偏最小二乘法与人工神经网络耦合的小流域产沙模型

针对小流域侵蚀产沙的复杂性,将偏最小二乘回归与人工神经网络耦合,建立了小流域降雨侵蚀产沙检验模型,并应用于小流域降雨侵蚀产沙预报.采用偏最小二乘法对多维自变量中的信息进行组合和提取,从而得到对因变量解释能力最强并可很好概括自变量信息的主成分,有效克服了变量之间的多重相关问题,实现了对高维数据的降维处理.把提取的主成分作为神经网络的输入,提高了网络的学习效率和稳健性.应用结果表明,偏最小二乘神经网络耦合模型的拟合和检验精度均优于偏最小二乘回归模型和人工神经网络模型精度.     

基于偏最小二乘与神经网络耦合的储层参数预测

将偏最小二乘回归(PLS)与神经网络(NN)耦合,建立了储层参数预报模型.利用偏最小二乘对影响储层参数的诸多因素进行分析,提取对因变量影响强的成分,从而克服了变量间的多重相关性问题,降低了神经网络的输入维数;同时,利用神经网络建模可以较好地解决非线性的储层参数预测问题.计算实例表明,本耦合模型的拟合和预报精度优于独立使用神经网络模型的精度.     

基于最小二乘支持向量机的风速组合预测模型

探讨了基于最小二乘支持向量机的组合预测模型在风速短期预测中的可行性.该模型以BP神经网络、RBF神经网络、粒子群BP神经网络3种预测模型的风速预测值作为组合预测模型的输入,实际风速值为输出,利用最小二乘支持向量机回归算法构造风速间的非线性关系,以实现风速多步预测.将该模型的预测性能与BP神经网络组合预测模型、线性组合预测模型进行比较,通过平均绝对误差、误差平方和、平均相对误差3个指标进行评价.结果表明,最小二乘支持向量机预测模型的平均相对误差低于6%,其他误差指标也明显低于其他预测模型.因此,最小二乘支持向量机组合预测模型预测精度不仅高于任一单项预测模型预测精度,而且高于传统的线性组合预测模型与一般BP神经网络组合预测模型.验证了该模型在风速预测中的可行性.     

基于偏最小二乘回归的洪水预报方法

针对常规多元回归模型无法克服预报因子间复相关性的问题,提出了基于偏最小二乘回归的洪水预报方法.通过结合遗传算法与偏最小二乘回归来进行因子筛选,对筛选后的因子采用Bootstrap方法进行检验,再建立基于偏最小二乘回归的预报模型.实例分析结果表明,该方法建立的洪水预报模型结构简单,能依据给定目标进行因子筛选,有助于克服水...     

基于BP神经网络的空气质量预测与分析

使用神经网络构造的算法,对秦皇岛市的空气质量进行预测。将秦皇岛市的气象监测数据与环境监测数据,按照季节关系分组,并进行相关性分析,从而确定出与空气质量呈强相关性的气象因子。并对其进行主成分分析,得出影响空气质量变化的主因子,以减少多种气象因子带来的数据处理难度。构建季节预测模型,并根据气象因子筛选结果,确定出神经网络模型需要输入的数据矩阵,从而通过气象参数变化对秦皇岛市的空气质量进行预测。并通过四个预测模型对季节空气质量的数值预测,得出了平均预测准确率,分别为81.18%,83.10%,81.72%,80.56%。结果表明,使用BP神经网络构建的秦皇岛市空气质量预测模型,可以成功预测该市四季的空气质量。     

果酒品质评价的自适应量子粒子群LS-SVM模型

针对BP神经网络和遗传算法对果酒品质预测存在速度慢和精度低的缺点,建立了一种基于量子行为粒子群算法(QPSO)的最小二乘支持向量机(LS-SVM)的果酒品质预测模型。模型通过引入粒子的进化度和聚合度,动态调整收缩扩张因子,从而实现了算法的动态自适应性。仿真结果表明:基于自适应量子粒子群的LS-SVM果酒品质评价预测模型优于所比较的BP神经网络和最小二乘支持向量机两种模型,具有较好的泛化性能和预测精度。     

偏最小二乘回归与神经网络结合模型的应用

偏最小二乘回归是一种新型的多元统计数据分析方法，能够在自变量存在严重相关的条件下进行回归建模；神经网络可以克服模型是观测数据的线性组合的局限。将两者有机的结合起来，建立偏最小二乘回归神经网络模型，可以使预报的精度提高。     

最小二乘支持向量机在API预测中的应用

传统的空气污染指数预测模型大多是以影响空气污染指数的重要气象因子作为输入,使用BP神经网络进行建模,模型的预测精度低且收敛速度慢.针对空气污染指数时间序列的非线性及多分辨率特性,提出了一种空气污染指数的最小二乘支持向量机预测模型.首先利用小波变换对原始的空气污染指数时间序列进行多尺度分解,以各尺度上的小波单支重构序列和重要的气象因子作为输入,然后使用该模型对兰州地区的空气污染指数进行了预测,最后讨论了模型参数的优化方法并使用网格法对两个参数进行了优化.仿真结果表明,与传统的BP神经网络预测模型相比,该模型具有更高的预测精度、更快的收敛速度及更好的稳定性.     

