基于B P 人工神经网络的小城镇生态环境质量评价模型＊李 丽 张海涛＊＊(华中农业大学资源与环境学院,武汉430070)摘 要 针对中国小城镇生态环境质量综合评价存在的问题,以生态环境质量指标体系作为神经网络的输入、以生态环境等级评分作为输出,基于B P 人工神经网络,建立了具有20个隐含层节点、3层网络的小城镇生态环境质量评价模型;以生态环境指标的各级评价标准作为模型的训练样本,以训练样本数量的10%以及各指标各等级的临界值、中间值作为检验样本,以研究区生态环境质量的实际监测值作为预测样本,利用M A T L A B 软件对B P 人工神经网络进行训练,并对鄂州市杜山镇生态环境质量等级进行了模式识别.结果表明:利用B P 人工神经网络方法对小城镇生态环境质量进行预测是可行的、可靠的,它不仅能很好地评价区域生态环境质量,而且能够与区域生态环境的实际特征相结合.关键词 生态环境质量 B P 人工神经网络 小城镇 评价模型文章编号 1001-9332(2008)12-2693-06 中图分类号 X 821 文献标识码 AA s s e s s m e n t m o d e l o f t o w n l e t e c o -e n v i r o n m e n t a l q u a l i t yb a s e do nB P -a r t i f i c i a l n e u r a l n e t -w o r k .L I L i ,Z H A N GH a i -t a o (C o l l e g e o f R e s o u r c e s a n d E n v i r o n m e n t ,H u a z h o n g A g r i c u l t u r a l U n i -v e r s i t y ,W u h a n 430070,C h i n a ).-C h i n .J .A p p l .E c o l .,2008,19(12):2693-2698.A b s t r a c t :A i m i n g a t t h e p r o b l e m s i n t h e t o w n l e t e c o -e n v i r o n m e n t a l q u a l i t y a s s e s s m e n t i n C h i n a ,a c o m p r e h e n s i v e a s s e s s m e n t m o d e l o f t o w n l e t e c o l o g i c a l e n v i r o n m e n t a l q u a l i t y b a s e d o nB P -a r t i f i c i a l n e u r a l n e t w o r k w a s s e t u p ,w h i c h c o n t a i n e d 20c r y p t i c l a y e r n o d e s a n d 3l a y e r s .T h e r a n k c l a s s i f i -c a t i o n c r i t e r i o n o f e c o -e n v i r o n m e n t a l q u a l i t y 's a s s e s s m e n t i n d i c a t o r s y s t e mw e r e c h o s e n a s t h e t r a i n -i n g s a m p l e o f t h e m o d e l ,t h e 10%o f t r a i n i n g s a m p l e a s w e l l a s t h e m i d d l e a n d c r i t i c a l v a l u e s w e r e r e g a r d e d a s e x a m i n i n g s a m p l e ,a n d t h e m o n i t o r i n g v a l u e s o f a s s e s s m e n t r e g i o nw e r e t r e a t e d a s t e s t s a m p l e .C h o o s i n g t h eD u s h a n T o w n i nE z h o u C i t y a s a n e x a m p l e ,t h e t r a i n i n g a n d p r e d i c t i o n w e r e m a d e b y u s i n g M A T L A Bs o f t w a r e .T h e r e s u l t s s h o w e d t h a t B P -a r t i f i c i a l n e u r a l n e t w o r k w a s n o t o n l y f e a s i b l e a n d d e p e n d a b l e ,b u t a l s o c o u l d p r o v i d e a c c e p t a b l e r e s u l t s i n a c c o r d w i t h t h e r e g i o n a l r e a l -i s t i c e c o -e n v i r o n m e n t a l f e a t u r e .K e y w o r d s :e c o -e n v i r o n m e n t a l q u a l i t y ;B P -a r t i f i c i a l n e u r a l n e t w o r k ;t o w n l e t ;a s s e s s m e n t m o d e l .＊湖北省小城镇发展研究中心开放基金资助项目(2006K 06).＊＊通讯作者.E -m a i l :z h t @m a i l .h z a u .e d u .c n 2008-05-12收稿,2008-09-22接受. 生态环境质量评价是生态环境管理的重要手段之一.通过环境质量评价可对某一区域的生态环境质量状况做出科学评估,并为生态环境管理、生态环境工程、生态环境标准的制订、生态环境规划、生态环境建设等提供科学依据.