各种评价方法统计
统计综合评价方法
二 、无量纲化方法
若无特殊说明，以下所考虑的指标 x ( j 1, 2 , , m ) 为极大型指标，其观测值为 { x i 1, 2 , , n ; j 1, 2 , , m )。 1、标准化处理方法
j
ij
x ij
*
x ij x s
j
j
s x 式中， 、 ( j 1, 2 , m ) 分别为第 j 项指标观测值的（样 x 本）平均值和（样本）标准差， 为标准观测值。
各指标的变异系数
V
j
j
( j 1, 2 , m )
xj
x 式中， 是第 j 项指标的标准差， 是第
j
j
j
项指标的均值；
各指标的权重：
W
j
V
j
j 1
m
V
j
第四节
指标合成
这里所说的合成，是指在对每个指标进行标 准化处理后，通过一定的算式或特定的方法将 多个指标对事物不同方面的指标评分综合在一 起，以得到对事物整体的评价结果。指标合成 方法主要有传统合成法和多元统计指标合成法， 传统合成法包括加法合成（加权线性和法）、 乘法合成及加乘混合法；多元统计指标合成法 包括主成分分析、层次分析等。
j
j
*
ij
特点： （1）样本平均值为0，方差为1； （2）区间不确定，处理后各指标的最大值、最小 值不相同； （3）对于指标值恒定的情况不适用； （4）对于要求指标值 x 0 的评价方法（如几何加 权平均法）不适用。
* ij
2、极值处理方法
x ij
*
x ij m M
j
执业护士护理管理指导常用的质量评价统计方法
执业护士护理管理指导常用的质量评价统计方法在医疗领域中，对于护理质量的评价是非常重要的。
而作为执业护士，在日常的工作中需要使用各种质量评价统计方法来指导护理管理工作，以确保提供高质量的护理服务。
下面将介绍一些常用的质量评价统计方法。
一、纳尔逊图纳尔逊图是一种直观、简单的统计图表，可以用于展示数据的变化趋势。
执业护士可以通过纳尔逊图来分析护理服务的质量改进情况。
通过比较不同时间段内的数据，护士可以直观地了解护理服务质量的变化情况，及时做出相应的调整和改进。
二、帕累托图帕累托图是一种用于显示问题的优先顺序，从而帮助护士确定改进的方向和优先级的工具。
执业护士可以通过帕累托图将问题按照影响程度排序，有针对性地进行质量改进工作。
这种方法可以帮助护士事半功倍地提高护理服务的质量水平。
三、直方图直方图是一种用矩形表示数据分布状态的统计图表，可帮助护士直观地了解数据的分布规律。
执业护士可以通过直方图了解不同指标的分布情况，有针对性地进行质量管理工作。
通过直方图的分析，护士可以及时识别问题，采取有效的对策，提升护理服务质量。
四、趋势图趋势图是一种用于展示数据变化趋势的统计图表，可以帮助护士观察数据的走势，分析趋势变化规律。
执业护士可以通过趋势图来监测护理服务的质量变化情况，及时发现问题，制定改进计划。
趋势图可以帮助护士更好地把握护理服务的发展方向，提高服务质量。
五、鱼骨图鱼骨图是一种用于分析问题根本原因的工具，可以帮助护士找到问题的源头并进行有效的改进。
执业护士可以通过鱼骨图找出导致护理服务问题的各种因素，并制定相应的改进措施。
这种方法可以帮助护士深入分析问题，解决质量管理中的难题。
在执业护士的护理管理工作中，灵活运用各种质量评价统计方法是非常必要的。
通过以上介绍的常用方法，护士可以更好地指导护理管理工作，提升护理服务的质量水平，为患者提供更好的护理保障。
希望执业护士们能够充分利用这些方法，不断提升自身的护理管理能力，为医疗事业的发展贡献自己的力量。
综合评价的多元统计分析方法
综合评价的多元统计分析方法一、本文概述本文旨在深入探讨综合评价的多元统计分析方法，阐述其在各个领域的广泛应用及其实践价值。
随着大数据时代的到来，多元统计分析在综合评价中的地位日益凸显，其不仅能够帮助研究者从多个维度和角度全面、系统地分析数据，还能为决策提供更为科学、合理的依据。
