基于RBF神經(jīng)網(wǎng)絡(luò)模型居民消費(fèi)水平走勢研究開題報(bào)告

1、基于RBF神經(jīng)網(wǎng)絡(luò)模型居民消費(fèi)水平走勢研究開題報(bào)告 天津天獅學(xué)院 20XX 屆本科生畢業(yè)設(shè)計(jì)（論文）開題報(bào)告 課題題目 基于 RBF 神經(jīng)網(wǎng)絡(luò)模型的居民消費(fèi)水平走勢研究 學(xué)生姓名 學(xué)號 專業(yè)班級 題目 科學(xué)技術(shù) 生產(chǎn)實(shí)踐 _ 自擬經(jīng)典 其它 題目性質(zhì) 理論研究 應(yīng)用研究 工程設(shè)計(jì) 軟件設(shè)計(jì) 其他 成果形式 論文 設(shè)計(jì)說明書 實(shí)物 軟件 作品 同組同學(xué) 無 一、選題的依據(jù)及意義 改革開放以來，中國的 GDP 正在以全世界最快的速度增長著，中國人民的物質(zhì)生活水平也隨著 GDP 增長而得到了相應(yīng)的提高，居民消費(fèi)水平也在不斷地提高，為了進(jìn)一步提高中國人民的物質(zhì)生活水平，有必要對于居民消費(fèi)水平進(jìn)行必要的

2、研究。而本文正是基于RBF 神經(jīng)網(wǎng)絡(luò)模型對于居民消費(fèi)水平走勢研究進(jìn)行的一種研究。 居民消費(fèi)水平是指居民在物質(zhì)產(chǎn)品和勞務(wù)的消費(fèi)過程中，對滿足人們生存、發(fā)展和享受，需求等方面所達(dá)到的程度。通過消費(fèi)的物質(zhì)產(chǎn)品和勞務(wù)的數(shù)量和質(zhì)量反映出來。 居民消費(fèi)水平，是按國內(nèi)生產(chǎn)總值口徑，即包括勞務(wù)消費(fèi)在內(nèi)的總消費(fèi)進(jìn)行計(jì)算的。計(jì)算公式為：居民消費(fèi)水平（元/人）= 報(bào)告期國內(nèi)生產(chǎn)總值中的居民消費(fèi)總額 / 報(bào)告期年平均人口。 但由于現(xiàn)在世界環(huán)境復(fù)雜多變，經(jīng)濟(jì)全球化進(jìn)一步增強(qiáng)，為了能夠不斷地促進(jìn)我國經(jīng)濟(jì)的發(fā)展，提高人們生活水平。對于居民消費(fèi)水平走勢研究勢在必行，而現(xiàn)在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)真是一種居于龐大數(shù)據(jù)量精準(zhǔn)而又值得信賴的研

3、究方式之一。但是傳統(tǒng)的 BP 神經(jīng)網(wǎng)絡(luò)存在許多等待改進(jìn)的地方，比如：BP 神經(jīng)網(wǎng)絡(luò)本身容易陷入局部極值、學(xué)習(xí)速度慢等缺陷；鑒于此，本文提出了一種基于 RBF 神經(jīng)網(wǎng)絡(luò)模型的居民消費(fèi)水平走勢研究，基于 RBF神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)知識，對于居民消費(fèi)水平進(jìn)行研究，從而達(dá)到促進(jìn)我國經(jīng)濟(jì)持續(xù)增長，中國人民的物質(zhì)生活水平不斷得到提高的目的。 二、國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢 人工神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代生物神經(jīng)研究的前提下，提出的模擬人腦及生物反應(yīng)過程的計(jì)算結(jié)構(gòu)。隨著計(jì)算機(jī)硬件計(jì)算能力的增強(qiáng),深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)在目前的工業(yè)界已經(jīng)得到了廣泛的應(yīng)用，居民消費(fèi)水平反映了國家或者地區(qū)的經(jīng)濟(jì)發(fā)展?fàn)顩r,預(yù)測居民消費(fèi)水平對制定相關(guān)的