多年来,国内外学者对环境质量评价方法进行了大量研究[1-2],传统的评价方法主要包括指数评价法[3-4]、层次分析法(A H P 法)[5-6]、主成分分析法[7-8]和模糊聚类评价法[9-10]等,但多数方法的实际操作性不够,存在一定的局限性和不合理性.因此,本文试图将人工神经网络方法引入小城镇生态环境质量评价,采用B P算法建立了生态环境质量评价模型,并用于实际的环境质量评价,旨在为小城镇生态环境质量评价提供一种新的方法理论.1 研究地区与研究方法1.1 研究区概况本研究区为位于鄂州市西南城郊的杜山镇(30°05′—30°20′N ,114°31′—114°43′E ),属亚热带季风气候过渡区,年均气温17℃,无霜期268～272d ,年均降水量1200～1500m m ,年日照时数2038～应用生态学报 2008年12月 第19卷 第12期 C h i n e s e J o u r n a l o f A p p l i e dE c o l o g y ,D e c .2008,19(12):2693-2698DOI :10.13287/j .1001-9332.2008.00472083h .该区四季分明,光照充足,雨量充沛,土质肥沃,适宜发展各类种养业.杜山镇地形呈不规则的锐角三角形,低洼平坦,全镇人少地多,水利设施完善,具有发展规模生产、集约经营的优越条件.随着杜山镇工业经济规模与效益的与日俱增,该镇生态环境质量问题也日益突出,工业、农业、交通、生活等带来的环境压力越来越严重.1.2 B P 人工神经网络模型人工神经网络(a r t i f i c i a l n e u r a l n e t w o r k s ,A N N )是20世纪40年代产生、80年代发展起来的模拟人脑生物过程的人工智能技术,是由大量简单的神经元广泛互连形成的复杂非线性系统.它不需要任何先验公式,就能从已有数据中自动地归纳规则,获得这些数据的内在规律,具有自学习性、自组织性、自适应性和很强的非线性映射能力,特别适于对因果关系复杂的非确定性推理、判断、识别和分类等问题的处理[11].B P 人工神经网络是A N N 技术中应用最广泛的一种网络类型,是一种多层前向型神经网络,其权值的调整采用反向传播(b a c kp r o p a g a t i o n )学习算法,体现了神经网络理论中最为精华的部分[12].它是一种包含输入层、隐含层和输出层的中向传播的多层前向网络(图1),可解决多层网络中隐含单元连接权的学习问题.其输入信号从输入节点依次传过各隐含层,然后传到输出节点,每一层节点的输出只影响下一层节点的输出.B P 人工神经网络的学习过程包括正向传播和反向传播.当正向传播时,输入信息从输入层经隐含层单元处理后传向输出层,每一层神经元的状态只影响下一层神经元的状态.如果在输出层得不到希望的输出,则转入反向传播,将误差信号沿原来的神经元连接通路返回,返回过程中,逐一修改各层神经图1 B P 神经网络结构F i g .1 S t r u c t u r e o f B P -n e u r a l n e t w o r k .元连接的权值.这种过程不断迭代,最后使信号误差达到允许的误差范围内[13].1.3 数据来源与处理采用B P 神经网络方法建模的首要和前提条件是有足够的典型性好、精度高的样本.而且,为监控训练(学习)过程使之不发生“过拟合”,以提高网络模型的性能和泛化能力,必须将收集到的数据随机分成训练样本、检验样本(10%以上)和测试样本3部分.此外,数据分组时还应尽可能考虑样本模式间的平衡.1.3.1训练样本 生态环境质量评价本质上是模式识别问题,即将生态环境质量评价指标系统的实际监测结果与对应生态环境质量评价标准值构成的数组进行比较,与监测值构成的数组最为接近的标准值数组所对应的生态环境质量等级即为B P 人工神经网络模型的识别结果,也就是对应区域的生态环境质量评价结果.以往关于环境质量评价B P 人工神经网络模型的研究中[14-18],通常都是直接将国家制定的环境质量标准作为训练样本,但对于小城镇生态环境质量的评价而言,如果按照国家生态环境质量标准作为训练样本,那么该小城镇中各行政村的生态环境质量可能就集中于某1个级别或某2个级别,以至于整个乡镇的生态环境质量评价差异性不够显著.因此,本研究参照《全国环境优美小城镇考核指标(试行)》和《生态环境质量评价技术规定》,并结合生态环境质量评价的相关文献资料[19-23],采用频率统计法、理论与实际分析法、特尔菲专家咨询法和相关性分析法对预选指标进行筛选[24],构建了由自然资源、区域环境水平和区域社会经济水平3个层面、12个分项、29个单项评价因子组成的评价指标体系.以杜山镇生态环境系统29个指标的极大值和极小值为边界,根据杜山镇8个村的各个指标值的分布状况,研究区生态环境质量等级可划分为5个等级(表1).相关研究表明[25-28],训练样本过少会造成网络模型的鲁棒性、适用性较差,因此不能对实测数据作出准确的识别,从而对环境质量状况做出明确判别.针对模型存在的这一问题,本研究尝试在上述等级划分的基础上,用M A T L A B 软件n o r m r n d 函数在每级标准对应数组之间,根据数据呈正态分布的原则生成部分(本研究选择21对)训练样本,对训练样本集进行扩充,取其中100个样本为训练样本,从而提高B P 人工神经网络模型的鲁棒性和适用性[29-31].2694 应 用 生 态 学 报 19卷表1 杜山镇生态环境质量评价指标体系的等级划分及其预期输出T a b.1 R a n kc l a s s i f i c a t i o na n da n t i c i p a t e do u t p u t o f e n v i-r o n me n t a l q u a l i t ye v a l u a t i o n i n d i c a t o rs y s t e m i n D u s h a n T o w n指标I n d i c a t o r等级划分标准R a n k d i v i s i o n s t a n d a r dⅠⅡⅢⅣⅤ预期输出A n t i c i p a t e d o u t p u tW R A D0.130.180.310.461(1,0.8,0.6,0.4,0.2)A P P H L0.200.290.400.550.99(1,0.8,0.6,0.4,0.2)A P P F0.590.670.770.871(1,0.8,0.6,0.4,0.2)I G R0.790.880.960.981(1,0.8,0.6,0.4,0.2)G S C F00.040.180.371(1,0.8,0.6,0.4,0.2)B A