本文将从多元统计分析的基本概念出发，详细介绍其在综合评价中的应用原理、常用方法以及实际案例，以期为读者提供一套完整、实用的多元统计分析方法体系，为相关领域的实践工作提供有益的参考。
二、多元统计分析方法概述在现代数据分析中，多元统计分析方法占据了至关重要的地位。
这些方法允许研究者同时分析多个变量，从而更全面地理解数据背后的复杂关系。
多元统计分析方法不仅扩展了传统单变量统计分析的视野，而且通过揭示变量之间的内在联系，为决策制定和预测提供了更为精确和全面的信息。
多元统计分析方法主要包括多元线性回归、主成分分析、因子分析、聚类分析和判别分析等。
每种方法都有其特定的应用场景和优势。
例如，多元线性回归用于探究多个自变量与因变量之间的线性关系；主成分分析则通过降维技术，提取数据中的主要信息；因子分析则用于揭示变量背后的潜在结构；聚类分析根据数据的相似性将数据分为不同的群体；而判别分析则用于确定样本所属的类型或群体。
这些方法在综合评价中都有着广泛的应用。
通过综合评价，我们可以对一个对象或系统的多个方面进行量化评估，进而得出一个综合的、全面的评价结果。
在这个过程中，多元统计分析方法提供了强大的工具支持，帮助我们更准确地理解和分析评价对象的各个方面，为决策提供科学依据。
随着数据分析技术的不断发展，多元统计分析方法也在不断更新和完善。
这些方法的应用范围也在不断扩大，从社会科学、经济管理到生物医学等领域，都可以看到多元统计分析方法的身影。
未来，随着大数据和技术的进一步发展，多元统计分析方法将在综合评价中发挥更加重要的作用。
三、主成分分析在综合评价中的应用主成分分析（Principal Component Analysis, PCA）是一种广泛应用于多元统计分析的降维技术，其核心思想是通过正交变换将原始变量转换为新的线性无关的综合变量，即主成分。
综合统计评价方法
综合统计评价方法一、评估内容评价内容包括信息专题报告、调查资料整理、获奖分析和课题采纳三个部分。
二、评价标准信息专题报告、调查资料整理、分析课题获奖及采纳分别按百分制打分，再按以下权重换算成百分制：信息专题报告65%、分析课题获奖及采纳25%、调查资料整理10%。
(1)专项信息报告1.基础工作：10分(1)兵团信息专题报告制度落实情况：3分。
根据编辑程序是否完整，提交方式是否规范，酌情扣分。
未按规定程序审批上报信息扣1分；未按标准格式上报信息扣1分；未按统一渠道上报扣1分。
(2)符合兵团“四不”(不一概而论、不以点代面、不夸大不缩小、不听信道听途说)和“零失误”的要求：4分。
根据实施情况酌情扣分。
如果反映的信息不真实，此项目一经发现不得分。
(3)完成兵团、市队专报征稿任务：3分。
未按征求意见稿要求完成任务的，扣2分，质量达不到要求扣1分。
2.信息采纳：90分信息采纳和xx说明满分为90分。
信息采用评分标准：(1)中办、中办每篇论文用20分；(2)xx统计局每篇论文用10分；(3)省委和省xx“两办”每次使用10分；(4)兵团每稿5分，兵团每稿5分；(5)市委、市xx“两办”每次使用5分；(6)市队每稿3分，兵团每稿3分；(xxxx指令得50分，省xx指令得25分，省xx秘书长、副秘书长指令得10分，市xx指令得15分。
不同信息出版物采用的同一条信息的可重复评分。
如果同一条消息中不同纸质媒体上有多条xx指令，可以重复评分；在同一纸介质上，各级xx依次给出指令，并按X高xx计算一次。
(2)调查资料整理高分x的单元为满分。
调查包括三个部分：月度统计数据手册、调查年鉴和分析数据汇编。
每年评分一次，市队根据任务和质量打分，X分10分。
(三)项目中标和通过情况分析1.分析项目的中标情况。
得分为X的调查组为满分。
