神经网络论文,.doc

基于神经网络的离婚率方面的预测 摘要：在各种全球化力量的推动下，世界经济、政治发生了惊人的变化， 由之产生的社会问题日益影响着我们的生活。其中家庭关系日益紧张引人注目。本文通过对我国离婚状况的分析, 可以看出我国的离婚率自近几年以来呈现逐年上升的趋势, 主要是多元因素综合作用的结果。本文力图从社会经济，教育水平和就业率三个方面，使用神经网络的方法预测将来离婚率的发展趋势，来要求人们客观看待离婚, 重视婚姻质量, 提高婚姻素质, 共筑和谐家庭。 引言 中国正处于社会大变革、经济大发展时期，在全球化的背景下，以婚姻为纽带联接起来的家庭关系承受越来越多的冲击，许多家庭已离婚告终。由图一可以看出离婚率日益上升，由此也引发了各种问题，且这些问题不容我们逃避和忽视，所以有必要针对这一问题进行研究。根据离婚率逐渐上升这一问题，本文从人均生产总值，国家教育水平和国家就业水平三个方面与离婚率的关系，利用神经网络预测的方法进行深入探究，从而预测我国未来的离婚率。 （图一）离婚率折线图 数据来源 影响家庭离婚的主要因素 社会经济因素的影响，如人均GDP等，经济基础决定上层建筑，同样家庭的经济因素也决定了一个家庭的稳定。 国家教育水平的影响，如普通高等学校毕业生人数等，一个家庭的教育水平的高低对于处理矛盾的理性会有不同，从而影响着家庭的稳定。 国家就业水平的影响。国家就业水平的高低直接影响着人们将来的经济状况，从而影响着将来家庭的稳定。 （2）输出量与输入量 输出量：预测离婚人数（万人）； 输入量：实际离婚人数（万人）、人均GDP、普通高等学校毕业生人数（万人）、就业人员（万人）。2001年到2011年我国离婚人数、人均GDP、普通高等毕业生人数以及就业人员数据来源于《中国统计年鉴》。2001年到2011年我国离婚人数、人均GDP、普通高等毕业生人数以及就业人员情况的统计如表一所示。 表一 年份离婚人数/万人人均GDP普通高校毕业人数/万人就业人员/万人2001125.058621.71103.63727972002117.79398.05133.7373280200313310541.97187.7737362004166.512335.58239.1152742642005178.514185.36306.7956746472006191.316499.7377.5749782007209.820169.46447.7907753212008226.923707.71511.9498755642009246.825607.53531.1023758282010267.830015.05575.4245761052011287.435197.79608.156576720 因为样本数较少，所以训练样本数应大于测试样本数，根据11年数据变化的特点进行抽样。选取了2001、2002、2004、2005、2007、2009年的数据作为一组进行训练，其余数据作为一组进行测试。 （3）参数设置 一、系统结构MPN参数设置 根据上述的数据划分，该神经网络输入层元素取3，分别为人均GDP、普通高等学校毕业生人数（万人）、就业人员（万人）；输出层元素取1，为预测离婚人数（万人），采用单隐含层神经网络设计，然后分别对隐含层神经元数目采用试差法进行对比确定，来找到最合适的隐含层神经元数目。 二、系统参数设置 对学习速率、平滑因子、学习误差、分级迭代级数等系统参数进行设置，从而求得不同系统参数设置下的预测结果，对不同预测结果进行对比以找到最合适的那一组系统参数设置。 离婚率预测 如表二所示，1.1，1.2，1.3，1.4表示学习误差E的改变对预测结果的影响；2.1，2.2，2.3表示训练样本顺序的改变对预测结果的影响；3.1表示学习样本数量的增加对预测结果的影响；4.1，4.2，4.3，4.4，4.5，4.6表示隐含层神经元数目P的改变对预测结果的影响；5.1，5.2，5.3表示学习速率h和学习误差E同时改变对预测结果的影响。为方便接下来对结果进行分析对比，分别算出了每一种方法预测结果所对应的相对误差、训练值平均相对误差、测试值平均相对误差、测试值最小相对误差和测试值最大相对误差。在具体应用中，各输入量不能直接输入到网络中，需先将各输入量进行归一化，将它们归化为0~1之间的值。 表二 （1.1）网络结构3151，h=1.5、a=0.7、E=0.03、s=14年份实际离婚人数（万人）预测值（万人）误差（万人）相对误差2001125.05124.21860.8313570.006652002117