I0.020.060.180.531(1,0.8,0.6,0.4,0.2)R A D0.610.830.880.921(1,0.8,0.6,0.4,0.2)R A P I0.940.970.980.991(1,0.8,0.6,0.4,0.2)S S P R0.200.400.600.801(1,0.8,0.6,0.4,0.2)H W W E I0.560.670.890.941(1,0.8,0.6,0.4,0.2)R S E Q0.500.600.700.801(1,0.8,0.6,0.4,0.2)H S P R0.200.400.600.801(1,0.8,0.6,0.4,0.2)A U C F A I0.150.170.220.751(1,0.8,0.6,0.4,0.2)P A R0.320.480.650.771(1,0.8,0.6,0.4,0.2)A M C U F0.250.380.510.560.99(1,0.8,0.6,0.4,0.2)C S S C U F0.560.670.890.941(1,0.8,0.6,0.4,0.2)P D0.570.600.780.851(1,0.8,0.6,0.4,0.2)R C L0.410.670.780.891(1,0.8,0.6,0.4,0.2)B C R0.800.890.930.971(1,0.8,0.6,0.4,0.2)F N I0.860.890.910.961(1,0.8,0.6,0.4,0.2)R D I0.860.890.930.981(1,0.8,0.6,0.4,0.2)E C0.590.660.780.901(1,0.8,0.6,0.4,0.2)L F R0.330.560.720.891(1,0.8,0.6,0.4,0.2)I S0.400.450.560.651(1,0.8,0.6,0.4,0.2)P U C D0.590.710.820.941(1,0.8,0.6,0.4,0.2)C E P R0.080.160.250.541(1,0.8,0.6,0.4,0.2)R W P R00.410.670.731(1,0.8,0.6,0.4,0.2)P U0.500.600.700.800.95(1,0.8,0.6,0.4,0.2)R N D0.460.570.750.891(1,0.8,0.6,0.4,0.2) WR A D:水资源丰缺度W a t e r r e s o u r c e s a b u n d a n t d e g r e e;A P P H L:人均居住用地A v e r a g e p e rp e r s o nh o u s i n gl a n d;A P P F:人均耕地A v e r a g e p e r p e r s o n f a r m i n g;I G R:灌溉保证率I r r i g a t i o ng u a r a n t e er a t e;G S C F:绿地覆盖率G r e e n s p a c e c o v e r a g e f r a c t i o n;B A I:生物丰度指数B i o l o g i-c a l a b u n d a n c ei n d e x;R A D:资源丰缺度R e s o u r c e sa b u n d a n t d e g r e e; R A P I:区域空气污染指数R e g i o na i r p o l l u t i o ni n d e x;S S P R:生活污水处理率S a n i t a r y s e w a g e p r o c e s s i n gr a t i o;H W WE I:有害废水排放强度H a r m f u l w a s t e w a t e r e m i s s i o n s i n t e n s i t y;R S E Q:区域声环境质量R e g i o n s o u n d e n v i r o n m e n t q u a l i t y;H S P R:生活垃圾处理率H o m e s c r a p p r o c e s s-i n g r a t i o;A U C F A I:农用化肥施用强度A g r i c u l t u r a l u s e c h e m i c a l f e r t i l i z-e r a p p l i c a t i o ni n t e n s i t y;P A R:农药施用强度P e s t i c i d e a p p l i c a t i o nr a t e;A M C U F:农膜循环利用率A g r i c u l t u r a l m e m b r a n e c i r c u l a t i o nu s e f a c t o r;C S S C U F:农作物秸秆综合利用率C r o p s s t r a ws t a l kc o m p r e h e n s i v eu s e f a c t o r;P D:人口密度P o p u l a t i o n d e n s i t y;R C L:居民文化水平R e s i d e n t c u l t u r a l l e v e l;B C R:计划生育率B i r t hc o n t r o l r a t e;F N I:农民纯收入F a r m e r n e t i n c o m e;RD I:居民可支配收入R e s i d e n t d i s p o s a b l ei n c o m e;E C:恩格尔系数E n g e l's c o e f f i c i e n t;LF R:劳动力资源L a b o r f o r c e r e-s o u r c e s;I S:产业结构I n d u s t r i a l s t r u c t u r e;P U C D:公共设施完善程度分值P u b l i c u t i l i t y c o n s u m m a t i o nd e g r e e;C E P R:清洁能源普及率C l e a n e n e r g y p o p u l a r r a t e;R W P R:自来水普及率R u n n i n g w a t e r p o p u l a r r a t e; P U:道路通达度P a t hu n d e r s t a n d i n g;R N D:路网密度R o a dn e t w o r kd e n s i t y.