4、經(jīng)濟(jì)政策具有積極作用。黃洋, 魯海燕, 程畢蕓等學(xué)者基于新維無偏灰色 RBF神經(jīng)網(wǎng)絡(luò)提出了居民消費(fèi)價(jià)格指數(shù)預(yù)測模型 1 。Triantafyllopoulos K , Shakandli M , Campbell M 提出了非高斯動(dòng)態(tài)模型來分析計(jì)數(shù)時(shí)間序列。針對泊松分布、負(fù)二項(xiàng)分布和泊松分布的混合分布所產(chǎn)生的響應(yīng)，提出了三種模型。這些分布的參數(shù)可以根據(jù)狀態(tài)空間模型動(dòng)態(tài)變化。粒子濾波或序貫蒙特卡羅方法用于推理和預(yù)測 2 。Zhu J 等為了解決每個(gè)模塊中存在大規(guī)模數(shù)據(jù)塊的建模問題，提出了一種基于 MapReduce 框架的分布式并行數(shù)據(jù)處理策略，并進(jìn)一步提取每個(gè)分布式塊的主成分 3 。楊興華提出

5、了一種新的 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測金融相關(guān)系數(shù)的方法 4 。Ridong zhang 基于主成分分析（PCA），提出了一種由解耦線性自回歸（ARX）模型和非線性徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)模型組成的混合建模策略 5 。Han H G 利用自適應(yīng)粒子群優(yōu)化算法（APSO）設(shè)計(jì)了一種自組織徑向基函數(shù)（SORBF）神經(jīng)網(wǎng)絡(luò)，以提高網(wǎng)絡(luò)的精度和收斂性。在提出的 APSO 算法中，為了避免陷入局部最優(yōu)值，提出了一種非線性回歸函數(shù)來調(diào)整慣性權(quán)重 6 。Liang X , Zhang J 提出了一種顯著性引導(dǎo)的淺卷積神經(jīng)網(wǎng)絡(luò)（N），用于交通標(biāo)志的精確快速檢索。首先，通過將深度顯著性和哈希學(xué)習(xí)統(tǒng)一在一個(gè)單一的體系

6、結(jié)構(gòu)中，提出的 N 模型以點(diǎn)的方式進(jìn)行聯(lián)合學(xué)習(xí)，在大規(guī)模數(shù)據(jù)集上具有可擴(kuò)展性。然后，利用顯著性引導(dǎo)的淺 N 從交通標(biāo)志圖像中提取出深度顯著性特征和類散列輸出。利用二值化的類散列輸出和顯著性特征構(gòu)造特征數(shù)據(jù)庫 7 。魏爽基于混合優(yōu)化 RBF 神經(jīng)網(wǎng)絡(luò)的方法對于月平均氣溫進(jìn)行了有效的預(yù)測 8 。任亞, 李萍將 RBF 神經(jīng)網(wǎng)絡(luò)模型引入到 CPI 預(yù)測領(lǐng)域,運(yùn)用 xx 年 1 月至xx 年 4 月間的國家 _數(shù)據(jù),通過 Markway4.0 建立 CPI 預(yù)測的數(shù)據(jù)網(wǎng)絡(luò)模型。計(jì)算結(jié)果證明,RBF 數(shù)據(jù)網(wǎng)絡(luò)模型應(yīng)用于 CPI 預(yù)測具有較高的精度和良好的泛化能力9。李德根，劉曉亮，宋勝偉等學(xué)者在煤炭技術(shù)

7、應(yīng)用領(lǐng)域提出了一種熵權(quán)法徑向基神經(jīng)網(wǎng)絡(luò)的截割粉塵濃度模型與預(yù)測的方法 10 。周慧等學(xué)者基于 RBF 神經(jīng)網(wǎng)絡(luò)的知識，對于中國出口集裝箱運(yùn)價(jià)指數(shù)預(yù)測進(jìn)行了詳細(xì)的研究與分析 11 。Souza Filho J BO 利用 GHA 規(guī)則的正交化版本，提出了兩種新的在線 KPCA 提取算法 12 。在這兩種情況下，內(nèi)核組件的正交化是通過將一些低復(fù)雜度的附加步驟包含到內(nèi)核 HebBIN 算法中實(shí)現(xiàn)的，因此基本上不影響算法的計(jì)算成本。結(jié)果表明，與目前最先進(jìn)的在線 KPCA 提取算法相比，該方法提高了構(gòu)件提取的收斂速度和精度。 Jianguo Z ，Jia L 結(jié)合我國城鄉(xiāng)二元經(jīng)濟(jì)結(jié)構(gòu)的特點(diǎn)，通過改進(jìn)消費(fèi)