评分标准：(1)获得局级分析课题评审一等奖，每项15分；(2)获得局级分析课题评比二等奖，每件12分；(3)获得局级分析课题评比三等奖，每件10分。
混凝土强度评定的三类统计方法实例
混凝土强度评定的三类统计方法实例一、基于经验分布的统计方法基于经验分布的统计方法是根据大量的实验数据进行统计分析，得出混凝土强度的分布规律。
这类方法主要有统计学的参数估计方法和参数优化方法。
1.统计学的参数估计方法这种方法是通过对多次试验得到的强度数据进行统计学分析，估计出混凝土强度的概率密度函数。
常用的估计方法有最大似然估计法和最小二乘法。
例如，对于混凝土抗压强度的评定，可以通过多次试验得到一组强度数据，然后通过最小二乘法拟合得到一条曲线，即强度的概率密度函数。
根据该曲线可以评估其中一强度值出现的概率。
2.参数优化方法这种方法是通过优化求解的方法，得到使得测定混凝土强度与试验结果的误差最小的一组参数。
常用的优化方法有遗传算法、粒子群优化算法等。
例如，可以建立混凝土抗压强度与水灰比、砂石含量等参数之间的关系，然后通过遗传算法等优化方法，找到最佳的参数组合，以获得最准确的预测强度值。
二、基于极限状态理论的统计方法极限状态理论认为，结构的破坏是由于结构承受的荷载达到了其可承受的极限，因此可以通过确定极限状态为目标进行统计分析。
1.可靠度指标结构的可靠度指标是评价结构抗震性能的一个重要指标。
通过分析结构的可靠度指标，可以得到结构的失效概率，从而评估混凝土强度的合理性。
2.可靠性分析方法可靠性分析方法是通过对结构的荷载和强度进行统计学分析，得到结构的可靠度指标。
常用的分析方法有一维可靠性分析、二维可靠性分析等。
例如，对于混凝土柱的抗压能力评定，可以通过一维可靠性分析，确定柱强度和柱荷载的统计分布，然后通过求解可靠度指标，得到柱的失效概率。
三、基于可靠度理论的统计方法可靠度理论基于不确定性理论，考虑了结构荷载和强度的随机性，通过概率论和数理统计的方法，评估结构在设计寿命内的失效概率。
1.可靠度指标可靠度指标是对结构失效的概率进行评估的指标，常用的指标有可靠度指数、失效概率等。
2.可靠性分析方法可靠性分析方法是通过建立荷载与强度之间的随机模型，运用概率论和数理统计的方法，求解结构失效的概率。
常用的质量评价统计方法
常用的质量评价统计方法1.分层法分层法是质量管理中整理数据的重要方法之一。
分层法是把收集来的原始质量数据，按照一定的目的和要求加以分类整理，以分析质量问题及其影响因素的一种方法。
2.调查表法调查表是为收集数据而设计的图表。
调查表法就是利用统计表进行整理数据和粗略分析原因的一种工具。
其格式多种多样，可根据调查的目的不同，使用不同的调查表。
3.排列图法排列图法又称主次因素分析图，是把影响质量的因素进行合理分类，并按影响程度从大到小的顺序排列，做出排列图，以直观的方法表明影响质量的主要因素的一种方法。
排列图的基本结构：1个横坐标，2个纵坐标，几个直方形和一条曲线构成。
（1）针对某一问题收集一定时期的资料。
（2）将数据按一定分类标志进行分类整理，从大到小依次排列，并计算出各类项目的频数、累计频率。
（3）按一定的比例画出两个纵坐标和一个横坐标。
横坐标表示影响质量的因素，左边纵坐标表示频数，右边纵坐标表示累计频率。
（4）按种类影响因素的程度的大小，依次从左到右在横坐标上画出直方块，其高度表示该项目的频数，并写在直方块上方。
（5）按右纵坐标的比例，在直方块中问的上方标出累计频率，从原点开始连接各点，画出的曲线就是巴雷特曲线。
应用排列图的注意事项：（1）通常把因素分为A、B、C三类。
在累计频率80％与90％两处画2条横线，把图分成三个区域，累计频率在80％以内的诸因素是主要因素（A类），累计频率在80％～90％的是次要因素（B类），90％以上的为一般因素。
