基于比色法测量二氧化硫浓度的递进回归模型

比色法是目前常用的一种探测物质浓度的方法,因此可以借助比色法建立颜色读数和二氧化硫浓度间的关系,即只要输入颜色读数:红(R)、蓝(B)、绿(G)、色调(H)和饱和度(S),就可以获得二氧化硫的浓度值.借助Excel、SPSS等数据分析软件,分别建立二氧化硫浓度与各颜色变量间的一元非线性回归方程,再将计算得到的5个浓度作为自变量,并由此建立二氧化硫浓度的多元线性回归模型.这样递进回归,既考虑了每个颜色变量对二氧化硫浓度的影响,又可以简化最终的数学模型.最后分析了统计检验量R~2的变化规律,发现增加样本数量、颜色维度和关键变量都会使模型的可靠性增强.     

运用Excel对二氧化硫颜色与浓度的回归分析

首先利用Excel绘出二氧化硫在不同浓度下的颜色值和物质浓度的XY散点图,尝试建立与样本点拟合较好的回归模型;然后运用Excel数据分析,得出回归分析的结果,从结果中观察几个主要项目参数,如Multiple、R Square、SS、F、残差平方和等[1-3],与规定参考值进行对比,若在允许范围内则证明建立的回归模型可行,若远远超出允许范围,则重新建立模型再进行回归分析;最后通过观察样本残差图,进一步判定选用的回归模型的合理性,模型拟合效果,给出的数据可信度.     

优化NARX神经网络对时间序列溶解氧的预测

为提高非线性有源自回归(NRAX)神经网络模型的预测精准度,采用主成分分析(PCA)法和灰色关联分析(GRA)法提取原始数据特征并减少输入变量的维度,通过构建PCA-NARX和GRA-NARX模型预测地表水体未来短期(48 h)溶解氧(DO)的质量浓度.结果表明:GRA-NARX模型对时间序列DO质量浓度的预测效果优于...     

基于正交信号校正和稳健回归的带钢酸洗浓度预测模型

为了实时获得冷轧带钢酸洗溶液的浓度值,便于进行酸浓度控制,采用软测量方法实时预测酸浓度.由于酸浓度建模数据中无关成分和特异点会影响模型精度,利用正交信号校正和稳健回归相结合的方法来建立酸浓度预测模型.首先利用正交信号校正对建模数据进行预处理,去除自变量中与因变量无关的成分;然后采用基于迭代加权最小二乘的稳健回归算法进行建模,降低特异点对模型的影响;最后将预测结果和多元线性回归、传统稳健回归方法和正交信号校正多元线性回归进行比较.实验结果表明:采用正交信号校正稳健回归方法后,模型预测能力得到提高,与多元线性回归结果相比,亚铁离子质量浓度和氢离子质量浓度的相对预测误差分别从1.82％降低到1.17％、从5.87％降低到4.73％.本文提出的方法具有更好的模型预测精度,可以满足工业应用要求.     

基于正交信号校正和稳健回归的带钢酸洗浓度预测模型

为了实时获得冷轧带钢酸洗溶液的浓度值,便于进行酸浓度控制,采用软测量方法实时预测酸浓度.由于酸浓度建模数据中无关成分和特异点会影响模型精度,利用正交信号校正和稳健回归相结合的方法来建立酸浓度预测模型首先利用正交信号校正对建模数据进行预处理,去除自变量中与因变量无关的成分;然后采用基于迭代加权最小二乘的稳健回归算法进行建模,降低特异点对模型的影响;最后将预测结果和多元线性回归、传统稳健回归方法和正交信号校正多元线性回归进行比较.实验结果表明:采用正交信号校正-稳健回归方法后,模型预测能力得到提高,与多元线性回归结果相比,亚铁离子质量浓度和氢离子质量浓度的相对预测误差分别从1.82%降低到1.17%、从5.87%降低到4.73%.本文提出的方法具有更好的模型预测精度,可以满足工业应用要求.     

基于多元时间序列的PM2.5预测方法

针对利用多元线性回归和时间序列模型预测PM2. 5时,存在信息利用不全面和预测精度不高的问题,提出了基于多元时间序列(ARMAX)的PM2. 5预测方法;方法在回归项中引入了PM2. 5影响因子在时间序列上的滞后性阶数,并对残差序列进行信息提取,建立了PM2. 5浓度预测模型;首先通过"天气后报网"采集了合肥市2017年和2018年污染物数据;完成了数据的预处理及相关性分析;分别建立了PM2. 5浓度预测的多元线性回归模型、时间序列模型和ARMAX模型;最后通过RMSE、MAE和Theil不相等系数3个评价指标,将3个模型预测精度进行比较;结果表明:ARMAX模型的预测精度显著高于单一的时间序列模型或多元线性回归模型。     

