1评价指标体系的建立

　　根据对江苏地区农村住宅建筑节能的分析，并通过统计大量文献中对农村住宅建筑节能指标的描述，可将江苏地区农村住宅建筑节能评价指标归纳为建筑外形设计、围护结构、设备节能、新能源的利用这四个主要方面进行评价。对这四个指标做进一步分解，可以得出19个子指标，

　　2江苏地区农村住宅建筑节能的综合评价方法

　　2.1信息熵方法对建筑节能评价指标的筛选

　　为了从已经构建的初始评价指标中提取主要评价指标，可以采用信息熵法剔除其中对评价影响不大的指标。具体操作步骤及方法如下：第一步：将初始的指标矩阵进行标准化处理。假定所选的评估对象有N个，初始的指标有M个，则可以构建N×M阶的矩阵，定义为矩阵A。按照式（1）进行标准化后的矩阵为A′。a′ij=（1）第二步：熵值的求取。令pj表示熵值，则，ij=pj=-ijlnij（2）第三步：熵权的确定。Ｗj表示求出的熵权的大小，则，Wj=（3）第四步：确定某个评价指标的具体权重。权重值用Qj表示，则，Qj=（4）第五步：将第三步求出的熵权与第四步求出的具体权重进行结合，剔除冗余指标，确保评价的稳定性。

　　2.2BP神经网络方法对农村住宅建筑节能的综合评价

　　BP神经网络可以用于逼近任意的一个非线性的函数，同时具有超强的自适应以及存储能力。采用BP神经进行评价时，其运行的主要思想就是将搜集到数据输入到该系统中，然后系统进行自我训练，拟合各指标间的最优关系，并自动记忆、存储所选指标对综合评价对象的影响权值，继而对类似对象做出客观的评价。在进行BP神经网络训练之前需要构建BP神经网络结构，主要需要以下参数。

　　（1）BP神经网络的节点数与层数的确定BP神经网络结构的确定需先确定输入、输出层节点数、隐含层的层数以及隐含层节点。输入层节点数为指标个数，输出层节点数为建筑节能综合评价指标。在规模不大的情况下，常采用一个隐含层。隐含层节点数可根据式（5）确定。Ny=（5）其中，Ny表示隐含层节点数；Ni表示输入层节点数；No表示输出层节点数；NP表示训练样本个数。

　　（2）BP神经网络相关参数的确定确定BP神经网络结构后，需要确定网络函数的选取、初始权重的确定、期望误差、学习速率、训练次数等相关参数。

　　3江苏农村住宅建筑节能的综合评价

　　首先对初始建立的评价指标进行筛选，剔除其中可能对评价结果有干扰的影响因素。聘请10位专家对初始的评价指标进行打分，然后依据信息熵方法进行处理，最终得出的综合评价指标包括b11、b12、b13、b14、b21、b22、b23、b24、b25、b31、b32、b33、b41、b45、b46这15个评价指标。采用三层BP神经网络模型，即输入层、隐含层、输出层各一层，输入节点数为选定的评价指标数15，根据式（5）确定隐含层的节点数为7，输出节点数为1。函数采用Sigmoid函数，初始权值为[0，1]区间的较小的数，误差期望为0.01，学习速率为0.001，训练次数为10000次。笔者选取了江苏省某地区的6个农村住宅建筑作为评价对象，以其中的5个作为训练样本。数据主要是通过调查得到并做归一化处理，聘请相关专家对这几个样本进行综合评分，用t表示。经过训练，将第六个样本作为评价对象，采用该模型进行综合评价，各指标的初始值见表3。采用经训练后的BP神经网络模型进行综合评价，得出的最终评价结果为0.932，这与通过专家打分法得出的评价值0.927相比，误差为0.005，相对误差为0.5%。这充分说明采用BP神经网络模型进行综合评价是可行的，且其评价的精度比较高。

　　4结语

　　影响农村住宅建筑节能的评价指标有很多，评价指标又是准确评价的基础，因此本文采用信息熵方法排除冗余因素的影响。在评价指标确定的基础上，结合BP神经网络精度高的优点对农村住宅建筑节能进行综合评价。通过实例分析可以发现：将这两种方法结合起来对农村住宅建筑节能进行综合评价，不仅具有较强的实用性，而且简化了模型，提高了运算速度及评价的精度。