下同T h e s a m e b e l o w.1.3.2检验样本 考虑到检验样本对等级区域的包含,分别取各指标各等级的临界值、中间值(共11组)作为检验样本.检验样本数量以训练样本的表2 标准化处理后的杜山镇生态环境质量监测值T a b.2 Mo n i t o r i n gv a l u e o f e n v i r o n m e n t a l q u a l i t y o f D u s h-a nT o w na f t e r s t a n d a r d i z a t i o n指标I n d i c a t o r东港D o n g g a n g杜山D u s h a n范墩F a n d u n柯营K e y i n g路口L u k o u下王X i a w a n g先台X i a n t a i旭东X u d o n g W R A D0.131.000.560.140.280.230.340.37 A P P H L0.440.420.200.670.391.000.370.98 A P P F0.800.601.000.900.590.750.740.85 I G R1.000.790.961.000.971.000.890.98 G S C F0.070.380.371.000.000.180.030.03 B A I0.170.060.030.190.021.000.530.10 R A D0.920.620.801.000.800.880.620.60 R A P I0.980.940.930.961.000.970.990.98 S S P R0.400.200.200.600.101.000.800.30 H W W E I0.940.560.940.891.000.560.890.67 R S E Q0.700.601.001.000.500.800.800.70 H S P R0.500.500.500.251.000.500.251.00 A U C F A I0.170.141.000.230.150.720.200.79 P A R0.661.000.760.480.320.470.770.64 A M C U F0.560.980.531.000.500.250.500.38 C S S C U F0.560.940.891.000.890.890.670.94 P D1.000.810.780.890.580.770.600.56 R C L0.670.890.380.900.430.781.000.67 B C R0.960.891.001.000.900.800.971.00 F N I0.920.980.861.000.890.970.950.91 R D I0.910.950.861.000.860.950.950.91 E C0.670.900.581.000.600.780.680.63 L F R0.930.720.361.000.560.290.840.34 I S0.650.400.520.650.591.000.450.56 P U C D0.941.000.820.710.940.590.710.94 C E P R1.000.500.250.580.170.080.170.15 R W P R0.000.730.000.670.410.000.001.00 P U0.700.800.500.501.000.600.800.90 R N D0.460.930.750.851.000.561.000.5810%以上为宜.1.3.3测试样本 测试样本即待评价样本,是由各评价单元的生态环境质量实际监测值构成的输入样本集.本文的杜山镇生态环境质量监测值来源于《2006鄂州年鉴》、《2006杜山镇年度报表》以及现场踏勘数据.为了便于比较,需将不同量纲的指标用标准化处理的方法统一起来,本文采用直线型无量纲化方法对测试样本进行标准化处理(表2).2 B P人工神经网络模型的建立与验证2.1 B P人工神经网络层数的确定在B P人工神经网络拓扑结构中,输入层与输出层是必须具备的,因而隐含层层数是确定网络层数的关键所在,隐含层层数选择的恰当与否直接影响到网络性能的优劣.关于B P人工神经网络模型隐含层的层数,有研究证明,当各节点具有不同的界限时,对于在闭区间内的一个连续函数可用一个隐269512期 李 丽等:基于B P人工神经网络的小城镇生态环境质量评价模型 含层的网络来逼近,一个3层的B P 网络可以完成任意的n 维到m 维的映射[32].因此,本研究中小城镇生态环境质量评价的B P 人工神经网络模型层数取3层,即输入层、隐含层和输出层.2.2 传递函数和训练参数的确定为保证B P 人工神经网络模型的非线性,从输入层到隐含层采用非线性S 型传递函数t a n s i g 函数;从隐含层到输出层采用线性函数p u r l i n 函数.为保证B P 网络模型的快速收敛,采用L e v e n b e r g -M a r -q u a r d t 学习规则,算法中需要设定的训练参数及其取值如图2所示.2.3 B P 人工神经网络拓扑结构的确定输入层节点数是由模型需要解决的实际问题本身所决定的,由于本研究参评的生态环境质量指标数为29个,故本模型的输入层节点数为29.与B P 人工神经网络模型输入层节点数确定的出发点相同,输出层节点数的确定也是基于问题本身而决定的,杜山镇生态环境质量评价B P 网络模型的目标输出为各个行政村对应的生态环境质量等级,因此,本模型输出层节点数确定为1.在B P 人工神经网络中,隐含层节点数的选择非常重要,本研究采用“黄金分割的隐含层节点数的优化算法”[33-36],初步确定隐含层节点数为15～30,然后再进行网络训练检验以确定最终隐含层节点数(表3). 使用N N T O O L 工具箱的检验结果表明,当隐含层节点数为20时,本模型在速度和精度两方面都达到最优.