与改进前的神经网络相比，改进后神经网络赋权法的优良性主要表现在以下四个方面。
（1）传统的熵权法由于在赋权过程中采用归一化的无量纲化法以及依据客观数据，使得赋权结果具有很高的信度，然而其存在的缺陷就是一旦遇到极端值时就不再适用了。而为了保持信息的完备性，直接删除极端值的方法是不可取的，因此必须对其进行改进。而本书正是基于此对熵权极端值强行赋值为0.25并循环运算，使全部数据稳定在正常、合理的范围之内。
（2）运用贝叶斯正则化对标准误差值进行训练改进主要是防止出现过度拟合现象。运用正则化对最小化经验误差函数加以约束，正则化解决了逆问题的不适应性，使得产生的解是存在的、唯一的，同时也是依赖于数据的，噪声对不适定性的影响就会大大减弱，权重解就不会过度拟合。如果先验知识合理，则权重解就倾向于符合真实的解，这样就更能避免参数训练过程中的过度拟合了。
（3）经过以上两轮的改进优化，本书提出的赋权方法分别克服了极端值和过度拟合，使得赋权结果更加客观、合理。
（4）惩罚值计算。
改进熵权法的惩罚矩阵如下：
神经网络训练后的惩罚矩阵如下：
改进熵权法的最终惩罚值为2.4564，贝叶斯正则化神经网络赋权的最终惩罚值为2.4514。训练后的惩罚值比较小，说明此时的训练值更优，由此可以得出，通过神经网络训练后得到的权值更符合题意、效果更优。对于本书提出的赋权方法，赋权结果的优良性可以通过评价结果比较进行分析。(www.xing528.com)
【注释】
[1]张天云，陈奎，魏伟，杨扬.BP神经网络法确定工程材料评价指标的权重[J].材料导报B·研究篇，2012，26（1）：159-163.
[2]Chun-Hsiang Tan，Peter A.McNaughton.The TRPM2 ion Channel is Required for Sensitivity to Warmth[J].Nature：International Weekly Journal of Science，2016，5，36（7617）.
[3]郭显光.改进的熵值法及其在经济效益评价中的应用[J].系统工程理论与实践，1998（12）：3-5.
[4]Mackay，D.J.C.A Practical Bayesian Framework for Back Propagation Networks[J].Neural Compution，1992（3）：448-472.
[5]陈战波.综合评价指标筛选与赋权方法改进研究——以城市生活环境评价为例[D].中南财经政法大学，2017.
[6]Chun-Hsiang Tan，Peter A.McNaughton.The TRPM2 ion Channel is Required for Sensitivity to Warmth[J].Nature，2016（8）：1-19.
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。
