基于概率神经网络(PNN)的社区居家养老建筑评价方法★

吴 农 吴 蔚

(1.西北工业大学力学与土木建筑学院，陕西 西安 710000； 2.南京大学建筑与城市规划学院，江苏 南京 210093)

1 概述

随着我国人口老龄化问题日益严峻，养老已成为一项重大的社会课题。关于养老建筑的分类形式也有很多，从宏观的角度上大体可以分为两大类：第一类是老年人“机构养老”，是指老年人居住在老年公寓、养老院、护理院等社会机构的养老模式；第二类就是与“机构养老”相对的“居家养老”和“社区养老”，这两者都是指老年人在家中或自己的社区居住，由家人和社会共同提供养老服务的一种方式，因此被统称为“社区居家养老”[1]。根据国外先进国家的养老发展经验，以及我国传统的养老观念，近些年来我国一直在大力倡导和推进居家养老和社区养老的发展[2]。

社区居家型养老牵扯到城市规划、建筑布局、社区机构设置和服务、医疗保险等方方面面的问题，情况复杂，吸引大量专家学者的注意[3,4]。目前的研究主要集中在设施服务、空间布局、优化设计等方面[2,5,6]，但对其整体的评估方法和体系研究却较少提及[7]，主要研究包括通过Thomas L.Saaty的层次分析法(AHP)构造评价模型[8]，运用德尔菲法(Delphi Method)确定各评价因子的权重赋值，最后运用模糊综合评价法进行综合性评价[7]。但由于影响社区居家养老评价的主客观因素较多，权重赋值导致评价结果的主观性误差不可避免，且可能随着各级评价指标逐级放大，因此难以得到令人满意的结果[9]。

概率神经网络(Probabilistic Neural Network，英文简称PNN)是1989年由D.F.Specht博士提出的一种模式分类神经网络[11，12]，是20世纪开发并在许多专业学科和领域广泛应用的人工神经网络(Artificial Neural Network，英文简称ANN)中的一种。概率神经网络是基于统计原理的有监督学习神经网络模型，是一种结构简单、训练简洁、具有较强容错能力和结构自适应能力的径向基函数(Radical Basis Function)神经网络，被广泛的应用在公共建筑评估、社区满意度评估等存在许多不确定且非线性模糊关系的评价领域。此外，概率神经网络节点连接强度(权重)是由网络模型自身训练产生，而网络训练具有人工智能特性，可以有效减小主观评价误差[13]。因此本研究选择概率神经网络(PNN)来建立城市社区居家型养老建筑设施及其环境等级的综合评价模型，通过既有数据的网络训练，对某城市5个居家型养老建筑及其环境进行综合等级评价。该研究希望为我国城市社区居家型养老建筑设施及其环境的综合等级评价提供一个较为简洁易用且客观准确的新思路。

2 养老建筑设施及其环境评价指标设定

影响城市社区居家型养老建筑设施及其环境等级综合评价的因素多而复杂，研究者往往以实地考察进而主观的凭借经验得出定性评价，客观性受到很大的影响。因此，选择合理的评价方法对机构型养老建筑评价显得极其重要。由于城市社区居家型养老建筑设施及其环境等级综合评价是一个新近出现的、缺乏研究经验及数据积累的课题，因而难以运用常规的客观赋权法进行评价，为此本文在查阅大量文献资料的基础上，以理论研究为依据确定初步指标，然后运用专家咨询法，通过多次专家函询，综合各位专家建议对指标集进行进一步的修改调整，确保指标体系的科学性、全面性、系统性及可实施性。最终确定了如下的评价指标集(见表1)[14]。

表1 城市社区居家型养老建筑设施及其环境等级综合评价体系

该评价指标集的构建以科学性、系统性、层次性、可比性以及可操作性为五大原则，采用从宏观到微观，从整体到局部这种逐级深入的方法，尽可能全面地把控和评价建筑及所处的主体环境，希望达到一种全面客观公正的评价。指标集共分为3个层次，包括目标层，4个一级指标即：社区内部的室外环境、社区内部的建筑设施环境、社区外部周边环境和社区内外环境的文化氛围及精神感受，以及之下的11个二级指标[15]。

根据表1所示的评价指标集，作者从全国12个城市调研获取了35个社区居家养老建筑设施及其环境的基础数据，并根据专家、社区住户及管理者三方面综合评价，给出了各指标的打分以及标定等级，即：很好(Ⅰ)、较好(Ⅱ)、一般(Ⅲ)、较差(Ⅳ)、很差(Ⅴ)5个种类[16](见表2)。

