【正文】 g into account the population predicted to have a lot of redundancy, to expand the scope and volume of flow characteristics, but also to improve the population projections of the effect, therefore, the use of normalized data were processed on the population, which does not require discrete raw data, this ensures that the population forecast accuracy and pleteness of information the original data. Secondly, this paper presents an optimization algorithm based on neural network prediction, the algorithm avoids the people in the forecast parameters and risks subjectivity accuracy, and enhance the accuracy of population projections. Meanwhile, in order to show the effectiveness of the algorithm, and designed several people population model is usually used and the gray prediction model and algorithm, and tested using the same data, obtained good results, that population is the most accurate prediction algorithm, which forecast outperforms other algorithms, which mainly affect the selection parameters for enhanced predictability, eventually leading to population forecasting accuracy. Meanwhile, in the stability and scalability algorithm, the algorithm is also significantly better than the other algorithms.Consider the impact of fertility, mortality, population growth and other factors, rebuild the neural network model to predict population. Key words:Neural network population model grey prediction model software 目錄1. 緒論 1 引言 1 研究的背景及意義 1 1 2 人口預(yù)測發(fā)展及研究現(xiàn)狀 2 基本目標(biāo)及主要內(nèi)容 2 組織結(jié)構(gòu) 3 3（模型） 3 4 研究領(lǐng)域及理論 4 6 神經(jīng)網(wǎng)絡(luò)預(yù)測模型研究概述 6 6 6 7 7 8： 8 算法 8 9 10 模型預(yù)測 10 模型的求解 13 BP神經(jīng)網(wǎng)絡(luò)人口預(yù)測模型 15 18 數(shù)據(jù)來源說明 18 實(shí)驗(yàn)步驟 19 實(shí)驗(yàn)結(jié)論及分析 19 實(shí)驗(yàn)結(jié)論 20致謝 22參考文獻(xiàn) 23附錄 241. 緒論 引言中國是一個人口大國，人口的增長影響和制約著國家各個方面的發(fā)展，有效的預(yù)測人口數(shù)量，制定合理政策，將有利于國家的綜合發(fā)展。 在我國現(xiàn)代化進(jìn)程中必須實(shí)現(xiàn)人口與經(jīng)濟(jì)、社會、資源、環(huán)境協(xié)調(diào)發(fā)展和可持續(xù)發(fā)展,而人口問題始終是制約我國發(fā)展的關(guān)鍵因素之一。例如，要制定生育計劃，就必須知道未來婦女的生育率；要制定社會保障體系，就必須知道未來老年人口動態(tài)變化量。在前期研究中多采用定性方法分析,之后才引入數(shù)學(xué)理論模型,比如人口總量趨勢外推模型、人口增長率預(yù)測模型、灰色預(yù)測模型、BP神經(jīng)網(wǎng)絡(luò)模型、人口發(fā)展方程、多區(qū)域人口預(yù)測模型、回歸方程等。