基于函数型主成分聚类的失业人口研究

为了深入研究近年来我国各省之间失业人口的变化差异,采用函数型主成分聚类的分析方法对我国各省失业人口的差异进行了研究。首先利用4次B样条基函数将我国31个省、市、自治区2001～2019年的城镇登记失业人口拟合成连续化的函数曲线,通过函数型数据在L2空间上的主成分分析进行降维,其次对主成分得分进行加权的K-means聚类,结果表明,我国劳动力失业人口的动态变化特性存在一定的区域异质性,除北京市外,劳动力失业人数最少的省份绝大多数来自西部地区,而劳动力失业人数较多的省份大部分来自华东和华中地区。最后从各地区的产业优势、国家出台的相关政策、人口年龄结构等方面对我国各省失业人口之间的差异进行分析并提出相应的建议。     

基于主成分分析和模糊聚类的水文分区

水文分区有各种方法,文章提出了集模糊聚类与主成分分析方法的各优点组合的水文分区方法,首先采用主成分分析法获得水文特性主成分属性,然后运用模糊聚类算法NFC(Net Fuzzy Cluster)进行模糊聚类.利用主成分分析法对分区指标进行降维处理,简化了计算.应用NFC模糊聚类,在一定程度上解决了FCM算法局部极值问题且具有良好的聚类性能,实现了聚类的科学化与自动化.对安徽省淮河流域的124 716个原始水文数据进行实验,结果表明,与传统分区方法相比,所提出的方法有效地改善了时间性能,提高了求解精度,所得结果为水文站网规划提供了理论依据.     

基于主成分分析的河流洪水系统聚类法

进行河流洪水聚类的目的是根据洪水特征的相似程度划分洪水类别,研究同类洪水的规律性以及应对措施.但是,洪水特征选择过多往往会增加计算的复杂程度,同时特征之间的相关性也使得信息大量重叠,导致计算结果失真.为此,提出基于主成分分析的河流洪水系统聚类法.该法首先将所选的洪水特征综合成少数几个不相关的主成分,然后计算出每场洪水在各主成分上的得分值并将该值作为新的洪水特征值,最后根据这些新特征值进行洪水聚类.三门峡水库入库洪水聚类实例证明了该方法的可行性.     

基于局部线性嵌入的时间序列聚类

时间序列聚类是时间序列数据挖掘中重要的研究内容之一。由于时间序列的维数比较大,直接对时间序列原始数据进行聚类性能不理想,如何有效的对时间序列进行维数约简,并且保持原数据集本质特征,是本论文的主要研究点。首先使用局部线性嵌入(LLE)对时间序列样本维数约简,在低维空间对维数约简后的数据进行聚类,然后将它的聚类性能与已有方法如主成分分析(PCA)、分段聚合近似(PAA)进行比较。实验表明,使用LLE更能提高聚类性能。     

基于主成分分析和优化聚类算法的行驶工况研究

针对模糊C均值聚类算法容易陷入局部最优以及传统的主成分分析法没有完全体现出用数量较少的综合指标来代替多个指标的问题,提出了一种改进的主成分分析和利用遗传模拟退火算法优化后的模糊C均值聚类算法相结合的聚类算法(GSA-FCM),从而构建汽车行驶工况图:首先,利用改进的主成分分析法对特征参数矩阵进行处理;然后,采用GSA-...     

面向冠心病血检数据的函数型主成分方法

本文提出了一种面向冠心病血检数据的函数型主成分分析(FDCA)方法。首先,利用函数型数据分析(FDA)方法,对冠心病患者的血液检测指标数据进行函数化;然后,利用FPCA的方法对原始血检指标进行降维,并与传统的主成分(PCA)方法进行对比。实验结果表明,相比于传统方法,FPCA方法降维效果更好,降维后得到的新指标能够包含原始指标的绝大部分信息。该方法对于临床冠心病的诊断研究具有现实和理论意义。     

基于主成分聚类法的福建城镇化水平的测度

基于城镇化的内涵,从城镇发展、经济发展、服务功能三个维度建立城镇化发展的指标体系.针对目前测度方法所存在的问题.采用主成分聚类法来测度城镇化水平,通过研究福建省九个地级市的城镇化发展水平,得出此方法对于解决综合测度问题是合理的和可行的,最后对城镇化水平的排名的合理性进行了简单分析,并提出加快推进福建城镇化水平的对策与建议.     

主成分分析和回归法在高校学费标准评价中的应用

我国高等学校学费合理性问题已经成为社会关注的热点问题.针对影响高校学费标准的多个因素,采用主成分分析法(PCA)提炼出较少的关键指标,这些指标是原来指标的修正和量化,它们不仅充分反映了原指标的信息,而且大大简化了评价体系.然后通过主成分回归法(PCR)计算出各高校的综合得分及排名,最后利用模糊聚类检验法和灰色关联分析法对结果进行了检验,证明了该评价体系的可靠性.     

基于聚类与主成分分析法的道路检测器布局优化

依据交叉口交通量的相关性,利用系统聚类和主成分分析法对交叉口检测器空间优化问题进行研究,并通过深圳路网的实际数据进行检验,取得满意效果。     

北京大气污染区域分布及变化趋势研究

本文利用2000-2005年北京市8个国控点PM10、SO2、CO、NO2和NOX等污染物浓度数据,分析了北京各区域大气污染分布与季节变化特征,以及近几年大气污染变化趋势.方法以主成分分析为主,辅以时间序列分析.分析结果显示：北京大气污染存在明显的时空差异,第一、二主分量可以很好地表征城市大气污染属性,所有污染物对第一主分量贡献都为正值,能够清楚区分大气污染程度,以及城市与区域背景的异同,第二主分量可以区分城市污染的源排放特征.基于此标准,全市范围内大气污染划分为燃煤型、机动车排放型、过渡型以及环境背景等四种污染类型.     