由粗到精和特征筛选的精确回归预测方法及其在二语习得中的应用

针对数据分布不均匀且因素多而容易造成预测不精确的问题,提出一种结合由粗到精与特征筛选的精确回归预测方法.首先,由于数据分布不均匀且预测区间大,直接预测难以精确地拟合,提出一种由粗到精的预测方法,并使用决策树进行粗分类,预测目标所在的子区间,然后在子区间内实现精确的回归预测.其次,如果数据量少且特征因素多会引起过拟合,而且部分冗余特征会影响模型的预测精度,因此,提出一种基于特征筛选的回归预测方法以提高预测精度.在大学生的英语成绩与其人格因素数据集上进行相关实验,结果证明了由粗到精和特征筛选方法与传统回归模型相比精度更高且稳定性更好.通过提出的人格因素与英语成绩回归预测模型,可以制定合理的培养方案弥补学生人格因素中的短板,提升学生的自身竞争能力,从而更好地推动中国的英语教育.     

废水处理过程的KPLS-GPR软测量建模

采取基于核函数偏最小二乘法的高斯过程回归模型(KPLS-GPR),对复杂的造纸废水处理过程中出水化学需氧量(COD)和出水悬浮固形物(SS)质量浓度进行预测.首先,采用KPLS的潜变量作为预测模型的输入变量,以降低数据维度,优化数据结构;其次,建立潜变量与输出变量的GPR回归模型.基于某工厂造纸废水数据进行仿真试验,引入人工神经网络(ANN)、基于偏最小二乘潜变量的预测模型(PLS-ANN)及基于核函数偏最小二乘潜变量的预测模型(KPLS-ANN)作为对比.试验结果表明:KPLS潜变量对预测模型有明显的优化效果,在这些模型中KPLS-GPR预测精度最高;对于出水COD和SS质量浓度的预测,KPLS-GPR的决定系数分别为0.575和0.610,相比于常规预测模型,决定系数可分别提升36.90%和43.87%.     

基于支持向量机的地铁故障类型预测

针对城市轨道交通运营压力增大带来的故障隐患和诸多问题,基于城市轨道交通故障隐患数据,构建支持向量机实验预测模型,将筛选处理后的数据与模型相结合,探究未来一定时间段内城市轨道交通可能发生故障的概率和类型,在不同维度、数据量的情况下,对模型运算的效果进行分析,找出其对模型准确率的影响,确定最佳数据维度和使用数据量,为运营公司应对突发故障提供决策辅助方法 .以现有数据通过支持向量机模型进行概率预测估计,同时加入噪声数据测试对模型准确率的影响,最后与BP神经网络模型和极限学习机方法进行对比.研究结果表明：本文构建的模型进行地铁故障概率预测的准确率能够保持在60%左右,说明具有一定的可行性,同时能够在含有噪声数据的情况下进行故障发生概率预测.     

基于小波峭度的土壤表层机油浓度预测方法应用

机油烃类物质对于农作物生长和土壤基质产生不可忽视的影响,造成的农作物减产甚至绝收等现象。为解决土壤表层中机油烃类污染物质浓度预测的问题,利用荧光诱导技术获得机油光谱曲线,提出以小波峭度作为量化参数进行土壤表层中污染油浓度预测的方法,以市面出售三种不同机油结合随机森林回归算法进行了比较分析。实验结果表明,选取小波峭度参数的随机森林对三种机油的浓度预测结果利用相关系数R_p和均方根偏差RMSD进行评价,对齿轮油、发动机油、摩托车机油的预测,分别提高了1.2%、2.2%、1.9%和14.9%、32.4%、16.8%;对三种机油随机选取30组样本,对其识别准确率分别提高了6.67%、6.66%、9.96%;同时也验证了小波峭度参数在多个回归模型中的预测精度均有提高,具有较高的预测性能。综上所述,这为土壤表层中其它烃类污染物浓度预测回归模型提供了一定的参考,为农业生产和土壤环境的可持续发展提供一种有效的检测手段。     

物质浓度与颜色读数关系类型的回归分析

分析了物质浓度与颜色读数关系类型。借助SPSS软件对所给数据进行因子分析,又利用散点图大致确立了二者的关系类型,即回归分析模型。利用Matlab进一步确立了完全二次(quadratic)回归模型并求出回归系数得到回归分析方程。通过计算误差的标准差以及将拟合数据与现有数据进行对比的折线图验证了该模型的合理性。     

GFRP管力学长期性能快速预测的回归优化方法

针对玻璃纤维增强塑料(GFRP)管道标准预测寿命50a力学性能值中,存在试样失效时间长达1×104h以上、数据量多达18个以上等问题,提出一种快速预测GFRP力学长期性能的新方法,基于回归优化理论,推导出短时预测方法及其改进方法.对GFRP管道应变腐蚀实验美国标准ASTM D—3681—01中算例数据,运用所提出方法和标准方法,分别建立双对数回归模型,预测GFRP管50a初始应变值,结果表明:与标准方法相比,仅含9个数据量的5 000h方法预测值的相对误差为5.63%,且含有10个数据量的1 000h改进方法3的预测值相对误差仅为0.55%,验证了所提出方法的有效性.     