基于Copula-RF的混凝土坝变形监测模型

混凝土坝的变形与各种环境量之间存在复杂的非线性映射关系,传统统计模型中预报因子的选择有一定的主观性,且易出现过拟合问题.针对上述问题,本文采用Copula函数对变形影响因子进行非线性相关检验,以确定最优因子集.在此基础上,结合泛化能力强的随机森林(RF)理论,建立了基于Copula-RF的混凝土坝变形监测模型.随后,以某混凝土重力坝为例,根据大坝实测数据验证Copula-RF模型的准确性,通过与基于经典最小二乘回归的混凝土坝变形预测模型分析结果比较,根据均方根误差、平均绝对误差及平均绝对百分比误差等指标评价模型的拟合、预测精度.计算结果表明,相比于采用最小二乘回归的混凝土坝变形预测模型,Copula-RF模型预测精度更高,性能更加稳定,为混凝土坝变形监测提供了一种新方法.     

基于主成分分析的BP神经网络长期预报模型

MATLAB是进行神经网络系统设计及多元统计分析的有力工具.利用MATLAB6.5对月平均降水量的前期预报因子进行主成分分析,实现样本的最优压缩,从而降低样本的维数,建立起基于主成分分析的神经网络广西北部地区5月平均降水预测模型.计算结果表明,基于主成分分析的神经网络模型在预测中与多元回归模型相比有较好效果.     

基于MNNPLS的间歇过程的故障诊断

针对间歇生产过程的特点及多向部分最小二乘在故障诊断中存在的问题,提出了一种多向神经网络部分最小二乘方法,实现对间歇过程的在线监控和故障诊断。该方法结合了部分最小二乘的鲁棒性和神经网络表现输入输出非线性关系的能力,提高了模型的预测精度。将此方法应用于监测青霉素发酵过程中,仿真结果表明,它比传统多向部分最小二乘方法能更及时、准确地检测到故障。     

基于径向基概率神经网络模型的小儿厌食症辅助诊断

结合了径向基神经网络较强模式分类能力与概率神经网络运算简单的优点，提出了一种径向基概率神经网络模型，并应用于小儿厌食症的辅助诊断，通过对119例样本数据的处理，获得了92．4％的准确率．此外，偏最小二乘法的分析结果表明，Zn元素与小儿厌食症关系最为紧密．     

基于径向基概率神经网络模型的小儿厌食症状辅助诊断

结合了径向基神经网络较强模式分类能力与概率神经网络运算简单的优点,提出了一种径向基概率神经网络模型,并应用于小儿厌食症的辅助诊断,通过对119例样本数据的处理,获得了92.4%的准确率.此外,偏最小二乘法的分析结果表明,Zn元素与小儿厌食症关系最为紧密.     

基于CEEMD-BiLSTM-RFR的短期光伏功率预测

由于短期光伏预测中气象因素的时间尺度不同,直接分析其对光伏功率的相关性,易忽略时间尺度的影响,进而导致预测模型误差。为提高光伏功率预测精度,构建了预测模型。首先,利用互补集合经验模态分解(complementary empirical mode decomposition, CEEMD)将光伏序列进行分解,得到在不同时间尺度上的光伏分量;然后,通过Pearson相关系数分析各光伏分量与空气温度、太阳辐射度、风速、风向和空气湿度的关系,对于强相关分量建立关于气象因素的随机森林回归(random forest regression, RFR)预测模型,弱相关分量直接通过双向长短期记忆网络(bidirectional long short-term memory neural network, BiLSTM)进行预测;并将预测求和输出。通过安徽省蚌埠市光伏电站7月实测数据进行验证,实验结果表明,所提预测模型CEEMD-BiLSTM-RFR相比传统预测模型有较好的预测精度。     

