神經(jīng)網(wǎng)絡(luò)的離婚率方面的預(yù)測(cè)論-資料下載頁(yè)
2025-01-06 19:29本頁(yè)面
【正文】 25 30 35 40 45 由訓(xùn)練值平均相對(duì)誤差來看，隱含層神經(jīng)元數(shù)目在 2 35時(shí)相對(duì)較好；由 測(cè)試值平均相對(duì)誤差 來看，隱含層神經(jīng)元數(shù)目在 25,30,35 時(shí)相對(duì)較好；由測(cè)試值最大最小相對(duì)誤差來看，隱含層神經(jīng)元數(shù)目在 25和 30時(shí)相對(duì)較好。綜上，認(rèn)為隱含層神經(jīng)元數(shù)目為 30 時(shí)，預(yù)測(cè)結(jié)果的精度高些。一般說來，隱含層神經(jīng)元數(shù)目太少，網(wǎng)絡(luò)可 能不能訓(xùn)練出來，這是因?yàn)槭褂秒[單元數(shù)較少時(shí)，局部極小較多。但是隱單元數(shù)太多，又使學(xué)習(xí)時(shí)間過長(zhǎng)，誤差也不一定最佳。 （ 2） 學(xué)習(xí)誤差（ E） 神經(jīng)網(wǎng)絡(luò)模型的其它參數(shù)設(shè)置不變，只改變隱含層神經(jīng)元數(shù)目，統(tǒng)計(jì)結(jié)果如表四所示。 表四 學(xué)習(xí)誤差（ E） 訓(xùn)練值平均相對(duì)誤差 測(cè)試值平均相對(duì)誤差 測(cè)試值最小相對(duì)誤差 測(cè)試值最大相對(duì)誤差 由表四不難看出學(xué)習(xí)誤差 ，預(yù)測(cè)結(jié)果的精度高。 （ 3） 其它神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置 一、 學(xué)習(xí)速率 h，表示對(duì)學(xué)習(xí)樣本進(jìn)行訓(xùn)練學(xué)習(xí)時(shí)的速度， h 較大時(shí)，訓(xùn)練學(xué)習(xí)前期收斂速度快，但是后期容易振蕩； h 較小時(shí)，訓(xùn)練學(xué)習(xí)前期收斂速度慢，但是后期易于穩(wěn)定。綜上，學(xué)習(xí)速率為 時(shí)較合適。 二、 平滑因子 a，可實(shí)現(xiàn)全局學(xué)習(xí)速率自適應(yīng)，加快收斂速度，一般取 左右。 三、 分級(jí)迭代級(jí)數(shù) s，學(xué)習(xí)精度要求越高，收斂時(shí)間越長(zhǎng)，也可能出現(xiàn)不收斂。分級(jí)迭代級(jí)數(shù)的選取與所選取的學(xué)習(xí)誤差 E有關(guān)。本文所選取的分級(jí)迭代級(jí)數(shù)為 15。 （ 4）與多元線性回歸方程擬合方法比較 將離婚人數(shù)（萬人）設(shè)為因變量 y， 人均 GDP、普通高等學(xué)校畢業(yè)生人數(shù)（萬人）、就業(yè)人員（萬人） 設(shè)為自變量 321 , xxx ,常量為 k，同樣 選取了 202 202202 202 202 2022 年的數(shù)據(jù)作為一組進(jìn)行 擬合 ，其余數(shù)據(jù)作為一組進(jìn)行測(cè)試 。 擬合出的多元線性方程為： 5 0 1 8 00 1 3 0 321 ???? xxxy 由此多元線性方程擬合出的離婚人數(shù)與神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)（系統(tǒng)參數(shù)設(shè)置為3? 30? 1， h=、 a=、 E=、 s=15）的離婚人數(shù)結(jié)果相比較，如表五所示。 表五 年份 實(shí)際離婚人數(shù) /萬人 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)人數(shù) /萬人 誤差 線性擬合預(yù)測(cè)人數(shù) /萬人 誤差 2022 2022 2022 2022 2022 2022 2022 2022 2022 133 2022 2022 很明顯，用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的結(jié)果要比用多元線性方程擬合預(yù)測(cè)的結(jié)果要好很多。 5. 結(jié)論 與心得 ① 神經(jīng)網(wǎng)絡(luò)模型在工程應(yīng)用中有一個(gè)缺點(diǎn)就是模擬結(jié)果不穩(wěn)定，初始權(quán)值嚴(yán)重影響收斂速度，甚至不收斂。但是對(duì)于 HU 方法，初始權(quán)值對(duì)收斂速度和模擬結(jié)果幾乎沒有影響，說明該網(wǎng)絡(luò)性能非常穩(wěn)定。 ② 影響家庭離婚的因素具有復(fù)雜性、社會(huì)性和多變性，采用該神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型應(yīng)該充分考慮各因素的影響，提高預(yù)測(cè)的準(zhǔn)確性。本例的資料不是很全，主要目的是提出這種方法及應(yīng)用情況。 ③ 利用 社會(huì)經(jīng)濟(jì)，教育水平和就業(yè)率三個(gè)方面 有關(guān)的數(shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò) BP算法可以較為準(zhǔn)確地預(yù)測(cè)離婚人數(shù)，預(yù)測(cè)值與實(shí)際值吻合較好，預(yù)測(cè)精度較高，如果資料更加全面的話，預(yù)測(cè)結(jié)果將會(huì)更加準(zhǔn)確。因此，將 BP 神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于離婚率方面的預(yù)測(cè)是一種行之有效的方法。
公司管理相關(guān)推薦
鄂ICP備17016276號(hào)-1