小数据量情境下的滑坡位移非线性变化预测模型

为得到小数据量情境下滑坡位移非线性变化趋势的准确估计,融合广义回归神经网络学习速度快、预测精度高和p GM(1,1)模型减小数据随机性并能增强规律性的建模优势,建立了基于p GM(1,1)模型和广义回归神经网络的滑坡位移组合预测模型.两个工程实例与以往研究结果的对比结果,验证了所建模型可行、有效.     

概率神经网络在物质浓度辨识中的应用

提出了基于概率神经网络的物质浓度辨识方法,以二氧化硫在不同浓度下颜色读数的数据为例,建立概率神经网络的物质浓度辨识模型。实验仿真表明,概率神经网络物质浓度辨识模型具有收敛速度快、物质浓度辨识正确率高、容易训练等特点。     

基于GA-ELM模型的我国天然气进口预测

我国天然气进口具有时间短、数据量少的特点,传统的预测方法不能兼顾结果的准确性和实时性.提出了一种基于遗传算法优化极限学习机模型的权重和阈值的新方法,使用随机森林算法评估影响因素的特征重要性,从中选择了影响最显著的6个因素作为模型的自变量;用自变量2006—2018年的历史数据训练经遗传算法优化的极限学习机模型,得到预测精度高的机器学习模型;再使用差分整合自回归移动模型对未来自变量的数值进行预测,将预测结果代入训练好的机器学习模型中,得到未来天然气进口量的预测值.结果显示,我国未来天然气进口量将呈现上升态势,其增长率经历几年下降后将保持平稳.     

基于BP人工神经网络的大气颗粒物PM10质量浓度预测

根据2008年长沙市火车站监测点全年大气PM10及气象参数的小时平均数据,建立BP人工神经网络预测模型,预测PM10小时平均浓度。为证明人工神经网络模型用于预测PM10质量浓度的准确性,研究中考虑2种预测模型:多元线性回归模型与人工神经网络模型。研究结果表明:与传统的多元线性回归模型相比,人工神经网络模型能够捕捉污染物浓度与气象因素间的非线性影响规律,能更好地预测PM10质量浓度,拟合优度R2有较大提高;所选取气象参数及污染源强变量能较准确地描述大气PM10质量浓度的实时变化,用于PM10质量浓度的预测准确度较高,整体R2可达0.62;人工神经网络预测模型不仅适用于一般污染浓度情况,对于高污染时期PM10质量浓度的预测也较为准确。     

基于气象和空气质量观测数据的日太阳辐射估计

研究城市气象参数与城市近地面污染物对水平面太阳辐射强度的影响,并尝试建立水平面太阳辐射与气象、城市空气污染物观测数据的回归模型.1)收集了广州市2009~2012年水平面日太阳总辐射、地面气象数据、近地面空气污染物历史记录数据;2)根据太阳辐射传输理论和前人相关研究进行水平面太阳辐射的影响因素分析,并对收集到的数据进行处理;3)对水平面太阳总辐射、地面气象、近地面污染物浓度的观测数据进行相关性分析,分别建立了总体样本和分区间样本下的水平面太阳总辐射与气象、空气污染物观测数据的回归模型.结果表明,用单一回归模型解释各种影响因素对太阳辐射的削弱并不合理,而分区间样本下的分段回归模型反映了水平面太阳总辐射的随气象变化和颗粒物浓度变化的规律,预测结果也较为准确.     

基于多准则和高斯过程回归的动态软测量建模方法

为了解决静态软测量建模预测精度低和鲁棒性差等问题,提出了一种基于多准则和高斯过程回归的动态软测量建模方法.该方法综合考虑多种模型定阶准则,提出了高斯过程回归动态软测量模型定阶策略,为模型阶数确定提供了依据,并将所提动态软测量模型应用于红霉素发酵过程中生物量浓度的估计.研究结果表明,基于高斯过程回归的动态软测量建模方法可以实现对生物量浓度的高精度预测,且预测结果具有较小的置信度区间.     

面向区域交通状态预测的时空集成模型

在智能交通系统中,交通状态预测发挥着至关重要的作用。针对现有的交通预测方法集中于中微观层面,且时间和空间维度单一的问题,提出了一种面向区域宏观交通状态预测的集成模型。该模型以交通指数为依据,在时间维度上采用时间序列预测方法获得时间预测结果,在空间维度上采用支持向量回归方法获得空间预测结果,并在集成模型中将两者的结果融合。在交通指数云图上的实验结果表明,与单一维度的时间或空间模型相比,该模型能显著提高预测精度。     

Beta回归模型在数据挖掘预测中的应用

为避免利用常规的线性回归模型分析时出现的拟合值超出取值范围的情况,应用beta回归模型研究房地产销售数据.首先基于极大似然估计得到了房地产销售率的预测估计和区间估计,数值结果表明,该模型要比其他回归模型更科学、更合理.然后基于预测估计,提出了一些针对不同家庭收入群体的销售策略.