（2）主要因素不能太多，一般找出主要因素一二项为宜，最多不超过三项。
若找出主要因素过多，须考虑重新进行因素的分类。
（3）适当合并一般因素。
不太重要因素可以列出很多项，为简化作图，可把这些因素合并为"其他"项，放在横坐标的末端。
（4）在采取措施之后，为验证效果，要重新画巴雷特图，以便进行比较。
4.因果分析图因果分析图又称特性因素圈、树枝图、鱼刺图。
临床非劣效性与等效性评价的统计学方法二
临床非劣效性与等效性评价的统计学方法二第一步:非劣效性评价单侧假设检验:z=（2+3)/1．03３=4．84>1.6４５（z０。
95），Ｐ＜0．05单侧95％可信区间下限：CL=2-１．645×1。
03３=0.301〉—3两种方法均显示，在抗高血压效果方面新药AII拮抗剂与标准药ＡCＥ抑制剂相比具有非劣效性.第二步：优效性评价单侧假设检验:ｚ=2/1.０33=１.936〉1。
6４5,Ｐ<０．05单侧95％可信区间下限：ＣL=０．30１〉0结果表明，新药AIＩ拮抗剂比标准药ACＥ抑制剂的抗高血压效果具有统计学意义优效性。
ＩCHE9指导原则中的建议［1]更保守些，若按α取0.025的标准判断，非劣效性评价的z＝4.８4〉１.９６(ｚ０.9７5）,P＜0.025,可下非劣效性结论。
但是，因优效性评价的z＝1。
9３6<1．96，Ｐ〉0．025，尚不能认为具有统计学优效性，更达不到临床意义上的优效性。
有一种情况值得注意，即求得的可信区间的下限大于－δ，但上限却比0小,管理当局比如美国的FDA可能仍然把试验药看作和标准药不等效，甚至比标准药还差，尽管非劣效性的标准已经达到了。
这一额外增加的标准之严格,似乎并不是从统计学意义上考虑的。
事实上，这对很高效地完成试验而出现了窄小的ＣＩ可能是不公正的。
４非劣效性/等效性试验样本含量估计及检验效能对服从正态分布的数据（定量指标)和服从二项分布的数据（率指标）分别介绍.4.1定量指标4．1．1非劣效性试验按照单侧的检验水准α，要求允许的二类误差概率不超过β,在T＝Ｓ的条件下,非劣效性试验每组需要的样本含量为:n=2［(Z1－α+z1-β)（s／δ）］2检验效能为:１-β＝Ф［δ(2s２／n)-１/２—ｚ1-α］式中s为两组的合并标准差.n为每组的样本含量。
Ф［x］代表标准正态分布下x左侧的概率Pr［X≤x］。
例3：上例继续。
若按非劣效性设计试验，假定,α=0.05,β=0。
各种综合评价方法简介
综合评价评价是人类社会中一项经常性的、极重要的认识活动，是决策中的基础性工作。
在实际问题的解决过程中，经常遇到有关综合评价问题，如医疗质量的综合评价问题和环境质量的综合评价等.它是根据一个复杂系统同时受到多种因素影响的特点，在综合考察多个有关因素时，依据多个有关指标对复杂系统进行总评价的方法；综合评价的要点：（1）有多个评价指标，这些指标是可测量的或可量化的；（2）有一个或多个评价对象，这些对象可以是人、单位、方案、标书科研成果等；(3）根据多指标信息计算一个综合指标，把多维空间问题简化为一维空间问题中解决,可以依据综合指标值大小对评价对象优劣程度进行排序。
综合评价的一般步骤1．根据评价目的选择恰当的评价指标，这些指标具有很好的代表性、区别性强，而且往往可以测量,筛选评价指标主要依据专业知识，即根据有关的专业理论和实践，来分析各评价指标对结果的影响，挑选那些代表性、确定性好，有一定区别能力又互相独立的指标组成评价指标体系.2．根据评价目的，确定诸评价指标在对某事物评价中的相对重要性，或各指标的权重；3．合理确定各单个指标的评价等级及其界限；4．根据评价目的,数据特征，选择适当的综合评价方法，并根据已掌握的历史资料,建立综合评价模型；5．确定多指标综合评价的等级数量界限,在对同类事物综合评价的应用实践中,对选用的评价模型进行考察，并不断修改补充,使之具有一定的科学性、实用性与先进性，然后推广应用。