基于核主成分分析与最小二乘支持向量机结合处理时间序列预测问题

探讨了最小二乘支持向量机时间序列预测的方法,提出了用核主成分分析提取主元,然后用最小二乘支持向量机进行预测.通过实验表明,这种方法得到的效果优于没有特征提取的预测.同时与主成分分析提取特征相比,用核主成分分析效果更好.     

基于FPCA和ReliefF算法的图像特征降维

针对传统图像特征降维方法计算量大、 无法去除冗余信息、 未考虑相关性等缺陷, 提出一种结合快速主成分分析(FPCA)和ReliefF算法的图像特征降维方法. 该方法先利用FPCA[KG*6]算法对样本数据进行初次降维, 去除样本中的冗余信息;  再利用ReliefF算法计算样本特征的分类权重, 根据权重对特征进行组合优化. 在算法实现过程中, 采用递归排除策略, 进一步提升了算法特征寻优能力. 仿真实验表明, 利用本文算法优选出的图像特征, 可较好地提高聚类结果, 适合实际工程的应用.     

基于PCA和KPCA特征抽取的SVM网络入侵检测方法

提出一种新颖的基于特征抽取的异常检测方法,应用主分量分析(PCA)和核主分量分析(KPCA)抽取入侵特征,再应用支持向量机(SVM)检测入侵。其中PCA对输入特征做线性变换,而KPCA通过核函数进行非线性变换。利用KDD 99数据集,将PCA-SVM、KPCA-SVM与SVM、PCR、KPCR进行比较,结果显示:在不降低分类器性能的情况下,特征抽取方法能对输入数据有效降维。在各种方法中,KPCA与SVM的结合能得到最优入侵检测性能。     

soja亚属的数量分类学研究

以不同进化类型的7 个大豆居群为分类运算单位,选取了28 个形态学、生态学性状,对不同进化类型的大豆居群进行了数值分类研究.Q 分析及图论分析揭示野大豆、半野生大豆与栽培大豆之间存在较大差异.主成份分析表明前三主成份可保留总信息量的91 .05 % ,说明种内居群分类所选性状合理,并能在三维空间表达各居群间的相对位置.     

粗糙集聚类分析与主成分分析法对双等位基因频率的分析与比较

运用主成分分析、聚类分析和粗糙集理论,依据Y染色体的12种单体型的双等位基因频率数据,对东北地区13种民族人群进行分类.分类方法包括3种方法各自分类、粗糙集与聚类分析结合分类的4种方法.分类结果的共同点是:日本人群、新疆的汉族、哈萨克族各自分为一类;东北地区的汉族(M Han)与新疆的汉族(X Han)不在一类;东北地区的汉族与其邻近的民族(如:蒙古族)距离较近,而新疆的汉族与维吾尔族距离相对较近.从分类结果的不同点来看,认识到3种方法的各自不足,同时获得一个重要启示:粗糙集理论与聚类分析法相结合是一种非常有意义的方法.     

P-C-R模型构建及应用

针对目前预测模型精度低的问题,提出将主成分分析、聚类分析用于RBF神经网络预报建模,从而克服大样本数据提取的困难,使得指标的选取能更全面地反映状况,有效地缩减RBF网络的输入节点数并提高模型的预报精度。利用MATLAB的神经网络工具箱,实现了神经网络训练和仿真验证。仿真结果表明,该模型有较高的预报能力。提出的基于主成分分析和聚类分析的RBF网络预报模型---PCR模型为研究预报提供了一个新的思路和方法,并为其他领域的建模研究开阔了思路,具有一定的理论价值和的应用价值。     

基于BIRCH-LKD的在站车辆中时异常检测算法

针对铁路车辆在站中转作业异常较多的情况,提出基于BIRCH-LKD的在站车辆中时异常检测算法.该算法以车辆中时序列为研究对象,不考虑异常值的具体形式,对序列分组,引入中时序列特征向量,做类球形簇转化;采用基于划分的显性异常检测方法得到中时序列特征向量的聚类特征树,查找序列显性异常,缩小异常检测范围;利用隐性异常检测算法计算剩余数据对象的K距离,根据距离差值变化规律,筛选序列隐性异常;最后,利用中时序列中位数异常判定条件,排除下界异常,实现中时序列的异常检测.实验结果表明,该算法检出率高,能够快速识别中时序列异常值,有效率达85%以上,去除异常值后的中时序列符合实际情况的趋势且更加平稳.      

两种形状识别方法及其实验

物体的形状识别是模式识别的重要方向,广泛应用于图像分析、机器视觉和目标识别等领域.目前,对形状识别的主要方法有傅里叶描述子、主分量分析等.对傅里叶描述子、主分量分析方法进行了详细阐述,通过对仿真得到的数据分析比较,验证了主分量分析法和傅里叶描述子方法对形状识别具有比较好的效果.     

基于故障重构的PCA模型主元数的确定

基于故障重构理论研究了PCA模型主元数的确定方法,应用累积方差贡献率以及复相关系数对主元模型性能进行分析·在基于PCA理论进行故障诊断中,故障变量可根据故障的方向向量进行重构,未重构方差(VRE)可分别投影于主元子空间(PCS)和残差子空间(RS)·确定最优重构是使两空间的VRE之和达到最小,与此相对应的主元数即为最优主元数(PCs)·应用累积方差贡献率以及复相关系数对主元模型性能进行评价,结果表明确定的PCA模型PCs保证了PCS中的信息存量·对于工业PVC聚合反应过程的故障诊断说明了上述方法的合理性与有效性·