贝叶斯正则化神经网络权值的初始化一般是随机产生的，这期间会有很大的误差，不同的权值会对最终的结果有很大的影响，因此本书结合熵权法取初始权值进行训练，以减少初始权值对最终结果的影响。一般情况下，神经网络初始训练参数是根据经验值设定的，期间有很大的误差，本书根据数据训练输入参数，将训练结果作为权值训练初始值输入。
（一）城市生活环境评价神经网络随机赋权
第一步，将原始数据13×8矩阵的第一行数据分别乘以其对应的8个权重w1k（k＝1，2，…，8），得到一组1×8的矩阵，作为新的矩阵的第一行。再将该矩阵分别加上对应的8个权重w1k（k＝1，2，…，8），得到一组1×8的矩阵，作为原始数据矩阵第二行的权重，记为w2k（k＝1，2，…，8）。
第二步，将原始数据13×8矩阵的第二行数据分别乘以其对应的8个权重w2k（k＝1，2，…，8），得到一组1×8的矩阵，作为新的矩阵的第二行。再将该矩阵还是分别加上对应的8个权重w2k（k＝1，2，…，8），得到一组1×8的矩阵，作为原始数据矩阵第三行的权重，记为w3k（k＝1，2，…，8）。
第三步，重复上述过程分别在上一行的基础上算出新的矩阵，最终得到一个全新的13×8矩阵。
第四步，将新矩阵每列相加，分别记为q1j（j＝1，2，…，8），最终得到一个1×8的矩阵。
第五步，将第四步得到的1×8矩阵求和得到求和值，将求和值与阈值相比较。如果求和值小于阈值，则通过检验；如果求和值大于阈值，则说明参数设置不合理，需重新设置参数。根据以上步骤，神经网络随机赋权结果如表7-1所示。
表7-1 神经网络随机赋权结果
（二）城市生活环境改进熵权法赋权结果(www.xing528.com)
通过计算，熵权法权值如表7-2所示。
表7-2 熵权法训练权值表
通过计算发现有奇异值，因此采用改进的熵权法重新计算的权值如表7-3所示。
表7-3 改进熵权法训练权值表
（三）贝叶斯正则化神经网络权重结果
采用贝叶斯正则化算法（trainbr）训练误差值，最终训练出的允许误差结果为0.00053959。将之前计算的熵权法作为神经网络的初始权值输入，将贝叶斯训练误差值输入，结合神经网络训练出的权重结果如表7-4所示。
表7-4 贝叶斯正则化神经网络权值表
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
