多变量时间序列的主成分分析及估计

研究了多变量时序分析中的主成分分析方法，由此对高维多变量时间序列进行了降维处理。本方法是将原来的时序变量变换为低维的主成分变量，然后将低维主成分变量作为新的时序变量进行建模。在此基础上研究了多变量时间序列主成分估计的偏差及其与最小二乘估计的关系     

化学计量学中的主成分分析

主成分分析是对多变量数据进行降维处理的一种线性投影方法，它在尽可能保留原有信息的基础上将高维空间中的样本映射到较低维的主成分空间中，使数据矩阵简化，降低维数，寻找少数几个由原始变量线性组合的主成分(也称潜变量)，以揭示数据结构特征，提取化学信息．主成分分析是化学计量学中的基础方法，广泛用于化学实验数据的统计分析，进行数据降维、变量提取与压缩、确定化学组分数、分类和聚类，以及与其他方法联用进行数据处理．     

一种基于PCA的GEP算法及在采煤工作面瓦斯涌出量预测中的应用

在研究主成分分析和基因表达式程序设计的基础上，提出一种基于主成分分析的基因表达式程序设计新算法，并将其用于采煤工作面瓦斯涌出量的预测．该算法先采用主成分分析方法对影响瓦斯涌出的变量进行降维处理，有效地减少预测模型的输入量，消除输入数据间的相关性，再用基因表达式程序设计建立采煤工作面瓦斯涌出量的预测模型．结果表明，预测结果比遗传规划和基因表达式等其他算法得到的结果具有更高的预测精度和稳定性．     

基于 KPCA-AGRU 神经网络的火电机组 NO x排放预测

针对火电机组锅炉燃烧过程中预测 NOx 排放过程存在的非线性和时序性特点,提出一种基于核主成分分析 (KPCA)和注意力机制(AM)的门控循环神经网络(GRU)氮氧化物预测模型。 首先选用 KPCA 对模型的输入变量 进行降维,消除冗余变量;其次,将筛选的变量数据作为 GRU 的输入,并采用网格搜索优化 GRU 的超参数;最后, 引入 AM 计算权值,实现区分输入特征功能,提高 NOx 预测模型精度。 通过某 330 MW 电站锅炉实际数据对 AGRU 预测模型仿真验证,并将 AGRU 模型、GRU 模型和 BP 神经网络模型的预测结果进行对比。 结果表明:基于 AGRU 的 NOx 预测模型的均方根误差和平均绝对误差较 BP 神经网络和 GRU 模型均有减少,可精准预测非线性时序燃 烧过程的 NO x 排放。     

基于主成分分析和支持向量机分类模型的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确率,提出一种基于主成分分析(principal component analysis,PCA)和支持向量机(support Vector machine,SVM)模型的滚动轴承故障诊断方法.通过比较不同方法计算的标准差和拉依达准则对数据进行误差分析,利用MATLAB软件中的PCA函数对数据进行主成分分析,将8个原始变量降维成3个综合变量,分别从降维前和降维后的输入属性数据中随机选取70％的数据作为训练集来建立SVM分类模型和PCA-SVM分类模型,而把剩余的30％作为测试集来对模型的性能进行仿真测试.MATLAB仿真测试的结果表明,PCA-SVM模型的分类效果更好,其预测正确率对于绝大多数故障诊断来说是可以接受的,可以作为一种故障诊断的评价标准.     

基于地震属性相关主成分分析的储层预测

通过分析地震属性与储层预测对象的相关关系,提出了一种基于地震属性相关主成分分析的油气储层预测方法,该方法通过降维获取地震属性综合变量,该综合变量既能代表地震属性变异或数据的空间结构,又能保证地震属性与储层参数具有最大的相关性,综合变量个数由卡纳尔准则确定,理论试算及实际应用表明该方法具有良好的去噪作用,能形成较可信的地震属性与储层参数的关系,具有较高的预测精度,本文方法优于基于地震属性主成分分析的储层预测方法。     

基于PCA-FNN的油井注水效果预测研究

针对油田上注水有效周期不确定的问题,提出一种用于预测注水有效周期的混合主成分分析与模糊神经网络相结合的数值方法。该方法使用主成分分析对油井注水统计数据进行降维处理,应用模糊神经网络对降维后的数据进行训练和测试。使用某油田116口油井的注水数据检验提出模型的正确性,结果表明,用其预测的注水有效周期平均绝对误差与相对误差分别为1.97个月和10.75%,预测精度高于未经过主成分分析处理的模糊神经网络方法和多元线性回归方法。可以用于油井注水效果分析与工程人员的决策优化。     

