112、yi=56时,方案②取得最佳的效果,并且y1的数值为0.006 7,但是不如方案①的效果好。
![width=253,height=177,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/9f16238a2383e165aaf6f75e5ba06e90.png)
图11 不同参数下的y1数值显示Fig.11 Different parameters of the y1 numerical display
(2)针对方案④。方案④的实验方法如下:new(threshold,[xi,yi,zi,7],{′logsig,′logsig′,′logsig′,purelin′}),首先确定yi、zi的变化范围,固定xi的数值,得到y1与yi、zi之间的关系,求解出在该xi下的y1最小值;然后变动xi的范围,重复第1步,得到y1的最小值;最后统计y1的最小值,得到xi,yi,zi,y1的具体数值。
实验没有进行太多处理,因为方案①的效果非常好,而方案④的运行时间比较长,浪费大量的运行时间,因此不作太多实验。
综上所述,该实验中宜采用配置方案为:527,目标参数为0,训练速度为2,隐含层个数为动量参数为0.9。net网络为net=newelm(threshold,[43,7],′logsig′,′purelin′})。
4.4 网络使用方法
因为上述的论证,那么保存一个有效的Elman网络模型net,当某个城市地铁的C1—C27被赋值时,调用net网络,会输出7个数值,这7个数值代表B1—B7七个一级指标的预测输出值。
本文中根据公式求解的某个一级指标的预测值q:[0.286 9,0.808 0,0.433 4,0.110 6,0.541 3,0.472 8,0.606 2];根据AHP求解的一级权重为p:[0.408 2,0.190 3,0.179 6,0.090 6,0.042 2,0.054 5,0.034 5]。那么绿色度(其中,i为一级指标的个数)。
4.5 小结
通过网络模型,可以预测得出一级指标的数据,然后与权重相乘,最后的结果作为绿色度的得分数值。本文提出了一种绿色地铁站点的评价体系,计算出了一级指标和二级指标的相关体系,然后根据AHP-Elman算法得出了相关绿色地铁得分的方法,用AHP计算出一级指标的权重,再用Elman预测得出相关的预测数据,给出了得分评价的一种算法。
本文存在不足:①指标评价的具体内容不够科学和专业,需要进一步优化和设计,使其更加标准、更加完善;②对于指标的权重评价用了层次分析法,更多的算法可以应用和设计,使得出的权重更加合理和科学;③用了Elman算法进行一级指标得分的预测,还有更加合理的方法进行研究和设计,得到更有效的数据预测。
5 结语
针对指标的选择,应该结合更多的地铁建设经验,总结全国乃至整个世界关于地铁勘察、设计、建设、运营、维护等相关的绿色评价指标,使其更加完善和准确。AHP算法还不够全面和完善,后期可以采取其他的评价算法,例如熵值法、灰度聚类理论和粗糙集属性约简相结合的方法,基于Rough集理论的属性简约、基于遗传算法的指标筛选等方法。
在用Elman算法设计时,一方面为了优化权值和阈值,可以采用遗传算法、粒子群算法、爬山算法、免疫算法、果蝇算法等优化权值和阈值,使其预测效果更加准确,误差更小,运行时间更短;在进行一级指标预测时,本文选择了Elman算法,可采用更多的算法进行印证,如BP算法、RBF算法、elm算法、PNN算法、SVM算法、rvm算法、svr算法、深度学习算法(包括cnn、rbm等)。选择一种更加合理的算法,在进行指标得分时,可以设计一款软件,当专家进行现场检查和核实某个地铁站点的绿色程度时,直接输入27个二级指标的得分值,然后通过软件得出最后绿色得分,方便快捷,应用广泛。
参考文献(References):
[1] 钟铮.软土地区某深基坑绿色施工技术[J].施工技术,2017,46(4):100-103.
Zhong Zheng.Green construction of a deep foundation excavation in soft-soil areas[J].Construction Technology,2017,46(4):100-103.
[2] 马强,李昌驭.江苏大剧院大跨钢结构施工健康监测技术[J].施工技术,2017,46(2):8-10.
Ma Qiang,Li Changyu.Health monitoring technology of large-span steel structure construction of Jiangsu grand theatre[J].Construction Technology,2017,46(2):8-10.
[3] 王珍珍.城市绿色交通评价指标及方法研究[D].北京:北京交通大学,2012.
[4] 肖绪文,冯大阔.基于绿色建造的施工现场装配化思考[J].施工技术,2016,45(4):1-4.
Xiao Xuwen,Feng Dakuo.Study on site assembly based on green construction[J].Construction Technology,2016,45(4):1-4.
[5] 刘东飞.绿色交通:一种可持续发展的交通理念[J].现代城市研究,2003(1):60-63.
Liu Dongfei.Green transport:a transport philosophy of sustainable development[J].Modern Urban Research,2003(1):60-63.
[6] 房霄虹,冯爱军,刘彦君.轨道交通换乘车站客流仿真评估指标体系优化及应用[J].都市快轨交通,2016,29(5):68-73.
Fang Xiaohong,Feng Aijun,Liu Yanjun.Optimization and application on evaluation index system of passenger traffic simulation in urban mass transit transfer stations[J].Urban Rapid Rail Transit,2016,29(5):68-73.
[7] 罗晓,江家哗.城市轨道交通规划环境影响评价[M].北京:中国环境科学出版社,2008.
[8] 魏鹂.杭州地铁工程环境影响综合评价研究[D].浙江:浙江工业大学,2011.
[9] 雷蕾,李瑚,黄丽娟.长沙地铁的绿色使命[J].发明与创新,2012(10):6-17.
Lei Lei,Li Hu,Huang Lijuan.The green mission of Changsha Metro[J].Invention and Innovation,2012(10):6-17.
[10]韩旭明.Elman 神经网络的应用研究[D].天津:天津大学,2006.
[11] 范燕,申东日,陈义俊,等.基于改进 Elman神经网络的非线性预测控制[J].河南科技大学学报(自然科学版),2007,28(8):41-45.
Fan Yan,Shen Dongri,Chen Yijun,et al.Nonlinear model predictive control based on improved Elman neural network[J].Journal of Henan University of Science & Technology(Natural Science),2007,28(8):41-45.
[12]王笑宇,肖洪祥,陆明涵,等.Elman神经网络在三相异步电机故障诊断中的应用[J].现代电子技术,2009(10):161-163.
Wang Xiaoyu,Xiao Hongxiang,Lu Minghan,et al.Application of Elman neural network in failure diagnosis of three-phase asynchronous motor[J].Modern Electronics Technique,2009(10):161-163.
[13] 张靠社,杨剑.基于Elman神经网络的短期风电功率预测[J].电网与清洁能源,2012,28(12):87-91.
Zhang Kaoshe,Yang Jian.Short-term wind power forecasting based on the elman neural network[J].Power System and Clean Energy,2012,28(12):87-91.
下一篇:高灰熔点烟煤的分质利用技术研究