基于GA-PSO-BP神经网络的气象能见度预测

针对安徽省气象能见度数据缺测问题,本文选取安徽省四种不同地形条件下的自动气象站点(黄山站、灵璧站、山南溪谷站、白泽湖站)2017-2019年的气象数据,首先采用灰色关联分析法筛选出与能见度联系紧密的气象要素,然后构建遗传算法(Genetic algorithm, GA)和粒子群算法(Particle swarm optimization algorithm, PSO)混合算法优化BP(Back Propagation)神经网络的预测模型,对四种不同地形条件下的自动气象站点的能见度进行预测,并与RF预测模型、XGBoost预测模型的预测效果进行对比,结果表明采用GA-PSO-BP神经网络预测模型无论在哪种地形条件下,预测误差更小,模型精度更高。     

清香型优质烟叶物理特性指标预测分析

探究清香型优质烟叶物理特性指标与生态因子间的定量关系,构建物理特性指标预测模型。选择云南省玉溪市2019-2020年优质烟叶的物理特性指标数据与生态数据（气象、土壤和海拔）,建立多元线性统计预测模型与BP神经网络预测模型,并分析各生态因子对烟叶物理特性指标的相对贡献率;利用均方根误差（Root Mean Square Error,RMSE）与归一化均方根误差（Normalized Root Mean Square Error,NRMSE）对两种预测模型模拟效果进行检验分析。结果显示,气象因子平均相对贡献率明显高于土壤、海拔的相对贡献率,气象因子对清香型优质烟叶物理特性指标尤为重要;统计预测模型的RMSE、NRMSE值均高于神经网络预测模型,神经网络预测模型预测准确性更高。利用统计方法与神经网络构建物理特性指标预测模型,可以为不同生态条件下提升烟叶品质、促进烟叶品质评价智能精准化提供一定的科学理论依据。     

精细化气象因子对短期电力负荷预测的影响研究

为分析电力负荷变化特征与气象要素的关系,定量解析气象因子对电力负荷预测的主要贡献,该文以华中电网某地区为研究对象,预报因子选用电力负荷和精细化气象数据,依据逐步回归和BP神经网络模型建立滚动预报模型.通过研究发现：当日负荷除与历史负荷有较好的相关关系外,当日温度与前一日温度对负荷也有较大的影响.气象因子在逐步回归和神经网络预测方法中对负荷预测准确率的提升均有正的贡献,贡献率分别为0.28%～17.87%和0.97%～17.78%.尤其是转折天气条件下,精细化气象因子对短期负荷预测的准确率的提升尤为重要.     

基于因子BP神经网络预测模型的胃溃疡发病率预测

目的:在医学卫生领域,疾病发病率受许多因素的影响,很难用结构式因果模型解释,根据神经网络预测是一种行之有效的方法。多层前馈神经网络(BP)应用于疾病发病率的预测时,由于影响它的气象因素,如月平均气温、月平均气压、月平均相对湿度等本身具有很大相关性,且维数较高,BP神经网络的预测精度会下降。方法:针对这一问题,提出了利用因子分析方法对原输入空间进行重构,并根据各主成分的贡献率确定网络结构,有效地解决了预测精度下降的问题。结果:以2003年1月至2009年12月青海海西州地区胃溃疡发病率的资料验证了该方法的有效性。结论:应该充分考虑胃溃疡在各时间段的发病率特征,以便更有重点地进行健康防治工作,有效地降低胃溃疡对人类的危害,保障人类的生活品质。     

最小二乘支持向量机在害虫预测中的应用

针对害虫发生量数据的小样本、非线性特点,提出一种最小二乘支持向量机的害虫预测方法.首先采用多元线性回归分析法选择害虫发生量的影响因子,然后通过遗传算法对最小二乘支持向量机参数进行优化,最后建立害虫发生量与影响因子之间复杂的非线性关系模型.采用二代玉米螟百株幼虫虫量对模型性能进行检验,结果表明,相对于多元线性回归、BP神经网络模型,最小二乘支持向量机提高了二代玉米螟发虫量的预测精度,是一种有效的害虫变化预测方法.     

基于优化最小二乘支持向量机的数控机床热误差建模分析

数控机床热误差是降低加工精度的主要因素之一.针对热误差建模问题, 结合布谷鸟算法的随机莱维飞行机制和最小二乘支持向量机结构风险最小化与线性规划等优点, 提出基于布谷鸟算法优化最小二乘支持向量机的热误差建模方法.在最小二乘支持向量机将低维非线性问题转化为高维线性问题时, 构建了混合核函数.同时,采用布谷鸟算法对最小二乘支持向量机惩罚因子γ、核宽度参数σ和混合核权值λ进行了优化.以GMC2000A机床为实验对象, 分别对热误差数据进行了聚类分析和建模分析.通过误差预测对比分析得出结论, 基于布谷鸟算法优化混合核最小二乘支持向量机建立的误差模型取得了良好的预测效果, 且明显优于BP神经网络模型和未优化的最小二乘支持向量机模型的预测效果.