第五章，預(yù)測結(jié)果的比較和模型的最優(yōu)化選擇。由分離變量法求解式 ( 1) , 得 (2)其中,為常數(shù)。在灰色預(yù)測模型中, 對時間序列進(jìn)行數(shù)量大小的預(yù)測, 隨機(jī)性被弱化了, 確定性增強(qiáng)了。為了減少數(shù)據(jù)隨機(jī)性和混亂帶來的影響,累加生成操作將離散的、無規(guī)律的時間序列數(shù)據(jù)轉(zhuǎn)換成嚴(yán)格單調(diào)遞增的平滑時間序列。 在神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建中要防止模型出現(xiàn)過擬合現(xiàn)象的發(fā)生。其表達(dá)式如下列公式所示?？偟膩碚f，人口增長的外界大的干擾因素基本上沒有，可以認(rèn)為這一階段隨機(jī)誤差服從正態(tài)分布；19862010年這一時間段，雖然人口的增長受到國家計劃生育政策的控制，但計劃生育的政策是基本穩(wěn)定的，這一階段隨機(jī)誤差也應(yīng)服從正態(tài)分布（當(dāng)然均值與方差可能不同）因此用最小二乘法擬合所得到的結(jié)果應(yīng)有較大的可信度。利用軟件編程求解出各年份的預(yù)測值。在長期預(yù)測時, logistic模型的預(yù)測數(shù)據(jù)偏差非常大, GM(1,1)雖然變化趨勢較符合我國未來人口變化情況, 但偏差還是較大. 而神經(jīng)網(wǎng)絡(luò)模型在這三個時期內(nèi), 都能夠很好的預(yù)測出中國未來人口總量的及其變化情況. 顯然神經(jīng)網(wǎng)絡(luò)預(yù)測模型的預(yù)測效果最佳。同時，我也很感謝四年來教授我課程的任課老師們，感謝你們無私的奉獻(xiàn)和對我們的親切關(guān)愛，你們那如春風(fēng)細(xì)雨般的言傳身教，必將帶給我們無盡的人生財富，必將成為我們?nèi)松凶钍芙痰牧佳?。c39。or39。b39。c39。or39。b=deta_b/deta。 。TF2 = 39。*39。for i=1:nlag inputs(:,i)=iinput(i:i+lag1)39。f_out(i)]。f_in=iinput(nlag+1:end)39。% 該腳本用來做NAR神經(jīng)網(wǎng)絡(luò)預(yù)測lag=3。an=sim(net,pn)。 % 隱層第一層節(jié)點(diǎn)數(shù)NodeNum2=40。 95。deta_a=C*D(n1)*E。[b1,r1,j1]=nlinfit(t,x,fun,b0)y= ./(1+().*exp( .*t))。c/(1+(c/)*exp(5*d))=39。 %求初始參數(shù)b0=[ ,]。[b1,r1,j1]=nlinfit(t,x,fun,b0)y= ./(1+( ).*exp( .*t))。c/(1+(c/)*exp(5*d))=39。謝謝你們，在今后的道路上，我一定不忘教導(dǎo)，不負(fù)所望。我們通過輸入原始數(shù)據(jù)資料, 應(yīng)用灰色模型進(jìn)行預(yù)測, 得到預(yù)測數(shù)列, 然后將預(yù)測值作為輸入量, 原始數(shù)據(jù)作為期望值, 對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練, 得到相應(yīng)的權(quán)值和閥值, 最后輸入預(yù)測年份, 即可得到具有較高精度的預(yù)測量。所以我們的結(jié)果應(yīng)是比較可信的。由于上面的曲線擬合是用最小二乘法，所以很難保證擬合的準(zhǔn)確性。感知器一般分為單層感知器和多層感知器。 1986年,Rumelhart和Mc Celland等發(fā)展了多層網(wǎng)絡(luò)的BP(Back Propagation)算法,使BP 網(wǎng)絡(luò)成為目前應(yīng)用最廣的網(wǎng)絡(luò)等研究[13]。在實(shí)際應(yīng)用性能上,計算負(fù)擔(dān)被認(rèn)為是最主要的評價指標(biāo)[10]。灰色系統(tǒng)理論的實(shí)質(zhì)是將無規(guī)律的原始數(shù)據(jù)進(jìn)行累加生成，得到規(guī)律性較強(qiáng)的生成數(shù)列后再重新建模，由生成模型得到的數(shù)據(jù)再通過累加生成的逆運(yùn)算累減生成得到還原模型，由還原模型作為預(yù)測模型。美國Ed winMansfield關(guān)于新產(chǎn)品市場擴(kuò)張的模型的一微分方程為: （1）其中 為時刻市場上存在的可以使用的新產(chǎn)品的數(shù)量, 即市場保有量, 由第期的保有量加上當(dāng)期銷售量減去當(dāng)期報廢量即可得到。 