表2 样本社区居家养老建筑设施及其环境等级与对应的评价指标和等级

3 城市社区居家型养老建筑设施及其环境等级评价流程

影响城市社区居家型养老建筑设施及其环境等级综合评价的因素众多，各因素间虽然相互关联，但却呈现明显的非线性特性，用常规数学模型难以有效处理这类复杂的聚类问题。利用PNN神经网络的分类方法，能够智能挖掘复杂的高维数据中的内在规律和本质属性。而概率神经网络PNN的实质是基于贝叶斯最小风险准则发展而来的一种并行算法，具有训练时间短、不易产生局部最优，且分类的正确率较高著称[13]。

3.1 基于概率神经网络(PNN)评价模型的建构

从表1可以看出，城市社区居家型养老建筑设施及其环境等级综合评价的因素众多(共11项)，各因素间虽然相互关联，但却呈现明显的非线性特性，用常规数学模型难以有效处理这类复杂的聚类问题。利用PNN神经网络的分类方法，能够智能挖掘复杂的高维数据中的内在规律和本质属性。

构建的社区居家养老建筑等级评价的PNN网络模型是由一种具有单隐含层的三层前向神经网络，输入层将系统提取的特征参数直接传递给隐含层，模型采用11个神经节点输入，分别代表城市社区居家型养老建筑设施及其环境等级综合评价体系的11个指标。隐含层也称为模式层，采用非线性优化策略，对径向基函数(通常为高斯函数)的参数进行调整，得到模型的估计概率密度函数。输出层采用线性优化策略，是隐单元输出的线性加权之和。本模型设置5个节点输出，代表了综合评价的5个标定等级，即：很好(Ⅰ)、较好(Ⅱ)、一般(Ⅲ)、较差(Ⅳ)、很差(Ⅴ)5个等级[16]。

3.2 评价模型网络训练

本文使用Matlab软件基于PNN神经网络社区居家养老建筑等级评价过程包括以下几个步骤，如图1所示。由于收集的数据单位不一致，为防止数据间相差很大，需要用软件中的Mapminmax函数对输入数据进行归一化处理，使其变成相同数量级，以防某些数值低的特征被淹没。因此需首先将表2中全国12个城市调研获取的35个社区居家养老建筑设施及其环境的原始数据归一化处理，然后使用Matlab软件创建PNN神经网络模型如下：

Net=Newpnn(Ptrain,Ttrain,Spread)

(1)

其中式(1)中Ptrain为网络的输入样本向量，对应表2中的11类指标(X1，X2，…，X11);Ttrain为网络的目标向量，对应表2中的等级类别。Spread为径向基函数的分布密度，其默认值为0.1。但Spread的取值大小决定了该类神经网络包含的聚类区域的范围大小，对网络的性能有较大的影响。因此为了更好地分析Spread对网络性能的影响，仿真过程中采用循环语句，即Spread分别取0.08，0.17，0.25，0.33，0.42，0.50，0.58，0.67，0.75，0.83，0.92，1.00，1.08，1.17，1.25共15个值的情况下进行仿真测试训练，结果发现Spread小于0.67时PNN神经网络的准确率都是100%，而大于该值以后误差率明显加大，为此Spread取0.08(见图2)。

3.3 应用示例

利用上述训练好的PNN神经网络，将待评价的某城市5个社区居家型养老建筑设施及其环境的指标数据，按照表1的评价指标进行输入，通过Sim函数仿真得出结果(见表3)，从结果看到5号社区标定为较好(Ⅱ)，1号、3号和4号社区标定为一般(Ⅲ)，2号社区标定为较差(Ⅳ)。该结论与实地走访较为吻合，由此可见PNN网络可以较客观的整体综合评价社区居家养老设施及其环境。

表3 待评价社区居家养老建筑设施及其环境原始数据及仿真结果

4 结语

城市社区居家型养老建筑设施及其环境等级评价体系涉及的评价指标多维且复杂，其隐性与显性难以精确划分，并且具有定性与定量并存等特点，只有利用非线性系统才能较为客观、高效地对其进行综合评价。而PNN网络具有智能挖掘复杂的高维数据中的内在规律和本质属性，在处理复杂的非线性问题方面具有明显优势，非常适合用于城市社区居家型养老建筑设施及其环境等级的评价，能够在很大程度上体现出城市社区居家型养老建筑设施及其环境的优劣等级。

笔者首次将神经网络理论应用于城市社区居家型养老建筑设施及其环境等级评价体系当中，建立了一个PNN神经网络，并选取了已评价项目的相关评价数据训练该神经网络。将待评价的5个城市社区居家型养老建筑设施及其环境等级评价的三级指标数据输入网络，所得出的评价结果与实地走访较为吻合。总体而言，基于PNN神经网络的评价方法是对城市社区居家型养老建筑设施及其环境等级评价的一种崭新尝试，较为简便易用，评价结果也与现实情况较为吻合，具有一定的实践意义。