[发明专利]一种多维度区域经济发展监测方法

权利要求书

1.一种多维度区域经济发展监测方法，其特征在于，该方法包括：

S1.建立区域经济发展监测的多维度区域经济发展指标；

S2.对多维度区域经济发展指标，采用的Pearson相关分析筛选出与经济发展最相关的若干二级指标；

S3.根据筛选出的二级指标构建多维度区域经济发展指标体系，每个维度分别对应若干指标，以及指标的含义和对应的指标编码；

S4.将多维度区域经济发展指标进行归一化处理；

S5.将归一化处理后的数据应用基于改进粒子群的RBF神经网络训练得到区域经济发展监测模型；

S6.使用监测模型对区域经济发展进行监测。

2.按照权利要求1所述的多维度区域经济发展监测方法，其特征在于，多维度包括：人口维度、经济维度、电力维度、社会维度和自然维度5个维度。

3.按照权利要求2所述的多维度区域经济发展监测方法，其特征在于，从5个维度中对应每个维度选取二级指标，其中Pearson相关系数法的公式为：

r为Pearson相关系数，X_b，Y_b为两个变量样本值，为样本平均值，z为样本数量，其中Pearson相关系数r越接近于1或-1，相关度越强，相关系数r越接近于0，相关度越弱；

显著性水平t的公式为：

通过显著性水平t和自由度z-2，利用t分布查表得到某件事情的发生至少有n％的把握。

4.按照权利要求1所述的多维度区域经济发展监测方法，其特征在于，归一化处理将不同指标分为保持原值和线性函数归一化，当指标值为百分比结果时，则该指标保持原值，当指标值为其他结果时，则该指标采用线性函数归一化处理，得到一个百分比值，若该指标值大于该指标值的阈值上限值，则将该指标值默认为该指标值的阈值上限值。

5.按照权利要求1所述的多维度区域经济发展监测方法，其特征在于，将归一化处理后的数据应用基于改进粒子群的RBF神经网络训练得到区域经济发展监测模型包括：

S501.将多维度区域经济发展指标值作为网络的输入，将该区域经济发展指数作为网络的输出，根据输入、输出变量，确定网络输入层为15个神经元节点，网络隐含层为20个神经元节点，网络输出层为1个神经元节点，其中，输入、输出训练样本集为M组；

S502.应用改进粒子群算法进行编码，并将粒子群初始化，初始化粒子的位置x_id及速度v_id，确定粒子个数N、惯性因子初值ω、最大迭代数k_max、学习系数c₁和c₂、初始化p_id和p_gd；

将要优化的基宽参数中心矢量C_i和网络权向量W_i初值连接成一个向量，将该向量作为改进粒子群所要寻找的位置向量，进行浮点编码，在D维空间内搜索的粒子编码格式：

粒子位置：x₁,x₂,…,x_D；粒子速度：v₁,v₂,…,v_D；目标函数：f(x₁,x₂,…,x_D)，

粒子个体为[x₁,x₂,…,x₂₀]对应[x₂₁,x₂₂,…,x₄₀]对应C_i＝[c₁,c₂,…,c₂₀]，[x₄₁,x₄₂,…,x₆₀]对应W_i＝[w₁,w₂,…,w₂₀]；

S503.将所有粒子进行译码，得到对应的RBF神经网络参数，计算M组输入样本在所得RBF神经网络参数下的M组输出，将其和M组输出样本带入均方差适应度函数，得到每个粒子的适应度值，即该粒子的P_id；

S504.对粒子的适应度函数进行评估，将最好的粒子适应度值作为全局适应度值，得到改进粒子群算法的P_gd；保存该粒子序号，对应的适应度值就是下次迭代中RBF神经网络的最优参数；

S505.如果P_gd达到改进粒子群算法的结束条件，则退出改进粒子群算法寻优，执行步骤S507；反之，则执行步骤S506；

S506.将所有粒子的速度、位置进行更新；

S507.将P_gd所对应的粒子进行译码，将此值作为RBF神经网络的初值，进行局部优化；

S508.将局部优化后的参数进行编码，如果P_gd达到设定值，迭代达到最大次数或最小误差要求时，则停止迭代；如果偏差超出设定值，则再返回步骤S506，对改进粒子群算法全局寻优；

S509.将归一化的多维度区域经济发展指标值作为基于改进粒子群的RBF神经网络的输入，将地区经济发展指数作为基于改进粒子群的RBF神经网络的输出，使用部分训练数据进行训练定RBF神经网络最优初始参数，其中，地区经济发展指数是描述该地区的经济发展程度；

S5010.将改进粒子群算法优化的RBF神经网络参数带入到RBF神经网络参数中，再用RBF神经网络梯度下降算法对所得网络参数进一步优化得到模型；

S5011.将神经网络训练后，若通过测试集则输出模型，反之重新训练，最终得到基于改进粒子群的RBF神经网络的区域经济发展监测模型。