社会其它相关论文-完美风暴预言的评价（三）.doc

社会其它相关论文-完美风暴预言的评价（三）-输入层到隐含层的权值；-隐含层到输出层的权值；-隐含层的阈值；-输出层的阈值；该模型可用图直观表示如下：得到的神经网络的权值矩阵请具体参考附录6四模型结果及其分析一.关于主成分分析法结果的分析1.对于人口的预测两个模型得出的结果都比较合理，和约翰提出的相吻合，得出80.86的值。2.对于能源，水资源的预测也较为标准。3.得出了个个因子对于总结果的贡献率，结果在2030年发生完美风暴。二.关于BP神经网络结果的分析得出的结果也和约翰的预言一样，将在2030年完胜完美风暴。三.对2030年“完美风暴”进行预测结果通过上述模型的构建，我们已经对1987至2002年十六年的世界人口、能源需求量、粮食需求量、淡水需求量的统计样本与危险评判等级参数之间的关系进行了神经网络的训练，得到了能够反应两者之间的关系（是一个复杂的网络结构，通过权值矩阵来表示特征），若对“完美风暴”进行预测，只要将2030年所预测的世界人口、能源需求量、粮食需求量、淡水需求量的值输入神经网络中，就会输出相应的危险评判等级参数，于是根据参数就可以判断“完美风暴”发生的可能性。经上述工作，我们得到了2030年世界人口、能源需求量、粮食需求量、淡水需求量的预测样本如下：世界人口（万人）能源需求（标准油：万桶）粮食需求（万吨）淡水需求（亿立方米）93107012141225944152137通过神经网络模型的模拟训练的到以下五个危险评判等级参数：表5.82030年危险评判等级参数19.670013.674115.424424.572026.9043四.对能源、粮食、淡水需求量、世界人口预测值的分析通过各种模型我们预测出2030年世界人口、能源、粮食、淡水需求量的预测值，并且我们将以2006年的数据作为人类生活环境的现状。表1人类生活现状与预测值对比年份20062030世界人口（万人）651776931070能源需求量（标准油，万桶）83719121412粮食需求量（万吨）1777025944淡水需求量（亿立方米）96452152137通过上表的数据我们可以得到以下结果：（1）世界人口达到93亿，远远超过83亿（2）能源需求量增加45.09%（3）粮食需求增加45.9%（4）淡水增加57.7%根据上面四个结果，初步论证了约翰贝丁顿的“完美风暴”理论的正确性。五对BP神经网络的“完美风暴”预测值的分析通过神经网络的模拟可以得到2030年的危险评估等级参数，将表5.8与表5.7.1的比较不难发现，到2030年，人类生存系统的危险评估等级参数非常高，达到危险的级别，证明了“完美风暴”发生的可能性非常大。并且我们也预测出2030年至2040年的危险评估等级参数，得出随着时间的不断推移，“完美风暴”发生的可能性越来越大，人类生存的环境将变得更加危险、恶劣，结果如下：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.对BP神经网络的稳定性分析鉴于模型的目的是为了预测，所以模型的稳定性显得尤为重要，必须对模型进行稳定性分析。BP算法是一个有效的算法，由于具有理论依据坚实、推导过程严谨、物理概念清晰和通用性好等特点，是当前网络学习的主要算法。同时存在一些不足，主要有：训练时间长，出现局部极小值，网络结构难以确定等。本文在建立神经网络模型过程中，通过预处理以及合理选择训练方法实现网络收敛、避开局部极小值，有效地提高了模型的稳定性。（1）数据正规化处理（归一化）和Matlab工具箱函数prestd实现数据正规化，通过对样本集数据参数和输出样本数据参数进行正规化处理，可有效防止网络训练进入局部误差最小或误差震荡缺陷14；（2）根据进行设计隐含层节点数，有效设计网络，保证训练精度、减少训练复杂度、缩短训练时间（3）考虑到数据样本的随机性和非线性性，采用对非线性问题解决较好的S型传输函数。S传输函数使得输出值在0和1之间，使算法收敛速度加快，对每次训练进行有效调整，达到加速收敛目的；（4）倾向于选取较小的学习速率以保证系统的稳定性,学习速率的选取范围一般在0.010.9之间。我们选择网络学习速率为0.05。（5）采用traingdx训练函数训练，附加动量法使反向传播减少了网络在误差表面陷入低谷的可能性有助于减少训练时间。综上所述，本文建立的神经网络模型通过合理的处理和有效的方法选取，确保BP网络高精度快速收敛。确保预测模型的精度和健壮性。五.模型的优缺点分析模型的优点：