目前，综合评价有许多不同的方法，如综合指数法、TOPSIS法、层次分析法、RSR法、模糊综合评价法、灰色系统法等，这些方法各具特色，各有利弊,由于受多方面因素影响，怎样使评价法更为准确和科学,是人们不断研究的课题.下面仅介绍综合评价的TOPSIS法、RSR法和层次分析法的基本原理及简单的应用.8.1 TOPSIS法(逼近理想解排序法）Topsis法是系统工程中有限方案多目标决策分析的一种常用方法。
是基于归一化后的原始数据矩阵,找出有限方案中的最优方案和最劣方案（分别用最优向量和最劣向量表示）,然后分别计算诸评价对象与最优方案和最劣方案的距离，获得各评价对象与最优方案的相对接近程度，以此作为评价优劣的依据。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第一种模糊评价方法：内燃机性能评价。
第二种数据包络分析法人工神经网络评价法思想与原理人工神经网络是模仿生物神经网络功能的一种经验模型，输入和输出之间的变换关系一般是非线性的。
首先根据输入的信息尽力神经元，通过学习规则或自组织等过程建立相应的非线性数学模型，并不断进行修正，是输出结果与实际值之间的差距不断缩小。
人工神经网络通过样本的“学习和培训”，可记忆客观事物在空间、时间方面比较复杂的关系。
由于人工神经网络本身具有非线性的特点，且在应用中只需对神经网络进行专门问题的样本训练，它能够把问题的特征反映在神经元之间相互关系的权中，所以，把实际问题特征参数输入后，神经网络输出端就能给出解决问题的结果。
神经网络的特点是，神经网络将信息或知识分布储存在大量的神经元或整个系统中。
它具有全息联想的特征，具有高速运算的能力，具有很强的适应能力，具有自学习、自组织的潜力。
他能根据历史数据通过学习和训练能找出输入和输出之间的内在联系，从而能得出问题的解。
另外，他有较强的容错能力，能够处理那些有噪声或不完全的数据。
部分节点不参与运算，也不会对整个系统的性能造成太大的影响。
反向传播（Back Propagation，BP）神经网络是由Rumelhart等人于1985年提出的一种很有影响的神经元模型，它是一种多层次反馈性模型，使用的石油“导师”的学习算法。
有广阔的应用前景。
模型和步骤处理单元，或称之为神经元，是神经网络的最基本组成部分。
一个神经网络系统中有许多处理单元，每个处理单元的具体操作步骤都是从其相邻的其他单元中接受输入，然后产生出输出送到与其相邻的单元中去。
神经网络的处理单元可以分为三种类型：输入单元、输出单元和隐含单元。
输入单元是从外界环境接受信息，输出单元则给出神经网络系统对外界环境的作用，这两种处理单元与外界都有直接的联系。
隐含单元则处于神经网络之中，他不与外界产生直接的联系。
它从网络内不接受输入信息，是哟产生的输出则制作能够用于神经网络系统中的其他处理单元。
隐含单元在神经网络中起着极为重要的作用。
人工神经网络的工作过程具有循环特征。
对事物的哦按段分析必须经过一个学习和训练工程。
1949年，Hebb率先提出了改变神经元连接强度的学习规则。
其过程是：将样本（训练）数据赋予输入端，并将网络实际输出和期望输出相比较，得到误差信号，以此为依据来调整连接权值。
重复此过程，直到收敛于稳态。
BP网络是一种具有三层或者三层以上的层次结构网络，相邻上、下层之间各神经元实现全连接，即下层的每个神经元与上层的每个神经元都实现权连接，而每层各种神经元之间无连接。
换个角度看，BP神经网络不仅具有输入层节点，输出层节点，还可以有1个或者多个隐含层节点。
对于输入信号，要先向前传播到隐含层节点，经作用函数后，再把隐含层的输出信号传播到输出节点，最后给出输出结果。
在BP算法中，节点的作用的机理函数通常选取S形函数。
