基于主成分分析与BP神经网络相结合的机床主轴热漂移误差建模

为提高数控机床热误差模型的预测精度,提出了将主成分分析与BP神经网络相结合的主轴热漂移误差的建模和预测方法.使用主成分分析法对多个温度变量进行降维处理或重新组合,将处理后所得较少的主成分变量作为样本输入BP神经网络进行训练而得到主轴热漂移误差模型,并与经过测点优化后以关键点温度作为输入的BP神经网络模型进行对比分析.结果表明：基于主成分分析与BP神经网络相结合的主轴热漂移误差模型的拟合精度较高,残差较小;由于BP神经网络的输入变量较少而使所提出的模型训练速度快、迭代次数少.     

基于PCA-GABP的高技术企业信用风险评价

针对高技术企业信用风险评价中高维、非线性的问题,提出基于主成分分析与遗传算法的改进BP神经网络相集成的高技术企业信用风险评价方法.首先利用主成分分析对高技术企业信用风险评价指标体系降维,并运用降维数据,建立关于高技术企业信用风险评价的GABP神经网络的模型.最后通过实证分析,验证该方法的可行性.     

充填管道失效风险性预测精度研究

为更准确预测矿山充填管道失效风险性,建立主成分分析与改进BP神经网络相结合的评价模型。选取10项评价指标作为充填管道失效风险性的评判指标,统计10个矿山的样本数据,并运用主成分分析法对这10个样本数据进行预处理,得出主要成分,再利用改进的BP神经网络模型进行预测,最终得到更准确的管道失效风险预测结果。研究结果表明,所得到实际预测结果与期望值之间的相对误差分别为2.31%,1.68%,3.02%。预测相对误差控制在4%以内,较未经主成分分析处理的标准BP神经网络预测精度更为准确。利用主成分分析法与改进的BP神经网络相结合建立的充填管道失效评价模型具有分析速度快、预测精度高的特点,为矿山充填管道失效风险预测提供了一种更为完善的方法。     

基于PCA-ANN模型中存在的问题及改进

文章深入分析了目前普遍采用的主成分分析——神经网络模型应用中存在的不合理问题,通过推导指出错误所在,提出了相应的改进方案.为了验证改进模型的有效性,以UCI机器学习库中的数据集为样本,选取有导师BP神经网络和无导师SOM神经网络,建立改进的主成分分析——神经网络模型,并与传统主成分分析——神经网络模型进行比较测试,实验结果表明改进的模型效果更优.     

互联网金融企业风险预警模型构建研究

结合互联网金融企业自身特点,建立互联网金融风险指标体系,采用主成分分析和BP神经网络结合的方法,构建互联网金融风险预警模型,将筛选后得到的主成分分析结果输入到训练后的BP神经网络风险预警模型中,进行实证分析.结果显示,训练后模型准确率可以达到96.35%,对于样本预测精准度具有较强作用,从而可以为互联网金融企业提供一种科学有效的风险预警方法,为政府决策部门提供智力支撑.     

基于PCA的遗传神经网络在套损预测中的应用

为有效预测套损发生,掌握油水井套管的状况,减小套损所带来的损失,基于大庆油田南一区井网的现有资料,综合分析采集到的各种因素,建立了基于主成分分析的遗传神经网络模型。该模型首先对原始数据进行主成分分析,并将得到的主成分作为神经网络的输入,然后用遗传算法确定了网络的最佳初始权值和阈值,最后用神经网络进行预测。结果表明,该方法油井和水井的预测准确率分别达85%和82. 5%,证明经过主成分分析和遗传算法优化的BP神经网络的准确性和可靠性。     

基于多元统计—神经网络的教学质量评估模型

给出了基于多元统计—BP神经网络的教学质量评估模型,先采用相关分析、主成分分析对其影响因子作评价和预处理分析,然后以BP神经网络模型作预测,并在Matlab中实现.结果表明,基于多元统计—BP神经网络的教学质量评估模型,既克服了在评估过程中的主观因素,又得到了满意的评估结果,具有广泛的适用性.     

主成分分析在线性模型与非线性模型的应用研究

为了解主成分分析在线性模型与非线性模型预报中的应用效果,在2001—2011年热带气旋历史观测资料基础上,采用主成分分析方法,结合线性回归模型和神经网络模型,开展西北太平洋热带气旋的强度预报技术研究试验．根据提取的主要影响因子构造线性回归模型与BP神经网络的输入样本进行不同样本的台风强度预测．计算结果表明,主成分分析通过降低线性回归模型和BP神经网络模型的维数,减少自变量之间的复共线性,减小模型的预报平均绝对误差．     

基于BP神经网络的空洞型采空区稳定性评价研究

通过分析空洞型采空区稳定性的影响因素,依照BP神经网络原理,构建出适合空洞型采空区稳定性评价的BP神经网络模型。再通过收集到的空洞型采空区稳定性样本对所构建的BP神经网络进行训练,得出空洞型采空区稳定性评价BP神经网络模型,并应用检测样本测试其准确性。并以陕北讨老乌素煤矿采空区为例,应用训练好的BP神经网络模型对其进行预测评价,最终得到了与实际情况吻合的结果。     

基于PCA-LVQ神经网络的教学质量评价模型研究

为了进一步提高教学质量评价准确率,提出一种基于主成分分析(PCA)和学习矢量量化神经网络(LVQ)相结合的教学质量评价模型.使用层次分析法(AHP)建立教学质量评价体系,再用主成分分析提取初始评价指标体系的特征信息,将经过降维处理后的特征信息输入到LVQ神经网络,并对网络模型进行训练和泛化能力测试.实验结果表明,与单一的LVQ和BP神经网络相比,PCA-LVQ网络模型的结构更为简化,学习能力更强,收敛速度更快,评价准确率更高且泛化能力强.