社會其它相關論文-完美風暴預言的評價（三）.doc

社會其它相關論文-完美風暴預言的評價（三）-輸入層到隱含層的權值；-隱含層到輸出層的權值；-隱含層的閾值；-輸出層的閾值；該模型可用圖直觀表示如下：得到的神經網絡的權值矩陣請具體參考附錄6四模型結果及其分析一.關于主成分分析法結果的分析1.對于人口的預測兩個模型得出的結果都比較合理，和約翰提出的相吻合，得出80.86的值。2.對于能源，水資源的預測也較為標準。3.得出了個個因子對于總結果的貢獻率，結果在2030年發(fā)生完美風暴。二.關于BP神經網絡結果的分析得出的結果也和約翰的預言一樣，將在2030年完勝完美風暴。三.對2030年“完美風暴”進行預測結果通過上述模型的構建，我們已經對1987至2002年十六年的世界人口、能源需求量、糧食需求量、淡水需求量的統(tǒng)計樣本與危險評判等級參數之間的關系進行了神經網絡的訓練，得到了能夠反應兩者之間的關系（是一個復雜的網絡結構，通過權值矩陣來表示特征），若對“完美風暴”進行預測，只要將2030年所預測的世界人口、能源需求量、糧食需求量、淡水需求量的值輸入神經網絡中，就會輸出相應的危險評判等級參數，于是根據參數就可以判斷“完美風暴”發(fā)生的可能性。經上述工作，我們得到了2030年世界人口、能源需求量、糧食需求量、淡水需求量的預測樣本如下：世界人口（萬人）能源需求（標準油：萬桶）糧食需求（萬噸）淡水需求（億立方米）93107012141225944152137通過神經網絡模型的模擬訓練的到以下五個危險評判等級參數：表5.82030年危險評判等級參數19.670013.674115.424424.572026.9043四.對能源、糧食、淡水需求量、世界人口預測值的分析通過各種模型我們預測出2030年世界人口、能源、糧食、淡水需求量的預測值，并且我們將以2006年的數據作為人類生活環(huán)境的現(xiàn)狀。表1人類生活現(xiàn)狀與預測值對比年份20062030世界人口（萬人）651776931070能源需求量（標準油，萬桶）83719121412糧食需求量（萬噸）1777025944淡水需求量（億立方米）96452152137通過上表的數據我們可以得到以下結果：（1）世界人口達到93億，遠遠超過83億（2）能源需求量增加45.09%（3）糧食需求增加45.9%（4）淡水增加57.7%根據上面四個結果，初步論證了約翰貝丁頓的“完美風暴”理論的正確性。五對BP神經網絡的“完美風暴”預測值的分析通過神經網絡的模擬可以得到2030年的危險評估等級參數，將表5.8與表5.7.1的比較不難發(fā)現(xiàn)，到2030年，人類生存系統(tǒng)的危險評估等級參數非常高，達到危險的級別，證明了“完美風暴”發(fā)生的可能性非常大。并且我們也預測出2030年至2040年的危險評估等級參數，得出隨著時間的不斷推移，“完美風暴”發(fā)生的可能性越來越大，人類生存的環(huán)境將變得更加危險、惡劣，結果如下：203119.742112.232224.323523.421411.3444203221.432321.244513.432621.431321.3254203324.052128.692326.907628.894328.3772203425.489028.048528.998520.478729.8473203529.098229.787229.078520.889329.9746203630.874134.898338.765832.898933.6786203738.648238.987438.698530.987539.8786203839.818535.762340.839238.889945.2989203943.897242.982432.083541.978241.8974204048.987849.786448.767644.489635.3254六.對BP神經網絡的穩(wěn)定性分析鑒于模型的目的是為了預測，所以模型的穩(wěn)定性顯得尤為重要，必須對模型進行穩(wěn)定性分析。BP算法是一個有效的算法，由于具有理論依據堅實、推導過程嚴謹、物理概念清晰和通用性好等特點，是當前網絡學習的主要算法。同時存在一些不足，主要有：訓練時間長，出現(xiàn)局部極小值，網絡結構難以確定等。本文在建立神經網絡模型過程中，通過預處理以及合理選擇訓練方法實現(xiàn)網絡收斂、避開局部極小值，有效地提高了模型的穩(wěn)定性。（1）數據正規(guī)化處理（歸一化）和Matlab工具箱函數prestd實現(xiàn)數據正規(guī)化，通過對樣本集數據參數和輸出樣本數據參數進行正規(guī)化處理，可有效防止網絡訓練進入局部誤差最小或誤差震蕩缺陷14；（2）根據進行設計隱含層節(jié)點數，有效設計網絡，保證訓練精度、減少訓練復雜度、縮短訓練時間（3）考慮到數據樣本的隨機性和非線性性，采用對非線性問題解決較好的S型傳輸函數。S傳輸函數使得輸出值在0和1之間，使算法收斂速度加快，對每次訓練進行有效調整，達到加速收斂目的；（4）傾向于選取較小的學習速率以保證系統(tǒng)的穩(wěn)定性,學習速率的選取范圍一般在0.010.9之間。我們選擇網絡學習速率為0.05。（5）采用traingdx訓練函數訓練，附加動