完美风暴预言的评价（三）

《完美风暴预言的评价（三）》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、完美风暴预言的评价（三）　　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

2、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

3、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

4、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

5、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：203119.742112.232224.323523.421411.3444203221.432321.244513.432621.431321.3254203324.052128.692326.907628.894328.3772203425.489028.048528.998520.478729.8473203529.098229.787229.078520.889329.9746203630.874134.898338.765832.8989

6、33.6786203738.648238.987438.698530.987539.8786203839.818535.762340.839238.889945.2989203943.897242.982432.083541.978241.8974204048.987849.786448.767644.489635.3254　　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

7、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

8、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；