据此,可确定杜山镇生态环境质量评价的图2 B P 神经网络模型的训练参数F i g .2 T r a i n i n g p a r a m e t e r f o r B P -n e u r a l n e t w o r km o d e l .B P 人工神经网络模型29-20-1的拓扑结构.2.4 B P 人工神经网络模型的训练、检验和测试依据上述神经网络结构、传输函数和参数设置,在M A T L A B 软件中对杜山镇生态环境质量评价的B P 人工神经网络模型进行训练、检验和测试:采用n e t =n e w f f (t h r e s h o l d ,[20,1],{`t a n s i g ',`p u r e l i n ',`t r a i n g d m ',`l e a r n g d m '})指令创建一个新的前向神经网络,用t h r e s h o l d 控制输入值的范围在[0,1];采用n e t =t r a i n (n e t ,p ,t )指令实现网络训练,p 表示训练样本,t 表示预期输出;采用y =s i m (n e t ,p t e s t )指令完成网络仿真检验,p t e s t 为检验样本;采用y 2=s i m (n e t ,j c z )指令完成网络模式识别,j c z 表示测试样本,y 2的结果值隶属预期输出的某个值,即对应某个生态环境质量等级.经过上述过程得到杜山镇生态环境质量等级图(图3).由图3可以看出,B P 人工神经网络模型模拟的杜山镇生态环境质量等级由中心向南北、东西方向递减,中间区位的生态环境质量最为脆弱;南部和北部地区的生态环境质量次之;西部和东南地区的生图3 杜山镇生态环境质量等级图F i g .3G r a d e m a po f e n v i r o n m e n t a l q u a l i t yi nD u s h a nT o w n .表3 B P 人工神经网络模型隐含层节点的检验＊T a b .3 P r o o f -t e s t p r o c e s s o f B P -a r t i f i c i a l n e u r a l n e t w o r k 's c r y p t i c l a y e r n o d e隐含层节点N o d e o f c r y p t i c l a y e r15161718192021222324252627282930训练次数T r a i nt i m e s2875277540252800290025503575525025754150507553003425512530254075＊目标误差为0.0001G o a l e r r o r w a s 0.0001.2696 应 用 生 态 学 报 19卷态环境质量一般;东部地区的生态环境质量良好,西南地区的生态环境质量最优.模拟结果基本符合当地的实际情况.3 讨 论与传统的生态环境质量评价模型相比,基于B P 人工神经网络的杜山镇生态环境质量评价模型具有以下特征:1)B P网络实现了相关影响因素与生态环境质量之间的非线性隐式表达,杜山镇生态环境质量评价指标体系的多元性与生态环境质量多变性决定了指标体系对生态环境质量影响的多维度性,用传统的线性模型不能对二者之间的内在关系进行客观描述,B P神经网络模型正好克服了上述缺点并实现了其非线性映射关系;2)B P神经网络是采用各级标准值之间随机生成的样本对网络进行训练,使B P 网络模型学习并“记忆”了不同生态环境质量状况所对应的影响因素的值,从而对环境质量状况作出判别,排除了人为因素的干扰,使评价结论客观可靠;3)由于B P人工神经网络模型应用了具有强大非线性逼近功能的神经网络工具,采用具有修正作用的反向传播算法,在训练样本数据足够并保证质量的前提下,只需适当地增加网络的隐含层节点数或隐含层层数来提高神经网络的学习能力及训练效果,就可以实现既定的精度和效度;4)B P网络在学习和训练时,能根据各因子对生态环境质量所起作用的大小自动调节权重,它摒弃了传统的单因子权重同值的现象,实现了等级间权重的差异,使权重的确定更为精准.B P神经网络用于小城镇生态环境质量评价只需以各生态环境评价参数的分级标准为基础来生成学习样本,用训练后的网络模型的权值和阈值就可以对需评价的监测样本进行评价.一旦训练好一个网络模型,就可以推广应用于该类生态环境问题的评价,具有很好的通用性.而且,B P人工网络的生态环境质量评价可直接借助于M A T L A B软件实现,过程相对方便简捷.因此,B P人工神经网络模型是运算速度快以及容错和自学能力较强的智能型评价方法,具有很好的应用前景.但如何按照生态环境质量评价国标进行小城镇生态环境质量评价标准的制定,仍是值得进一步探讨的问题.参考文献[1] H u a Y-Z(华玉之),L i Q-X(李清雪).B r i e f i n t r o-d u c t i o nf o re v a l u a t i n ge n v i r o n m e n t a l q u a l i t y.J o u r n a l o fH e b e i I n s t i t u t eo f A r c h i t e c t u r a l S c i e n c ea n dT e c h n o l o g y(河北建筑科技学院学报),1996(3):19-22(i nC h i n e s e)[2] L i uL(刘 蕾),L i uJ-J(刘建军),L i Z-Q(李志强),e t a l.D i s c u s s i o no ne v a l u a t i o no f c i t ye c o l o g i c a le n v i r o n m e n t a lq u a l i t y.A r i d E n v i r o n m e n t a lM o n i t o r i n g(干旱环境监测),2006,20(2):79-82(i n C h i n e s e)[3] G a oC-F(高春风).E s t a b l i s h m e n t a n da p p l i c a t i o no fe c o-e n v i r o n m e n t a l q u a l i t y.J o u r n a l of B o h a i U n i v e r s i t y(N a t u r a l S c i e n c e)(渤海大学学报·自然科学版),2006,27(3):215-219(i nC h i n e s e)[4] L i u Q(刘 绮),P a nW-B(潘伟斌).E n v i r o n m e n t a lQ u a l i t y E v a l u a t i o n.G u a n g z h o u:S o u t hC h i n aU n i v e r s i t yo f T e c h n o l o g yP r e s s,2004(i n C h i n e s e)[5] Z h uX-H(朱晓华),Y a n gX-C(杨秀春),X i e Z-R(谢志仁).T h e d y n a m i c e