論文組織結(jié)構(gòu)本論文研究內(nèi)容與安排：第一章,緒論,介紹了人口預(yù)測的研究背景、意義和人口預(yù)測的主要內(nèi)容,并給出了文章的結(jié)構(gòu)安排。人口預(yù)測可以科學(xué)地把握人口發(fā)展態(tài)勢,是人口研究領(lǐng)域中的重要課題,中國是一個人口大國,準(zhǔn)確的預(yù)測結(jié)果可以為下一步我國人口發(fā)展規(guī)劃提供理論與實(shí)證依據(jù)。對此，單純的人口數(shù)量控制(如已實(shí)施多年的計劃生育)不能體現(xiàn)人口規(guī)劃的科學(xué)性。中國人口凈增長率波動比較劇烈。其次，本文提出了一種基于神經(jīng)網(wǎng)絡(luò)預(yù)測的優(yōu)化算法，該算法避免了人們在預(yù)測中參數(shù)選擇的主觀性而帶來的精度的風(fēng)險，增強(qiáng)了人口預(yù)測的準(zhǔn)確性。人口預(yù)測是一個重要的理論和實(shí)際問題。要發(fā)展,必須進(jìn)一步控制人口數(shù)量,提高人口質(zhì)量,改善人口結(jié)構(gòu)。這些都離不開人口預(yù)測。人口預(yù)測，作為經(jīng)濟(jì)、社會研究的一種方法，應(yīng)用越來越廣泛，也越來越受到人們的重視。 第六章，結(jié)論，對全文做了總結(jié)，并對以后需要進(jìn)行的工作進(jìn)行了展望；參考文獻(xiàn)和致謝。則時刻產(chǎn)品的保有量,增長量最大的時刻。此時在生成層次上求解得到生成函數(shù), 據(jù)此建立被求序列的數(shù)列預(yù)測, 其預(yù)測模型為一階微分方程, 即只有一個變量的灰色模型, 記為模型。 神經(jīng)網(wǎng)絡(luò)預(yù)測模型研究概述人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)簡稱神經(jīng)網(wǎng)絡(luò),它是用大量簡單的處理單元廣泛連接組成的復(fù)雜網(wǎng)絡(luò),主要采用并行和自適應(yīng)的信息處理方式,是對人腦神經(jīng)網(wǎng)絡(luò)的某種簡化、抽象和模擬。我們的研究初步是使用原有的數(shù)據(jù)建模,而后回代全部數(shù)據(jù)驗(yàn)證模型的結(jié)果,這種方式必定發(fā)生過擬合現(xiàn)象,因此我們并不選擇擬合最佳的神經(jīng)網(wǎng)絡(luò)模型,而是選擇相對較好的模型。 前饋型神經(jīng)網(wǎng)絡(luò)示意圖其中是指目標(biāo)變量(結(jié)果變量)的期望變換,即為輸出激活函數(shù)的反函數(shù),為激活函數(shù)的線性合并。從19862015年，國家計劃生育政策逐漸得到完善及貫徹落實(shí)，這個時期的人口增長受到國家計劃生育政策的控制，人口的增長方式與上述的兩個階段都不同。年份1996199719981999200020012002人口數(shù)（千萬）年份2003200420052006200720082009人口數(shù)（千萬）年份2010201120122013201420152020人口數(shù)（千萬）年份202520302035204020452050人口數(shù)（千萬）由上表可以看出：。 實(shí)驗(yàn)結(jié)論現(xiàn)有我國1996—2013年的人口總數(shù), 應(yīng)用編寫的logistic模型和灰色模型模型的程序, 首先根據(jù)我國19962012年的數(shù)據(jù), 利用三種預(yù)測模型進(jìn)行預(yù)測, 將所預(yù)測得到的2013年全國人口總數(shù)與已有數(shù)據(jù)進(jìn)行比較, 并驗(yàn)證神經(jīng)網(wǎng)絡(luò)的短期預(yù)測精度。其次，我要感謝與我共同走過四年大學(xué)生活的宿舍朋友們，以及其他各位班內(nèi)同學(xué)。,39。) %對原始數(shù)據(jù)與曲線擬合后的值作圖附錄B：t=46:3:94y= ./(1+( ).*exp( .*t))%對總?cè)丝谶M(jìn)行預(yù)測t=0:42。,39。,39。) %對原始數(shù)據(jù)與曲線擬合后的值作圖附錄D： 程序1_利用Matlab軟件求解灰色預(yù)測模型GM(1，1)程序n=7。for k=0:19,x2(k+1)=(x0(1)b/a)*exp(a*k)+b/a。 。tansig39。,1:length(t),a,39。endtargets=x(lag+1:end)。end% 畫出預(yù)測圖figure,plot(1949:2013,iinput,39。 %預(yù)測步數(shù)為fn。)grid onBp仿真結(jié)果x=[54167 55196 56300 57482 58796 60266 61465 62828 64653 65994 67207 66207 65859 67295 69172 70499 72538 74542 76368