基于KPCA和BiLSTM的分解炉出口温度预测

水泥生产过程中，分解炉出口温度是非常重要的工艺参数，为了应对出口温度变量的多样性，文章提出一种核主成分分析(kernel principal component analysis, KPCA)与双向长短期记忆(bidirectional long short-term memory, BiLSTM)神经网络相结合的温度预测组合模型用来预测分解炉的出口温度。通过KPCA筛选出影响因素的主成分从而达到数据降维目的，将降维后的主成分作为BiLSTM神经网络的输入，分解炉出口温度作为BiLSTM神经网络的输出。经BiLSTM神经网络训练，得到分解炉出口温度预测模型。通过对比验证表明，使用KPCA-BiLSTM相结合的温度预测模型具有较好的预测精度。     

基于多尺度主成分分析的ARIMA原油价格预测方法

石油作为"工业芯片",原油价格波动会对全球的经济与政治安全造成影响,准确地预测原油价格未来信息一直备受各方关注。提出基于多尺度主成分分析(MSPCA)的ARIMA原油价格预测方法,考虑原油期货价格与现货价格之间的相关性,采用原油期货价格和现货价格序列组成的二维数据作为原始数据,数据经过MSPCA后利用ARIMA进行预测。该方法利用了小波变换的多尺度分析能力,PCA的降维统计能力和ARIMA模型对非平稳时间序列的预测能力,实验证实该预测方法优于经典ARIMA方法和Holt′s指数平滑法,有效地提高原油价格预测精度。     

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.     

基于多尺度主成分分析的 ＡＲＩＭＡ 原油价格预测方法

石油作为“工业芯片”,原油价格波动会对全球的经济与政治安全造成影响,准确地预测原油价格未来信息一直备受 各方关注。 提出基于多尺度主成分分析(ＭＳＰＣＡ)的 ＡＲＩＭＡ 原油价格预测方法,考虑原油期货价格与现货价格之间的相关 性,采用原油期货价格和现货价格序列组成的二维数据作为原始数据,数据经过 ＭＳＰＣＡ 后利用 ＡＲＩＭＡ 进行预测。 该方法利 用了小波变换的多尺度分析能力,ＰＣＡ 的降维统计能力和 ＡＲＩＭＡ 模型对非平稳时间序列的预测能力,实验证实该预测方法 优于经典 ＡＲＩＭＡ 方法和 Ｈｏｌｔ′ｓ 指数平滑法,有效地提高原油价格预测精度。     

基于PCA与RBF的建筑能耗预测建模

由于建筑能耗因子间存在非线性和高度冗余特性,传统预测方法很难消除数据之间冗余和捕捉非线性特征,导致预测精度较低.为了提高建筑能耗预测精度,提出一种将主成分分析(principal component analysis,PCA)和径向基函数(radial basic function,RBF)神经网络相结合的建筑能耗预测方法(PCA-RBF).利用PCA消除建筑能耗高维变量数据的相关性,并按累积贡献率提取主成分,将主成分作为RBF神经网络的输入进行训练学习.通过PCA避免了模型过多的输入导致的训练耗时长及预测精度较低的不足.通过将PCA-RBF模型方法应用于某办公建筑能耗的预测中,并与RBF神经网络及BP神经网络模型相比,实验结果表明PCARBF模型方法能有效提高建筑能耗预测精度.     

基于邻域保持嵌入的主多项式非线性过程故障检测

针对化工过程的变量数据维数高、非线性的问题,提出基于邻域保持嵌入(NPE)-主多项式分析(PPA)的过程故障检测算法.应用NPE算法提取高维数据的低维子流形,能够解决传统的线性降维算法不能提取局部结构信息的问题,对维数进行约减.利用PPA法时,使用一组灵活的主多项式分量来描述数据,能够有效地捕捉过程数据中固有的非线性结构.在降维后的流形空间进行主多项式分析并建立Hotelling’s T~2和平方预测误差统计量模型,同时确定控制限以进行故障检测.最后,通过一组非线性数值实例和Tennessee Eastman化工过程数据,将NPE-PPA算法与传统的核主元分析法、PPA法进行对比分析,验证所提算法的有效性及优越性.     

