針對BP神經(jīng)網(wǎng)絡(luò)對初始權(quán)重敏感,容易陷入局部最優(yōu)解的問題,引入粒子群優(yōu)化算法（PSO）,對網(wǎng)絡(luò)權(quán)重進(jìn)行全局搜索,同時采用BP神經(jīng)網(wǎng)絡(luò)權(quán)重更新方法對PSO搜索到的權(quán)重和閾值進(jìn)行進(jìn)一步的更新,構(gòu)建改進(jìn)后的PSO-BP神經(jīng)網(wǎng)絡(luò)模型,對一般盜竊犯罪數(shù)量進(jìn)行預(yù)測。應(yīng)用美國芝加哥市2015年-2017年盜竊犯罪數(shù)據(jù)以及總?cè)丝跀?shù)、房價中位數(shù)、本科率等11個影響因子數(shù)據(jù),對改進(jìn)前后的模型進(jìn)行了預(yù)測對比實驗。結(jié)果表明,改進(jìn)后的PSO-BP神經(jīng)網(wǎng)絡(luò)模型成功克服了BP模型的缺陷,相對誤差由4.68%降低到1.635%。 

【文章來源】：計算機(jī)應(yīng)用與軟件. 2020,37(01)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

Crimecount的箱線圖

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò),主要特點是信號前向傳播,誤差反向傳播。信號前向傳播是指信號從輸入層經(jīng)過隱藏層處理,再經(jīng)過非線性變換,傳至輸出層,如果輸出層的輸出與期望輸出不相符,則計算誤差并將誤差進(jìn)行反向傳播。誤差反向傳播是指誤差經(jīng)過輸出層,再到隱藏層,最后到輸入層,各層各個神經(jīng)元根據(jù)誤差信號調(diào)整權(quán)重和閾值,直至BP神經(jīng)網(wǎng)絡(luò)的誤差達(dá)到預(yù)設(shè)的值,或迭代次數(shù)達(dá)到最大迭代次數(shù),使得預(yù)測輸出不斷逼近期望輸出。常見的三層BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖2所示。在圖2中,x1,x2,…,xd是BP神經(jīng)網(wǎng)絡(luò)的輸入值,輸入層的節(jié)點個數(shù)一般為訓(xùn)練數(shù)據(jù)集的維度。O1,O2,…,Om是BP神經(jīng)網(wǎng)絡(luò)的輸出值,uik和wkj分別是BP神經(jīng)網(wǎng)絡(luò)中輸入層與隱藏層的權(quán)重和隱藏層與輸出層之間的權(quán)重。事實上,BP神經(jīng)網(wǎng)絡(luò)可以看成一個非線性函數(shù),網(wǎng)絡(luò)輸入值和輸出值分別為該函數(shù)的自變量和因變量。當(dāng)輸入節(jié)點數(shù)為d、輸出節(jié)點數(shù)為m時,BP神經(jīng)網(wǎng)絡(luò)表示從d個自變量到m個因變量的映射關(guān)系。如果O是離散值且m>2,則BP神經(jīng)網(wǎng)絡(luò)可以解決多分類問題;如果O是離散值且m=2,則BP神經(jīng)網(wǎng)絡(luò)可以解決二分類問題;如果O是實數(shù)值,則BP神經(jīng)網(wǎng)絡(luò)可以解決回歸問題。

經(jīng)過異常值處理和缺失值處理后,本文使用R語言的rattle包對各個屬性與一般盜竊犯罪數(shù)量Crime count的相關(guān)性進(jìn)行分析。在相關(guān)性分析時采用Pearson系數(shù)衡量兩個變量的相關(guān)度,為了消除數(shù)量級的影響,先將數(shù)據(jù)使用平均數(shù)方差法進(jìn)行標(biāo)準(zhǔn)化處理,再做相關(guān)性分析,屬性之間的相關(guān)性分析結(jié)果如圖3所示。圖3中,兩兩屬性之間可以用圓圈大小和顏色來表示相關(guān)性的強度,圓圈越大、顏色越深說明相關(guān)性越高,正值表示正相關(guān),而負(fù)值則表示負(fù)相關(guān)�？梢钥闯�,房價(Houseprice)和白人人口數(shù)(White)與一般盜竊犯罪數(shù)量(Crimecount)的相關(guān)性最弱,而黑人或非裔美國人數(shù)(Black or Africa)、女性(單親)戶主數(shù)(Female household)以及新建(改建)房屋許可數(shù)(Permit)與該類犯罪數(shù)量的正相關(guān)性最強。

【參考文獻(xiàn)】：
期刊論文
[1]基于隨機(jī)森林和時空核密度方法的不同周期犯罪熱點預(yù)測對比[J]. 柳林,劉文娟,廖薇薇,余洪杰,姜超,林榮平,紀(jì)佳楷,張政.  地理科學(xué)進(jìn)展. 2018(06)
[2]改進(jìn)的GA-BP神經(jīng)網(wǎng)絡(luò)模型在財產(chǎn)犯罪預(yù)測中的應(yīng)用[J]. 李衛(wèi)紅,聞磊,陳業(yè)濱.  武漢大學(xué)學(xué)報(信息科學(xué)版). 2017(08)
[3]基于隨機(jī)森林的分類器在犯罪預(yù)測中的應(yīng)用研究[J]. 孫菲菲,曹卓,肖曉雷.  情報雜志. 2014(10)



本文編號：3065620