8、優(yōu)化模型，深入分析了社會(huì)保障支出與消費(fèi)水平的關(guān)系，并重視收入指標(biāo)的影響。在加入收入指數(shù)的最優(yōu)理論模型的基礎(chǔ)上，運(yùn)用協(xié)論和其他方法對社會(huì)保障支出與消費(fèi)的關(guān)系進(jìn)行了實(shí)證檢驗(yàn)。進(jìn)而得出結(jié)論：從長期來看，社會(huì)保障支出對城鄉(xiāng)居民消費(fèi)的拉動(dòng)作用顯著。尤其是農(nóng)村社會(huì)保障支出對消費(fèi)的邊際效應(yīng)更大。這些結(jié)論為我國完善社會(huì)保障制度，提高農(nóng)村居民消費(fèi)水平提供了現(xiàn)實(shí)的理論依據(jù) 13 。Bondt G J D , Gieseck A , Zekaite Z 為實(shí)際私人消費(fèi)開發(fā)了一個(gè)建模工具，并將其應(yīng)用于歐元區(qū)的常規(guī)預(yù)測。從數(shù)千個(gè)誤差修正模型中選取了幾個(gè)方程組，通常包括勞動(dòng)收入、非勞動(dòng)收入、金融財(cái)富和非金融財(cái)富作為決定因

9、素，它們分別于預(yù)先確定的樣本內(nèi)和樣本外標(biāo)準(zhǔn) 14 。Aigner-Walder B, D?ring T 分析了德 國不同的人口統(tǒng)計(jì)情景對私人消費(fèi)水平和構(gòu)成的影響。這項(xiàng)分析是基于目前的家庭預(yù)算調(diào)查，其數(shù)據(jù)適用于國民核算的概念。因此，必須從人口統(tǒng)計(jì)學(xué)的角度來界定家庭，以調(diào)查其消費(fèi)行為。在下一步中，將利用轉(zhuǎn)移份額分析來預(yù)測人口老齡化對私人消費(fèi)的影響。結(jié)果表明，與影響私人消費(fèi)構(gòu)成的經(jīng)濟(jì)因素相比，人口統(tǒng)計(jì)學(xué)的影響較小。這也適用于私人消費(fèi)絕對水平的發(fā)展 15 。Yan-Ping W 等學(xué)者以消費(fèi)支出函數(shù)為工具，對山西農(nóng)村居民消費(fèi)結(jié)構(gòu)進(jìn)行分析，運(yùn)用面板數(shù)據(jù)模型對山西農(nóng)村居民消費(fèi)結(jié)構(gòu)和收入水平進(jìn)行了實(shí)證檢驗(yàn)，

10、反映了近五年來山西農(nóng)村居民消費(fèi)的總體特征 16 。 三、本課題研究內(nèi)容 本文所要研究的內(nèi)容包括以下幾個(gè)方面，一是對居民消費(fèi)水平以及相應(yīng)的反映指標(biāo)進(jìn)行相關(guān)的研究。二是對于這些反映居民消費(fèi)水平的指標(biāo)，進(jìn)行數(shù)據(jù)收集總結(jié)。三是對于RBF 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行研究學(xué)習(xí)，接著使用基于 RBF 神經(jīng)網(wǎng)絡(luò)模型對于收集到的數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)，對于居民消費(fèi)水平進(jìn)行預(yù)測學(xué)習(xí)，進(jìn)而可以進(jìn)一步得出居民消費(fèi)水平的走勢。 四、本課題研究方法 （1）資料查閱 對于居民消費(fèi)水平以及相應(yīng)的反映指標(biāo)進(jìn)行研究學(xué)習(xí)，并且從各種渠道收集數(shù)據(jù)，為后期學(xué)習(xí)做準(zhǔn)備。 （2） RBF 神經(jīng)網(wǎng)絡(luò)模型 使用基于 RBF 神經(jīng)網(wǎng)絡(luò)模型對于收集到的

11、數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)，對于居民消費(fèi)水平進(jìn)行預(yù)測學(xué)習(xí)。 （3）采用 MATLAB 軟件 使用 MATLAB 軟件實(shí)現(xiàn)程序的應(yīng)用。 五、研究目標(biāo)、主要特色（創(chuàng)新）及工作進(jìn)度 研究目標(biāo)： RBF 神經(jīng)網(wǎng)絡(luò)算法 收集居民消費(fèi)水平的數(shù)據(jù)：人均居住面積、平均每人生活消費(fèi)額、人均 GDP 三種數(shù)據(jù)，使用基于 RBF 神經(jīng)網(wǎng)絡(luò)模型對于收集到的數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)，對于居民消費(fèi)水平進(jìn)行預(yù)測學(xué)習(xí)。進(jìn)而可以進(jìn)一步得出居民消費(fèi)水平的走勢。從而達(dá)到促進(jìn)我國經(jīng)濟(jì)持續(xù)增長，中國人民的物質(zhì)生活水平不斷得到提高的目的。 主要特色： 使用 RBF 神經(jīng)網(wǎng)絡(luò)算法對于反應(yīng)居民消費(fèi)水平的數(shù)據(jù)：人均居住面積、平均每人生活消費(fèi)