基于互信息可信度的主成分分析数据降维

数据降维就是将数据集从高维特征空间向低维特征空间的映射.传统的主成分分析(PCA)算法是一种常用的线性数据降维算法.但是耗时太长,降维结果不够好,同时不能满足实际分类要求.为此,通过引入互信息可信度,提出了一种基于互信息综合可信度的主成分分析(MIS-PCA)数据降维算法.该算法首先介绍互信息(MI)、相对互信息可信度(MIR)和绝对互信息可信度(MIA)的思想;然后根据MIA和MIR求解互信息综合可信度(MIS),利用互信息综合可信度进行特征筛选;最后再运用PCA算法对处理后的数据进行降维,并将降维后的数据采用KNN、SVM算法进行分类.对比PCA、E-PCA算法,通过试验表明该方法的降维结果较好、分类精确度较高.     

基于PCA与Elman网络的机械产品质量建模

多源多工序是现代制造过程的一个显著特征,针对该特征提出了一种基于主成分分析,和Elman网络的机械产品质量建模的方法。通过对样本数据空间的主成分分析,能够保证在信息损失最少的情况下,对高维变量空间进行降维处理,减少样本数据间的相关性。应用典型的动态回归Elman神经网络,实现复杂非线性系统进行建模和预测;还将其应用于冷轧带肋钢筋的机械性能预测中。     

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.     

基于主成分分析-相关向量机的高速公路路基沉降量预测

为解决高速公路路基沉降量难以获取的难题,提出一种基于主成分分析(principal compohent analysis,PCA)的相关向量机(relevance vector machine,RVM)路基沉降量预测方法。通过主成分分析法将多个易获取的土体常规物理参数降维成少数且独立的变量,借助相关向量机模型反映路基沉降量与4个主成分变量之间的非线性映射关系,建立基于PCA-RVM的高速公路路基沉降量预测模型。将该模型应用于工程实例,在同样学习样本情况下与4种神经网络预测模型对比分析,结果表明:PCA-RVM预测模型通过分析各因素的相关性与贡献率,将多个影响因素合理化为少数主成分变量,在信息筛选方面明显优于其余4种模型;各模型预测结果显示,在路基沉降量预测结果的相对误差及均方差方面,PCA-RVM预测模型均占据较大优势。PCA-RVM模型具有精度高、离散性小、可靠度高等优点,为高速公路路基沉降量预测提供了一种新方法。     

基于PCA-二叉树的大规模图像索引技术研究

针对大数据数据库中图像索引中维度灾难问题,该文提出一种基于云的大规模图像检索技术,该方法创新性地将主成分分析法和二叉树引入到图像检索技术中,首先采用尺度不变特征变换和加速鲁棒特征描述符作为帧特征,面对大规模维度特征,将主成分分析法对帧特征进行降维,并使用二叉树表示降维后的特征,以加速研究阶段并减少存储空间,最终实现图像检索.实验表明:该文方法在降维70%的条件下,搜索精确率/召回率(Precision/Recall,PR)值能够达到传统方法20%降维条件下的PR值,并且在搜索时间上,该文方法与正常搜索相比,搜索速度得到30%～50%的提升.     

基于主成分分析与BP神经网络的冲击地压预测

冲击地压的发生会对矿山造成巨大的经济损失,预测预报是防治冲击地压的重要组成部分。文章将主成分分析方法与反向传播人工神经网络(即BP神经网络)方法相结合,用于对冲击地压的预测。首先,利用主成分分析法对冲击地压的影响因素进行分析,降低数据的维数。然后,将所得的数据作为BP神经网络的输入数据进行训练,用训练好的神经网络对冲击地压进行预测。预测结果与实际结果的对比表明,利用主成分分析—BP神经网络方法对冲击地压预测是可行的。     

基于PCA-PSO-ELM的瓦斯涌出量预测

为了更加准确有效地预测瓦斯涌出量,提出采用主成分分析结合粒子群算法、极限学习机的瓦斯涌出量预测方法,其中极限学习机中隐含层节点数量及激活函数的类型由粒子群算法进行组合优化.实验综合考虑影响回采工作面瓦斯涌出量的13个因素对沈阳某煤矿历史数据进行分析,首先采用主成分分析对数据进行降维,消除指标数据之间的相关性,将降维后的数据划分为训练集和测试集2部分,设计了粒子群算法的惯性权重,并由粒子群算法结合十折交叉验证对极限学习机的2个参数进行优化,选择最优参数组合建立预测模型,通过对测试集瓦斯涌出量进行预测,其均方误差为0.108 3,优于采用极限学习机及随机森林的预测结果.