v a l u a t i o n f o r e c o-e n v i r o n m e n-t a l q u a l i t y o f J i a n g s u P r o v i n c e.E c o n o m i c G e o g r a p h y(经济地理),2002,22(1):97-100(i n C h i n e s e)[6] X uG-L(徐广亮),X uZ-H(徐志浩),L i Q(李 群).S t u d y o n i n d e xs y s t e mo f e c o l o g i c a l e n v i r o n m e n t a la s s e s s m e n t f o r t h e w a t e r c o n s e r v a t i o n z o n e l o c a t e di nt h es o u t h o f J i'n a nC i t y.E n v i r o n m e n t a l P r o t e c t i o nS c i e n c e(环境保护科学),2005,31(5):60-62(i n C h i n e s e) [7] L i S(李 菘),Q i uW(邱 微),Z h a oQ-L(赵庆良),e t a l.A p p l y i n g a n a l y t i c a l h i e r a r c h y p r o c e s s t oa s-s e s se c o-e n v i r o n m e n t q u a l i t yo f H e i l o n g j i a n gP r o v i n c e.E n v i r o n m e n t a l S c i e n c e(环境科学),2006,27(5):1031-1034(i n C h i n e s e)[8] J o l l a n d s a N,L e r m i t bJ,P a t t e r s o n aM.A g g r e g a t ee c o-e f f i c i e n c y i n d i c e s f o r N e wZ e a l a n d-Ap r i n c i p a l c o m p o-n e n t s a n a l y s i s.J o u r n a l o f E n v i r o n m e n t a l M a n a g e m e n t,2004,73:293-305[9]T a n g Z(汤 姿).S t u d y o ne c o-e n v i r o n m e n t q u a l i t y a s-s e s s m e n t b a s e do nf a c t o r a n dc l u s t e r i n ga n a l y s i s.J o u r-n a lo fH a r b i n U n i v e r s i t y o fC o m m e r c e(N a t u r a lS c i-e n c e s)(哈尔滨商业大学学报·自然科学版),2006,22(6):121-124(i nC h i n e s e)[10] L i Y-Y(李艳云).T h ea p p l i c a t i o no f g r e yc l a s s i f i e d-f u z z yc o m p r e h e n s i v ee v a l u a t i o no na n a l y z i n go f t h ea i rq u a l i t y.E n v i r o n m e n t a l P r o t e c t i o nS c i e n c e(环境保护科学),2007,33(5):61-63(i nC h i n e s e)[11] G a nJ(甘 敬),Z h uJ-G(朱建刚),Z h a n g G-Z(张国祯),e t a l.E s t a b l i s h i n g i n d i c e s f o r r a p i da s s e s s m e n to f f o r e s t h e a l t hb a s e do nB Pn e u r a l n e t w o r k s.S c i e n t i aS i l v a e S i n i c a e(林业科学),2007,43(12):1-7(i nC h i n e s e)[12] A n d e r s o n J A.A n I n t r o d u c t i o n t o N e u r a l N e t w o r k s.L o n-d o n:M I TP re s s,1995[13] G e n g Y-M(耿悦敏).F o r e c a s t m o d e l b a s e d o n B P n e u-r a l n e t w o r k.J o u r n a l o f G u a n g d o n g C o m m u n i c a t i o n s P o l-y t e c h n i c(广东交通职业技术学院学报),2007,6(4):46-48(i n C h i n e s e)[14] L i X-M(李湘梅),Z h o uJ-X(周敬宣).F o r e c a s t i n go f u r b a nt o t a l e c o l o g i c a l f o o t p r i n t b a s e do nB Pn e u r a ln e t w o r k:Ac a s e s t u d y o f Wu h a n.E n v i r o n m e n t a l S c i e n c e＆T e c h n o l o g y(环境科学与技术),2007,30(8):68-70(i nC h i n e s e)[15] L i H-Y(李洪义),S h i Z(史 舟),S h a J-M(沙晋269712期 李 丽等:基于B P人工神经网络的小城镇生态环境质量评价模型 明),e ta l.E v a l u a t i o n o fe c o-e n v i r o n m e n t a lq u a l i t yb a s e do na r t i f ic i a l n e u r a l n e t w o r