对于BP模型的输入层神经元，其输出与输入相同，中间隐含层和输出层的神经元的操作规则如下：Ykj=f(∑=--n11 ,1iikkjikYW)Y k-1i是k-1层的第i个神经元的输出，也是第k层神经元的输入；W k-1i ，kj 是k-1层第i 个元素与k 层第j 个元素的连接权值； Y kj 是第j 个神经元的输出，也是第k+1层神经元的输出；f 是Sigmoid 函数。
F(u)=1/（1+e -u）1989年Robert Hecht-Nielson 证明了一个三层的BP 网可以完成人意的n 维道m 维的映照。
这实际上已经给了一个基本的设计BP 网络的原则。
增加层数主要是可以进一步降低误差，提高精度，但同时是网络复杂化，从而增加了网络权值的训练时间。
误差精度的提高实际上也可以通过增加隐层中的神经元数目来获得，其训练效果也比增加层数更容易观察和调整，所以一般情况下，应先考虑增加隐层的神经元数目。
隐层单元数的选择在神经网络的引用中一直是一个复杂的问题。
隐层单元数过少可能训练不出网络或者网络不够“强壮”，不能识别以前没有看过的样本，容错性差；但隐层单元数过多，又会是学习实践过长，误差也不一定最佳，因此存在一个如何确定合适的隐层单数的问题，在具体设计时。
比较实际做法是通过对不同神经元数进行训练对比，然后适当地加上一点余量。
假设BP 网络每层有N 个处理单元，训练集包含M 个样本模式对。
对第p 个学习样本（p=1,2,…,M ）,节点j 的输入总和记为netpj,输出记为Opj,则：netpj=pj ji O W ∑iOpj=f(netpj)如果任意设置网络初始权值，那么对每个输入样本p ，网络输出与期望输出（dpj ）间的误差为：E=2/)P )((p2∑∑-=jpj pj p O d E ，式中d pj 表示对第p 个输入样本输出单元的误差的计算是不同的。
在BP 网络学习过程中，输出层单元与隐单元的误差的计算是不同的。
BP 网络的权值修正公式为：W ji =W ji (t)+ ηδpj O pjδpj =⎪⎩⎪⎨⎧-∑k jk j p pj pj pj W net O d net 对于输入节点对于输出节点,δ)(f'),)((f'pj上式中，引入学习速率η，是为了加快网络的收敛速度，但有时可能长生震荡。
通常权值修正公式中还需加一个惯性参数a,从而有：Wji=Wji （t ）+ηδpj O pj +a(Wji(t)-Wji(t-1)) 上式中，a 为一常数项，称为势态因子，他决定上一次的权值对本次全职更新的影响程度。
权值修正是在误差反向传播过程中逐层完成的。
有输出层误差修正个输出层的单元的连接权值，再计算相连隐含层单元的误差两，并修正隐含层单元的连接权值。
在网络学习过程中，权重值是随着迭代的进行而更新的，并且一般是收敛的。
但权值的初始值太大，可能导致网络很快就达到饱和，并且权值的初始值对网络的收敛速度也有一定的影响。
学习步长是网络学习的另一个重要参数，在一定程度上也决定了网络的收敛速度。
学习步长国小会导致权重值更新量过小，因而是收敛非常的缓慢；学习步长过大又会导致在极值点附近震荡的可能性加大，乃至反复震荡而难以收敛。
一般地，BP 网络的学习算法描述为如下步骤：1初始化网络及学习参数，如设置网络初始权矩阵，学习因子η，势态因子a 等； 2提供训练模式，训练网络，直到满足学习要求；3前向传播过程，对给定训练模式输入，计算网络的输出模式，并与期望模式比较，如有误差，则执行（4）；否则，返回（2）；4反向传播过程；计算同一层单元的误差，修正权值和阈值（即i=0时的连接权值），返回（2）.BP神经网络的实质就是一句所提供的样本数据，通过学习和训练，抽取样本所隐含的特征关系，一神经元件连接权值的形式存储专家的知识。
