基于BP神经网络的城市建设土地分析模型.docxVIP

PAGE 1 - 基于BP神经网络的城市建设土地分析模型 基于BP神经网络的城市建设土地分析模型 摘要：城市建设中土地本钱的计量时较为关键的，但是目前来说许多模型和方法都很难将其进行统筹考虑，从因此本文建立模型来对其进行更加科学有效地评估。本文建立BP神经网络模型，对于多年数据进行训练与预报，由此得到以上各指标的改变趋势，对于附加本钱较高的指标，接受更加科学而有效的手段对其进行操纵，由此可以推断土地项目决策者的操纵手段的效果。我们可以计算发觉，从2021年到2021年，水资源、矿产资源和废物总本钱这三个权重较大的指标始终在提升，从2021年的911479、628471、754840始终上升到2021年的968539、668197、791740，因此需要实行合理手段对其进行操纵，才能够使得其本钱得到操纵。 关键词：BP神经网络 1、Basicassumptions 各个统计网站上提供的相关数据真实有效； 本文选取指标符合实际，客观、科学的反映出城市人才情況； 本文选取的指标简洁明了，均可以量化。 本文接受的BP神经网络预报法对城市将来不确定因素发生概率基本正确 2、模型分析 本文建立BP神经网络模型，对于多年数据进行训练与预报，由此得到以上各指标的改变趋势，对于附加本钱较高的指标，接受更加科学而有效的手段对其进行操纵，同时利用BP神经网络对于操纵后的本钱进行分析，由此可以推断土地项目决策者的操纵手段的效果。 输入信号通过中间节点〔隐层点〕作用于输出节点，经过非线形变换，产生输出信号，网络训练的每个样本包括输入向量和期望输出量，网络输出值与期望输出值之间的偏差，通过调整输入节点与隐层节点的联接强度取值和隐层节点与输出节点之间的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数〔权值和阈值〕，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。 Step1.网络初始化。给各连接权值分别赋一个区间〔-1，1〕内的随机数，设定误差函数，给定计算精度值和最大学习次数M。 Step2.随机选取第个输入样本及对应期望输出 Step3.计算隐含层各神经元的输入和输出及输出层各神经元的输入和输出 Step4.利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数。 Step5.利用隐含层各神经元的和输入层各神经元的输入修正连接权。 Step6.计算全局误差。 Step7.推断网络误差是否满足要求。当误差到达预设精度或学习次数大于设定的最大次数，则结束算法。否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习。 我们可以计算发觉，从2021年到2021年，水资源、矿产资源和废物总本钱这三个权重较大的指标始终在提升，从2021年的911479、628471、754840始终上升到2021年的968539、668197、791740，因此需要实行合理手段对其进行操纵，才能够使得其本钱得到操纵。 在水资源本钱方面：污水分流、部分排出污染水体中水量、引入清水冲污等措施虽然可以部分减轻污染水体的压力，但是工程巨大，而且将污染转移到分流区域，可能造成新的污染区。玄武湖和西湖的阅历说明，污水分流和引水冲污难以取得预期效果，藻类生殖在短暂受抑制〔3个月〕后又恢复原状。富含养分物质的底泥在肯定条件下会释放出氮磷，成为水体的内源性污染源，因此底泥挖掘一度成为富养分化水体治理的重要措施。然而底泥挖掘工程巨大，挖出的底泥难以进一步处理，从经济上来说，这可能是最昂贵的措施。由于底泥中氮磷的汲取和释放过程冗杂，目前尚无明确认识，底泥挖掘经常收不到预期效果。甚至因为破坏了水底部生物和水生植物环境，将深层底泥暴露，使其中所含的氮磷溶解到水体中，而在一段时期内加深水华。玄武湖和西湖的阅历证明了该法弊病许多，必需慎重考虑。 在矿产资源本钱方面：矿产资源高效节省利用有利于消除矿山废弃物的环境污染和安全威逼、实现矿业可持续进展。目前已经初步形成了一矿多开、吃干榨净的“无废生产〞，降低了开发强度。将上一生产过程产生的废物依次转化为下一个生产过程的原料和能源，对固体废弃物和尾矿开展提纯、发电、填充置换资源、制备建材等再利用，对废气和粉尘回收发电或制备建材，对废水循环回收利用或二次回注，使系统内部企业之间形成协调、互补共生关系，最大限度地充分利用资源和削减对环境的负面影响，从源头上削减了废物排放量和再回收利用废弃物。总结推广国内已经形成的矿产资源综合利用先进技术和开发模式，无疑将成为节省资源和爱护生态环境的重要举措，已经成为当务之急。 3模型预报 本文利用神经网络进行了相关预报，能以任意精度靠近任何非线性连续函数。在建模过程中的很多问题正是具有高度的非线性。在神