第一种模糊评价方法：内燃机性能评价。

第二种数据包络分析法人工神经网络评价法思想与原理人工神经网络是模仿生物神经网络功能的一种经验模型，输入和输出之间的变换关系一般是非线性的。

首先根据输入的信息尽力神经元，通过学习规则或自组织等过程建立相应的非线性数学模型，并不断进行修正，是输出结果与实际值之间的差距不断缩小。

人工神经网络通过样本的“学习和培训”，可记忆客观事物在空间、时间方面比较复杂的关系。

由于人工神经网络本身具有非线性的特点，且在应用中只需对神经网络进行专门问题的样本训练，它能够把问题的特征反映在神经元之间相互关系的权中，所以，把实际问题特征参数输入后，神经网络输出端就能给出解决问题的结果。

神经网络的特点是，神经网络将信息或知识分布储存在大量的神经元或整个系统中。

它具有全息联想的特征，具有高速运算的能力，具有很强的适应能力，具有自学习、自组织的潜力。

他能根据历史数据通过学习和训练能找出输入和输出之间的内在联系，从而能得出问题的解。

另外，他有较强的容错能力，能够处理那些有噪声或不完全的数据。

部分节点不参与运算，也不会对整个系统的性能造成太大的影响。

反向传播（Back Propagation，BP）神经网络是由Rumelhart等人于1985年提出的一种很有影响的神经元模型，它是一种多层次反馈性模型，使用的石油“导师”的学习算法。

有广阔的应用前景。

模型和步骤处理单元，或称之为神经元，是神经网络的最基本组成部分。

一个神经网络系统中有许多处理单元，每个处理单元的具体操作步骤都是从其相邻的其他单元中接受输入，然后产生出输出送到与其相邻的单元中去。

神经网络的处理单元可以分为三种类型：输入单元、输出单元和隐含单元。

输入单元是从外界环境接受信息，输出单元则给出神经网络系统对外界环境的作用，这两种处理单元与外界都有直接的联系。

隐含单元则处于神经网络之中，他不与外界产生直接的联系。

它从网络内不接受输入信息，是哟产生的输出则制作能够用于神经网络系统中的其他处理单元。

隐含单元在神经网络中起着极为重要的作用。

人工神经网络的工作过程具有循环特征。

对事物的哦按段分析必须经过一个学习和训练工程。

1949年，Hebb率先提出了改变神经元连接强度的学习规则。

其过程是：将样本（训练）数据赋予输入端，并将网络实际输出和期望输出相比较，得到误差信号，以此为依据来调整连接权值。

重复此过程，直到收敛于稳态。

BP网络是一种具有三层或者三层以上的层次结构网络，相邻上、下层之间各神经元实现全连接，即下层的每个神经元与上层的每个神经元都实现权连接，而每层各种神经元之间无连接。

换个角度看，BP神经网络不仅具有输入层节点，输出层节点，还可以有1个或者多个隐含层节点。

对于输入信号，要先向前传播到隐含层节点，经作用函数后，再把隐含层的输出信号传播到输出节点，最后给出输出结果。

在BP算法中，节点的作用的机理函数通常选取S形函数。

对于BP模型的输入层神经元，其输出与输入相同，中间隐含层和输出层的神经元的操作规则如下：Ykj=f(∑=--n11 ,1iikkjikYW)Y k-1i是k-1层的第i个神经元的输出，也是第k层神经元的输入；W k-1i ，kj 是k-1层第i 个元素与k 层第j 个元素的连接权值； Y kj 是第j 个神经元的输出，也是第k+1层神经元的输出；f 是Sigmoid 函数。

F(u)=1/（1+e -u）1989年Robert Hecht-Nielson 证明了一个三层的BP 网可以完成人意的n 维道m 维的映照。

这实际上已经给了一个基本的设计BP 网络的原则。

增加层数主要是可以进一步降低误差，提高精度，但同时是网络复杂化，从而增加了网络权值的训练时间。

误差精度的提高实际上也可以通过增加隐层中的神经元数目来获得，其训练效果也比增加层数更容易观察和调整，所以一般情况下，应先考虑增加隐层的神经元数目。

隐层单元数的选择在神经网络的引用中一直是一个复杂的问题。

隐层单元数过少可能训练不出网络或者网络不够“强壮”，不能识别以前没有看过的样本，容错性差；但隐层单元数过多，又会是学习实践过长，误差也不一定最佳，因此存在一个如何确定合适的隐层单数的问题，在具体设计时。

比较实际做法是通过对不同神经元数进行训练对比，然后适当地加上一点余量。

假设BP 网络每层有N 个处理单元，训练集包含M 个样本模式对。

对第p 个学习样本（p=1,2,…,M ）,节点j 的输入总和记为netpj,输出记为Opj,则：netpj=pj ji O W ∑iOpj=f(netpj)如果任意设置网络初始权值，那么对每个输入样本p ，网络输出与期望输出（dpj ）间的误差为：E=2/)P )((p2∑∑-=jpj pj p O d E ，式中d pj 表示对第p 个输入样本输出单元的误差的计算是不同的。

在BP 网络学习过程中，输出层单元与隐单元的误差的计算是不同的。

BP 网络的权值修正公式为：W ji =W ji (t)+ ηδpj O pjδpj =⎪⎩⎪⎨⎧-∑k jk j p pj pj pj W net O d net 对于输入节点对于输出节点,δ)(f'),)((f'pj上式中，引入学习速率η，是为了加快网络的收敛速度，但有时可能长生震荡。

通常权值修正公式中还需加一个惯性参数a,从而有：Wji=Wji （t ）+ηδpj O pj +a(Wji(t)-Wji(t-1)) 上式中，a 为一常数项，称为势态因子，他决定上一次的权值对本次全职更新的影响程度。

