4.2神经网络结构的确定

　　为了实现对建筑安全状况的评价，利用神经网络系统进行数据的训练，获取合适的网络结构，寻求安全指标同风险因素的非线性关系。

　　网络输出值为需要评价的两个安全指标年千人负伤率、万元工程损失，输入值为影响建筑安全生产状况的六个风险因素。

　　输出节点数由安全指标数目确定，因此输入节点数为2个；输入节点数由风险因素确定，因此输入节点数为6。设一个隐含层，主要通过调节隐层节点数、动量项、学习率提高网络的训练精度。初始化权值的设置的好坏很大程度上决定着网络的收敛速度，权值的初始化无规律可循，可把权值设在[-1，1]之间，即把每个染色体的基因设置在-1到1之间。

　　4.3网络的训练和评价结果

　　本文在模型的训练时，把所经过处理的数据输入，在训练时，交叉概率Pc=0.8，变异概率Pm=0.05，最大进化代数为6000，种群M=40或M=50 。根据以上参数，取种群数M=40，把网络输出节点全局误差为0.02作为训练终止条件，经过5000次迭代训练后，网络收敛，得到各层间的权值和阈值，即为训练好的神经网络。

　　计算所得的安全评价结果如表2所示。

　　通过上面建立的模型对神经网络进行训练，用训练好的网络权值及阈值进行建筑安全状况的评价。计算所得的安全评价结果如表1所示。

表1  计算结果

　　根据安全评价等级，其综合安全评价结果为较好，千人伤亡率与万元工程损失指标均可达到比较高的安全程度。

　　5 结 论

　　将遗传神经元网络用于系统安全评价过程中，可以比较准确地对系统的综合安全评估作出评价，但安全信息数据库的完善程度直接影响着神经元网络训练学习的准确程度，所以安全信息数据库的建立可提高综合安全评估的准确性。此外，在综合安全评价过程中的某些指标具有模糊性，若与模糊随机规划相结合，则可提高综合安全评价的可靠性，对此问题有待进一步研究。

　　参考文献：
　　1.姚小刚.建筑生产系统危险性分析、评价与安全管理. 同济大学. 2000
　　2.樊治平,张全.一种不确定性多属性决策模型的改进.系统工程理论与实践,1999,12:42-47
　　3.陈小前等.BP神经网络应用中的前后处理过程研究.系统工程理论与实践,2002, 1:66-88
　　4.王要武等．人工神经网络在建筑管理中的应用．哈尔滨建筑大学学报，2001,34(5):103-107