ka nd re m o t es e n s i n gt e c h n i q u e s.C h i n e s e J o u r n a l o f A p p l i e dE c o l o g y(应用生态学报),2006,17(8):1475-1480(i nC h i n e s e)[16] S o n g S-B(宋松柏),C a i H-J(蔡焕杰).Ac o m p r e-h e n s i v eq u a n t i t a t i v ea s s e s s m e n t m o d e l f o r a r i da r e a'sb a s i nw a t e r-s o i l e n v i r o n m e n t q u a l i t y.C h i n e s e J o u r n a l o fA p p l i e d E c o l o g y(应用生态学报),2005,16(2):345-349(i n C h i n e s e)[17] W uC-Z(吴承祯),H o n g W(洪 伟).N e u r a l n e t-w o r kb a s e do n m o d i f i e d s i m p l e x m e t h o da n di t s a p p l i c a-t i o n i ns t u d y i n gf o r e s t s e l f-t h i n n i n g.C h i n e s e J o u r n a l o fA p p l i e d E c o l o g y(应用生态学报),2000,11(5):655-659(i n C h i n e s e)[18] T a n g L-N(汤丽妮),Z h a n gL-Q(张礼清),Wa n gZ(王 卓).A p p l i c a t i o no f a r t i f i c i a l n e u r a l n e t w o r kt ot h e a s s e s s m e n t o f e c o-e n v i r o n m e n t q u a l i t y.S i c h u a nE n-v i r o n m e n t(四川环境),2003,22(3):69-72(i n C h i-n e s e)[19] Z h o u H-R(周华荣).S t u d y o ne c o l o g i c a l e n v i r o n m e n-t a l q u a l i t y a s a s s e s s m e n t i n d e x s y s t e mo f X i n j i a n g.C h i-n aE n v i r o n m e n t a l S c i e n c e(中国环境科学),2000,20(2):150-153(i nC h i n e s e)[20] P a nZ-H(潘智慧),Z h a n g S-L(张仕廉).AS t u d y o ft h e i n d e x s y s t e m f o r s u s t a i n a b l e d e v e l o p m e n t o f a t o w n.J o u r n a l o f C h o n g q i n g A r c h i t e c t u r e U n i v e r s i t y(重庆建筑大学学报),2004,26(4):106-109(i n C h i n e s e)[21] L i F(李 锋),L i u X-S(刘旭升),H u D(胡 聃),e t a l.E v a l u a t i o nm e t h o da n di n d e xs y s t e m of e c o-c i t yd e v e l o p m e n t:A c a s es t u d yi nD a f e n gC i t yo f J i a n g s uP r o v i n c e,C h i n a.C h i n e s eJ o u r n a l o fA p p l i e dE c o l o g y(应用生态学报),2007,18(9):2006-2012(i n C h i-n e s e)[22] X u P-W(徐鹏炜),Z h a o D(赵 多).E c o l o g i c a l e n-v i r o n m e n t a l q u a l i t ya s s e s s m e n t o f H a n g z h o uu r b a na r e ab a s e d o n R S a n d G I S.C h i n e s e J o u r n a l o f A p p l i e dEc o l o-g y(应用生态学报),2006,17(6):1034-1038(i nC h i n e s e)[23] Y u a n X-Z(袁兴中),L i uH(刘 红).A s s e s s m e n t o fe c o s y s t e mh e a l t h-c o n c e p tf r a m e w o r ka n d i n d i c a t o r s e l e c-t i o n.C h i n e s e J o u r n a l o f A p p l i e dE c o l o g y(应用生态学报),2001,12(4):627-629(i n C h i n e s e)[24] C u r t i s I A.V a l u i n g e c o s y s t e mg o o d s a n d s e r v i c e s:An e wa p p r o a c hu s i n gas u r r o g a t e m a r k e t a n dt h e c o mb i n a t i o no f a m u l t i p l e c r i t e r i aa n a l y s i s a n da D e l p h i p a n e l t o a s-s i g nw e i g h t st ot h e a t t r i b u t e s.E c o l o g i c a lE c o n o m i c s,2004,50:163-194[25] N e k o v e i R,S