职场新人手机用户精准识别的研究_图文.docVIP

Step4：利用训练好的 BP 网络对原始数据进行仿真； Step5：用原始数据仿真的结果与已知数据进行对比测试； Step6：利用训练好的 BP 网络对新数据进行仿真。 在网络训练过程中，我们主要采用梯度下降法，将手机价格作为目标矩阵输出层， 将 11 个影响因素作为输入层，利用 Matlab 编写 BP 神经网络程序（见附录 1）,输入原 始数据后得到所需的手机价格以及比较图，如图 4 和图 5。 9000 8000 7000 6000 5000 网络输出值 实际值 真假 4000 3000 2000 1000 0 -1000 0 200 400 600 800 1000 序号 1200 1400 1600 1800 2000 图 4 网络输出值与实际值比较图 10 1 Best Training Performance is 0.062734 at epoch 10000 Train Best Goal Mean Squared Error (mse 10 0 10 -1 10 -2 10 -3 10 -4 0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 10000 Epochs 图 5 均方差修正图 10 由上图易知所得 BP 神经网络在经过反复训练以后能到达到比较准确的程度，因此 所得的价格值可靠。但是由于神经网络的训练情况并不能完全稳定下来，以致每次运行 程序所得的结果都不尽相同，因此在本题中我们将程序运行了 10 次，从而确定了手机 价格波动的大致范围，由于数据过多，在此我们选择了 30 个用户得到其手机价格的区 间表，如表 3 表 3 手机价格的区间表 本网手机号码 1318586 1346946 1104705 395363 1293795 577686 6637 1321254 1295217 1263769 1282896 875458 573745 858135 1298619 手机价格区间 （单位：元） [1188，1634] [459,582] [1208,1439] [828,1377] [403,651] [776,879] [313,879] [431,614] [720,1292] [717,1331] [639,656] [1503,1963] [682,823] [1206,1331] [278,745] 本网手机号码 566929 1037205 331872 1266659 441847 350773 798533 1331659 830355 1319219 817780 795223 336650 1317551 451871 手机价格区间 （单位：元） [654,936] [1184,1479] [306,955] [1008,1374] [1501,1710] [691,748] [1022,1034] [974,1042] [558,898] [831,1141] [502,608] [232,607] [992,1375] [791,812] [995,1677] 5.3 问题三的分析与求解 5.3.1 距离判别模型的建立 (1数据标准化处理 xij ? x j 标准差法： xij ? sj 1 n 1 xij ， s j ? [ ? ( xij ? x j 2 ]2 n i ?1 n （2）样本与总体的马氏距离 设 x, y 是来自均值向量为 ? 、协方差矩阵为 ? 的总体 G 的两个样本，则 x, y 之间的 马氏距离为： 其中， x j ? 1 d ( x, y ? [( x ? y ? ( x ? y] x 与总体 G 的马氏距离为： T ?1 1 2 d ( x, G ? [( x ? ? T ??1 ( x ? ? ]2 设 x, y, z 施来自总体 G 的三个样品，则马氏距离满足距离的三条基本性质： （a、 ） dxy (, 0 ? ，当且仅当 x ? y 时 d ( x, y ? 0 ； （b、 ） dxy ； (, dyx (, ? （c、 ） dxz 。 (, dxy (, ? dyz (, ? 11 1 （3）判别准则： 设 G1 、G2 是两个不同的 p 维已知总体，G1 的均值向量是 ?1 ，协方差矩阵是 ?1 ；G2 的均值向量是 ? 2 ，协方差矩阵是 ? 2 。设 x ? ( x1 , x2 , , x p T 是一个待判样品，则距离判别 准则为： 若d ( x, G1 ? d ( x, G2 ? x ? G1 ? 若d ( x, G1 ? d ( x, G2 ? x ? G2 即当 x 到 G1 的马氏距离不超过到 G2 的马氏距离时，判定 x 来自 G1 ；反之，判定