為了估算廣東省人口總數(shù)和老齡化人口總數(shù),針對(duì)深度置信網(wǎng)絡(luò)模型的性能易受其權(quán)值和閾值選擇的影響,提出一種基于改進(jìn)的混沌鯨魚算法優(yōu)化DBN的人口數(shù)量預(yù)測(cè)模型。首先,為提高鯨魚算法的收斂速度和避免局部最優(yōu),將Skew Tent混沌模型和非線性收斂因子引入WOA算法用于初始化WOA種群和改進(jìn)WOA更新策略。其次為了提高DBN模型的性能,運(yùn)用ICWOA算法對(duì)DBN模型的權(quán)值和閾值進(jìn)行優(yōu)化選擇,融合影響人口數(shù)量的多因素特征因子,將不同年齡段的總?cè)藬?shù)、死亡率、存活率、年生育率、第一產(chǎn)業(yè)占比、第二產(chǎn)業(yè)占比以及第三產(chǎn)業(yè)占比等多因素特征因子作為ICWOA-DBN的輸入,人口數(shù)量作為ICWOA-DBN的輸出,建立ICWOA-DBN人口數(shù)量預(yù)測(cè)模型。通過標(biāo)準(zhǔn)函數(shù)測(cè)試尋優(yōu)對(duì)比發(fā)現(xiàn),提出的ICWOA具有更快的收斂速度和更小的適應(yīng)度值。為了驗(yàn)證本文算法ICWOA-DBN的預(yù)測(cè)性能,以第6次全國(guó)人口普查數(shù)據(jù)為參考依據(jù),選擇2005～2016年廣東省歷年常住人口總數(shù)和老齡化人口總數(shù)為研究對(duì)象,研究結(jié)果表明,與IWOA-DBN、WOA-DBN、GA-DBN和DBN相比,提出的ICWOA-DBN的人口數(shù)量預(yù)測(cè)模型的精度最高... 

【文章來源】：模糊系統(tǒng)與數(shù)學(xué). 2020,34(02)北大核心

【文章頁數(shù)】：11 頁

【部分圖文】：

老齡化人口預(yù)測(cè)結(jié)果

深度置信網(wǎng)絡(luò)[17](Deep Belief Network,DBN)是由多個(gè)受限玻爾茲曼機(jī)(Restricted Boltzmann Machine,RBM)分級(jí)疊加組合而成的一種深層的神經(jīng)網(wǎng)絡(luò),其模型結(jié)構(gòu)如圖1所示。假定RBM模型的可見單元數(shù)量和隱單元數(shù)量分別為為n個(gè)和m個(gè),二者分別對(duì)應(yīng)的狀態(tài)為v、h,那么RBM模型系統(tǒng)的能量為:

表1 標(biāo)準(zhǔn)測(cè)試函數(shù) 函數(shù) 數(shù)學(xué)表達(dá)式 搜索區(qū)間 維數(shù) fmin Sphere f 1 (x)= ∑ i=1 n x i 2 [-100,100] 30 0 Schwefel2.22 f 2 (x)= ∑ i=1 n | x i |+ ∏ i=1 n | x i | [-10,.10] 30 0 Schwefel1.2 f 3 (x)= ∑ i=1 n ( ∑ j=1 i x j ) 2 [-100,100] 30 0 Schwefel2.21 f4(x)=maxi{|xi|,1≤xi≤n} [-100,100] 30 0 Rosenbrock f 5 (x)= ∑ i=1 n-1 [ 100(x i+1 -x i 2 ) 2 +(x i -1) 2 ] [-30,30] 30 0 Rasrigin f 6 (x)= ∑ i=1 n [ x i 2 -10 cos (2πx i )+10] [-5.12,5.12] 30 0 Ackley f 7 (x)=-20 exp ( 0.2 1 n ∑ i=1 n x i 2 )- exp ( 1 n ∑ i=1 n c os(2πx i ) )+20+e [-32,32] 30 0 Griewank f 8 (x)= 1 4000 ∑ i=1 n x i 2 - ∏ i=1 n cos ( x i x i )+1 [-600,600] 30 0圖2 標(biāo)準(zhǔn)測(cè)試函數(shù)收斂曲線對(duì)比圖

【參考文獻(xiàn)】：
期刊論文
[1]基于優(yōu)化離散灰色和ANN組合模型的人口預(yù)測(cè)[J]. 祝承,葉妙婷,胡臻龍.  現(xiàn)代信息科技. 2018(05)
[2]基于兩種改進(jìn)人口模型的新生育政策下人口預(yù)測(cè)與分析——以西安市為例[J]. 何金陽,仇鴻超,李林,王壯.  計(jì)算機(jī)與現(xiàn)代化. 2017(08)
[3]基于神經(jīng)網(wǎng)絡(luò)的我國(guó)人口預(yù)測(cè)分析[J]. 張馨藝,常浩娟.  農(nóng)村經(jīng)濟(jì)與科技. 2017(15)
[4]一種隨機(jī)調(diào)整控制參數(shù)的鯨魚優(yōu)化算法[J]. 鐘明輝,龍文.  科學(xué)技術(shù)與工程. 2017(12)
[5]深度學(xué)習(xí)耦合粒子群優(yōu)化SVM的瓦斯?jié)舛阮A(yù)測(cè)[J]. 錢建生,邱春榮,李紫陽,吳響.  煤礦安全. 2016(11)
[6]中國(guó)城市化率預(yù)測(cè)模型構(gòu)建[J]. 張東生,馬娜.  統(tǒng)計(jì)與管理. 2016(11)
[7]基于兩種灰色模型的烏魯木齊市人口預(yù)測(cè)及其人口問題的探討[J]. 鄭麗,孜比布拉·司馬義,頡淵,帕孜麗婭木·木力提江.  干旱區(qū)資源與環(huán)境. 2016(11)
[8]基于多項(xiàng)式神經(jīng)網(wǎng)絡(luò)模型的人口預(yù)測(cè)方法研究[J]. 譚永宏,曾喆昭.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2016(18)
[9]基于改進(jìn)Leslie矩陣的人口灰色預(yù)測(cè)模型[J]. 朱芳,楊永富.  信息技術(shù). 2016(05)
[10]基于動(dòng)力學(xué)模型的人口數(shù)量預(yù)測(cè)和政策評(píng)估[J]. 張娟,段西超,李靜,王濤,靳禎.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2015(09)



本文編號(hào)：3575606