12、額、人均 GDP 等數(shù)據(jù)分別進(jìn)行預(yù)測。 工作進(jìn)度： 2018.10.2020XX.1.3 查找資料，撰寫開題報(bào)告，開題答辯； 20XX.1.1020XX.3.31 深入學(xué)習(xí) RBF 神經(jīng)網(wǎng)絡(luò)算法，結(jié) 合居民消費(fèi)水平數(shù)據(jù)，同時(shí)編 程； 20XX.4.120XX.4.20 撰寫中期報(bào)告，中期答辯； 20XX.4.3020XX.5.30 進(jìn)行結(jié)果驗(yàn)證及分析，完成并修改畢業(yè)論文； 20XX.6 準(zhǔn)備畢業(yè)論文答辯。 六、 _ 1 黃洋, 魯海燕, 程畢蕓, et al. 基于新維無偏灰色 RBF 神經(jīng)網(wǎng)絡(luò)的居民消費(fèi)價(jià)格指數(shù)預(yù)測模型J. 統(tǒng)計(jì)與決策, 2018, 34(10):76-78. 2 Trian

13、tafyllopoulos K , Shakandli M , Campbell M . Count time series prediction using particle filtersJ. Quality and Reliability Engineering, 20XX(4): 177-185. 3 Zhu J, Ge Z, Song Z. Distributed parallel PCA for modeling and monitoring of large-scale plant-wide processes with big dataJ. IEEE Transactions

14、on Industrial Informatics, xx, 13(4): 1877-1885. 4 楊興華, 吳偉, 王林浩. 一種新的 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測金融相關(guān)系數(shù)J. 計(jì)算技術(shù)與自動(dòng)化, 20XX(1):15-23. 5 Ridong Zhang, Jili Tao, Renquan Lu. Decoupled ARX and RBF Neural Network Modeling Using PCA and GA Optimization for Nonlinear Distributed Parameter SystemsJ. IEEE Transactions on Neural

15、 Networks & Learning Systems, 2018, 29(2):457-469. 6 Han H G, Lu W, Hou Y, et al. An Adaptive-PSO-Based Self-Organizing RBF Neural Network.J. 2018, 29(1):104-117. 7 Liang X , Zhang J , Tian Q , et al. A Saliency Guided Shallow Convolutional Neural Network for Traffic Signs RetrievalC/ 2018 IEEE Conf

16、erence on Multimedia Information Processing and Retrieval (MIPR). IEEE, 2018. 8 魏爽, 王麗吉, 吳書成, et al. 基于混合優(yōu)化 RBF 神經(jīng)網(wǎng)絡(luò)的月平均氣溫預(yù)測J. 現(xiàn)代計(jì)算機(jī), 20XX(22):369-376. 9 任亞, 李萍. 基于 RBF 神經(jīng)網(wǎng)絡(luò)的中國 CPI 預(yù)測研究J. 西安財(cái)經(jīng)學(xué)院學(xué)報(bào), xx(01):63-66. 10 劉娜, 郭子堅(jiān), 宋向群. 基于 RBF 神經(jīng)網(wǎng)絡(luò)的中國出口集裝箱運(yùn)價(jià)指數(shù)預(yù)測研究(英文)C/ 第六屆交通運(yùn)輸領(lǐng)域國際學(xué)術(shù)會(huì)議. 11 李德根, 劉曉亮, 宋勝偉, et

17、 al. 熵權(quán)法徑向基神經(jīng)網(wǎng)絡(luò)的截割粉塵濃度模型與預(yù)測J. 煤炭技術(shù), 2018(6):1234-1239. 12 Souza Filho J B O, Diniz P S R. Improving KPCA Online Extraction by Orthonormalization in the Feature SpaceJ. IEEE transactions on neural works and learning systems, xx, 29(4): 1382-1387. 13 Jianguo Z , Jia L . An empirical study of the relat

18、ions between Chinas social security expenditure and consumption levelJ. Ingeniera Estructural Y Vial, xx, 53(2):160-172. 14 Bondt G J D , Gieseck A , Zekaite Z . Thick modelling ine and wealth effects: a forecast application to euro area private consumptionJ. Empirical Economics, 20XX(6):989-994 . 15 Aigner-Walder B, D?ring T. The effects of population ageing on private consumptionA simulation for Austria based on household data up to 2050J. Eurasian Economic Review, xx, 2(1):