权值修正是在误差反向传播过程中逐层完成的。

有输出层误差修正个输出层的单元的连接权值，再计算相连隐含层单元的误差两，并修正隐含层单元的连接权值。

在网络学习过程中，权重值是随着迭代的进行而更新的，并且一般是收敛的。

但权值的初始值太大，可能导致网络很快就达到饱和，并且权值的初始值对网络的收敛速度也有一定的影响。

学习步长是网络学习的另一个重要参数，在一定程度上也决定了网络的收敛速度。

学习步长国小会导致权重值更新量过小，因而是收敛非常的缓慢；学习步长过大又会导致在极值点附近震荡的可能性加大，乃至反复震荡而难以收敛。

一般地，BP 网络的学习算法描述为如下步骤：1初始化网络及学习参数，如设置网络初始权矩阵，学习因子η，势态因子a 等； 2提供训练模式，训练网络，直到满足学习要求；3前向传播过程，对给定训练模式输入，计算网络的输出模式，并与期望模式比较，如有误差，则执行（4）；否则，返回（2）；4反向传播过程；计算同一层单元的误差，修正权值和阈值（即i=0时的连接权值），返回（2）.BP神经网络的实质就是一句所提供的样本数据，通过学习和训练，抽取样本所隐含的特征关系，一神经元件连接权值的形式存储专家的知识。

具体地说，BP算啊的基本思想是将每次迭代的误差信号由输出层经隐蔽层至输入层反向传播，调整各个神经元之间的连接权值，如此反复迭代，直到误差达到容许水平，这种调节过程具有自组织，自学习的特点。

由于BP网络及其算法增加了中间隐含层并有相应的学习规则可循，使其具有对非线性模式的识别能力，特别是其数学意义明确，步骤分明的学习算法，更是其具有广泛的应用前景。

基于BP网路的多指标综合评价神经网络模型的设计如下：BP网络的结构包括网络层数，输入，输出节点和隐节点的个数。

连接方式。

根据映射定理即可构造一个包括输入层、隐含层和输出层的三层BP网络，其中输入层节点数m,及评价指标的个数；输出等节点数n为1，及评价结果；隐含层节点数L=(m*n)/2 隐含层没有统一的规则，根据具体对象而定。

隐含层的输出函数为Sigmoid变换函数，输入和输出层函数为线性函数。

需要注意的是，在综合评价（决策）中，北平对象各个特征值表之间一般没有统一的度量标准，并且在很多场合下得到的特征值表示定性描述而不是量值，因而很难进行直接的比较。

所以及逆行那个综合评价前，应先对评价指标特征值进行量化处理，综合评价前必须把这些分指标按某种隶属度函数将其归一化到某一无量纲区间。

当然，由于评价指标的类型往往不同，因此其特征量化的方法也不应相同。

基于人工神经网络的综合评价方法的步骤可概括如下：1确定评价指标集，指标个数为BP网络中输入节点的个数，2确定网络的层数，一般采用具有一个输入层，一个隐含层，一个输出层的三层网络模型结构。

3明确评价结果，输出层的节点数为14对指标值进行标准化处理5用随机数（一般为0-1之间的数）初始化网络节点的权值和网络阈值。

6将标准化以后的指标样本值输入网络，并给出相应的期望输出。

7正向传播，计算各节点的输出8计算各层节点的误差9反向传播，修正权值10计算误差。

当误差小于给定的拟合误差，网络训练结束；否则转向（7），继续训练11训练所得网络权重可以用于正式的评价应用：DEA（数据包络分析）：1.烟草农业评价指标体系，可以避免常规赋权方法中的主观因素限制。

2. 湿地生态脆弱性评价3. 京津冀都市圈生态效率评价4. 矿井火灾安全评价方法第三种层次分析法(analytic hierarchy process)：用系统分析的方法，对评价对象依评价目的所确定的总评价目标进行连续性分解，得到各级（各层）评价目标，并以最下层作为衡量目标达到程度的评价指标。

然后依据这些指标计算出一综合评分指数对评价对象的总评价目标进行评价，依其大小来确定评价对象的优劣等级。

思想与基础层次分析法是美国著名运筹学家T.L.Satty 等人在20世纪70年代提出的一种定性与定量相结合的多准则决策方法。

模型和步骤1构造层次分析结构 目标层，A准则层，B1 ，B2 ，B3，。

方案层，C1 ，C2 ，C3，。

每一层中的元素一般不能不超过9个Cij>0Cij=1/Cji(i 不等于j) Cii=1(I,j=1,2…n)我们把这类矩阵C 称之为正反矩阵，对正反矩阵C ，若对于任意I,j,k 均有Cij •Cjk=Cik,此时该矩阵为一致矩阵判断矩阵标度及其含义3判断矩阵一致性检验所谓判断思维的一致性是指专家在判断指标重要性时，各判断之间的协调一致，不致出现相互矛盾的现象和结果。

根据矩阵理论可以得到这样的结论，即如果λ1，λ2，。

λn 是满足式Ax=λx 的数，也就是矩阵的A 的特征根，并且对于所有的aii=1,有∑=ni 1λi=n显然矩阵具有完全一致性时，λ1=λmax=n,其余特征值为零，而当矩阵A 不具有完全一致性是，则有λ1=λmax>n,其余特征根λ2，λ3，。

λn 有如下关系：∑=ni 1λi=n-λmax上述结论告诉我们，当判断矩阵不能保证具有完全一致性时，相应判断矩阵的特征根也将发生变化，这样就可以用判断矩阵特征根的变化来检验判断的一致性程度。