具体地说，BP算啊的基本思想是将每次迭代的误差信号由输出层经隐蔽层至输入层反向传播，调整各个神经元之间的连接权值，如此反复迭代，直到误差达到容许水平，这种调节过程具有自组织，自学习的特点。
由于BP网络及其算法增加了中间隐含层并有相应的学习规则可循，使其具有对非线性模式的识别能力，特别是其数学意义明确，步骤分明的学习算法，更是其具有广泛的应用前景。
基于BP网路的多指标综合评价神经网络模型的设计如下：BP网络的结构包括网络层数，输入，输出节点和隐节点的个数。
连接方式。
根据映射定理即可构造一个包括输入层、隐含层和输出层的三层BP网络，其中输入层节点数m,及评价指标的个数；输出等节点数n为1，及评价结果；隐含层节点数L=(m*n)/2 隐含层没有统一的规则，根据具体对象而定。
隐含层的输出函数为Sigmoid变换函数，输入和输出层函数为线性函数。
需要注意的是，在综合评价（决策）中，北平对象各个特征值表之间一般没有统一的度量标准，并且在很多场合下得到的特征值表示定性描述而不是量值，因而很难进行直接的比较。
所以及逆行那个综合评价前，应先对评价指标特征值进行量化处理，综合评价前必须把这些分指标按某种隶属度函数将其归一化到某一无量纲区间。
当然，由于评价指标的类型往往不同，因此其特征量化的方法也不应相同。
基于人工神经网络的综合评价方法的步骤可概括如下：1确定评价指标集，指标个数为BP网络中输入节点的个数，2确定网络的层数，一般采用具有一个输入层，一个隐含层，一个输出层的三层网络模型结构。
3明确评价结果，输出层的节点数为14对指标值进行标准化处理5用随机数（一般为0-1之间的数）初始化网络节点的权值和网络阈值。
6将标准化以后的指标样本值输入网络，并给出相应的期望输出。
7正向传播，计算各节点的输出8计算各层节点的误差9反向传播，修正权值10计算误差。
当误差小于给定的拟合误差，网络训练结束；否则转向（7），继续训练11训练所得网络权重可以用于正式的评价应用：DEA（数据包络分析）：1.烟草农业评价指标体系，可以避免常规赋权方法中的主观因素限制。
2. 湿地生态脆弱性评价3. 京津冀都市圈生态效率评价4. 矿井火灾安全评价方法第三种层次分析法(analytic hierarchy process)：用系统分析的方法，对评价对象依评价目的所确定的总评价目标进行连续性分解，得到各级（各层）评价目标，并以最下层作为衡量目标达到程度的评价指标。
然后依据这些指标计算出一综合评分指数对评价对象的总评价目标进行评价，依其大小来确定评价对象的优劣等级。
思想与基础层次分析法是美国著名运筹学家T.L.Satty 等人在20世纪70年代提出的一种定性与定量相结合的多准则决策方法。
模型和步骤1构造层次分析结构 目标层，A准则层，B1 ，B2 ，B3，。
方案层，C1 ，C2 ，C3，。
每一层中的元素一般不能不超过9个Cij>0Cij=1/Cji(i 不等于j) Cii=1(I,j=1,2…n)我们把这类矩阵C 称之为正反矩阵，对正反矩阵C ，若对于任意I,j,k 均有Cij •Cjk=Cik,此时该矩阵为一致矩阵判断矩阵标度及其含义3判断矩阵一致性检验所谓判断思维的一致性是指专家在判断指标重要性时，各判断之间的协调一致，不致出现相互矛盾的现象和结果。
根据矩阵理论可以得到这样的结论，即如果λ1，λ2，。
λn 是满足式Ax=λx 的数，也就是矩阵的A 的特征根，并且对于所有的aii=1,有∑=ni 1λi=n显然矩阵具有完全一致性时，λ1=λmax=n,其余特征值为零，而当矩阵A 不具有完全一致性是，则有λ1=λmax>n,其余特征根λ2，λ3，。
λn 有如下关系：∑=ni 1λi=n-λmax上述结论告诉我们，当判断矩阵不能保证具有完全一致性时，相应判断矩阵的特征根也将发生变化，这样就可以用判断矩阵特征根的变化来检验判断的一致性程度。