u nY.B a c k-p r o p a g a t i o nn e t w o r ka n di t sc o n f i g u r a t i o nf o r b l o o dv e s s e lde t e c t i o ni na n g i o g r a m s.I E E ET r a n s a c t i o n s o n N e u r a l N e t w o r k s,1995,6:64-72[26] K i m J H,P a r kS K.T h eg e o m e t r i c a l l e a r n i n go f b i n a r yn e u r a ln e t w o r k s.I E E E T r a n s a c t i o n so n N e u r a lN e t-w o r k s,1995,6:237-247[27] R u m e l h a t D E,H i n t o n D E.L e a r n i n g i n t e r n a l r e p r e s e n t a-t i o n s b yb a c kp r o p a g a t i o ne r r o r.N a t u r e,1986,323:533-536[28]S a r u k k a iR R.S u p e r v i s e d s e l f-c o d i n gi n m u l t i-l a y e r e df e e d f o r w a r dn e t w o r k s.I E E ET r a n s a c t i o n s o n N e u r a l N e t-w o r k s,1996,7:1184-1195[29] C a r m e r o nM.S h o r t t e r ms t r e a m l l o wf o r e c a s t i n g u s i n g a r-t i f i c i a l n e u r a ln e t w o r k s.J o u r n a lo fH y d r o l o g y,1999,214:32-48[30] L u kK C,B a l l J E,S h a r m a A.As t u d yo f o p t i m a l m o d e ll a ga n d s p a t i a li n p u t st oa r t i f i c i a l n e u r a ln e t w o r k f o rr a i n f a l l f o r e c a s t i n g.J o u r n a l o f H y d r o l o g y,2000,227:56-65[31] S a n g H S.P r e d i c t i o no f o z o n e f o r m a t i o nb a s e do nn e u r a ln e t w o r k.J o u r n a l o f E n v i r o n m e n t a l E n g i n e e r i n g,2000,126:688-696[32] L i p p m a n n R P.A n i n t r o d u c t i o n t o c o m p u t e r i n g w i t h n e u-r a l n e t s.I E E EA S S PM a g a z i n e,1987,4:4-22[33] X i aK-W(夏克文),L i C-B(李昌彪),S h e nJ-Y(沈钧毅).A n o p t i m i z a t i o n a l g o r i t h mo n t h e n u m b e r o f h i d-d e n l a y e r n o d e s i n f e e d-f o r w a r d n e u r a l n e t w o r k.C o m p u t-e r S c i e n c e(计算机科学),2005,32(10):143-145(i nC h i n e s e)[34] C a i B(蔡 兵).D e s i g n m e t h o d o n s t r u c t u r e o f i m p l i c i ts t r a t a i nB Pn e u r a l n e t w o r k.J o u r n a l o f T o n g h u aT e a c h-e r s C o l l e g e(通化师范学院学报),2007,28(2):18-19(i nC h i n e s e)[35] Z h o uH-X(周红晓),C a i J(蔡 俊),R e nD-G(任德官).A n i m p r o v e d a l g o r i t h m o n h i d d e n n o d e si nm u l t i-l a y e rf e e d-f o r w a r d n e u r a ln e t w o r k s.J o u r n a lo fZ h e j i a n g N o r m a l U n i v e r s i t y(N a t u r a l S c i e n c e)(浙江师范大学学报·自然科学版),2002,25(3):268-271(i nC h i n e s e)[36] L i u W-Q(刘维群),L i Y-C(李元臣).A B Pn e u r a ln e t w o r kb a s e d o n a d j u s t i n gh i d d e nl a y e r.J o u r n a lo fL u o y a n g T e a c h e r s C o l l e g e(洛阳师范学院学报),2005(2):67-70(i n C h i n e s e)作者简介 李 丽,女,1982年生,硕士研究生.主要从事城市生态环境学研究,发表论文2篇.E-m a i l:l u c y0919@126.c o m责任编辑 杨 弘2698 应 用 生 态 学 报 19卷。
![一种基于BP神经网络的院校教学质量评价方法[发明专利]](https://img.taocdn.com/s1/m/59876b050a4c2e3f5727a5e9856a561252d3219d.png)
