主成分logistic回归分析在底板突水预测中的应用

为对矿井底板突水进行预测,采用结合主成分分析法和logistic回归分析法的分析模型.利用主成分分析法对突水主控因素进行降维处理得到主成分,并计算出主成分在样本中的得分值;应用logistic回归分析法对确定好的主成分得分值进行logistic回归分析;把主成分转变回底板突水各主控因素,得到矿井各主控因素对于底板突水影响的回归模型.研究结果表明:可见模型的拟合优度很好,正确率达到90%以上;主成分logistic回归分析在底板突水预测中的应用是可行的.     

基于改进M5′-主成分模型树的高心墙堆石坝沉降变形预测

针对高心墙堆石坝沉降变形过程动态非线性特点,建立基于改进M5'-主成分模型树的高心墙堆石坝沉降变形分析模型,在采用相关性分析甄选沉降变形影响因素和采用主成分分析将高维影响因素空间进行降维的基础上,利用该全局分段非线性模型对高心墙堆石坝沉降过程进行分析。通过与沉降量实测值对比,验证了改进M5'-主成分模型树的有效性。通过绝对差值和均方根误差2个指标对比分析改进M5'-主成分模型树与M5'模型树、多元线性回归模型、主成分回归分析模型的预测结果,表明改进M5'-主成分模型树预测沉降量具有更高的精度。     

主成分分析与因子分析在肺心病发病情况分析中的应用

通过SPSS软件对青海海西州地区肺心病发病例监测登记资料进行统计分析，利用主成分分析和因子分析，分析出了民族因素、气象因素中对肺心病月发病率起主要影响作用的因素，两种分析方法得到了相同的分析结果．最后，分析出了主成分分析与因子分析的联系和区别．     

焊接质量控制的主成分分析人工神经网络

介绍了主成分分析方法及人工神经网络技术在相关因素分析和质量控制的建模与估计中的应用.以大电流MAC焊熔宽控制为例.通过对6个焊接过程参数进行主成分分析,提取出影响熔宽的4个主要因素,讨论了提取的主成分与原始过程参数间的关系.以主成分得分作为新的训练样本集,送入神经网络进行计算.结果表明,基于主成分分析的神经网络无论在收敛速度,还是在训练精度上,都远远优于基本BP神经网络。     

影响中国区域入境旅游竞争力的主要因素分析

分析了改革开放以来我国整体入境旅游的总体特征,利用主成分分析对影响区域旅游的因素进行提取,根据主成分分析的结果,确定影响区域入境旅游的主要因素,据此探讨提高区域入境旅游竞争力的对策.     

焊接质量控制的主成分分析人工神经网络

介绍了主成分分析方法及人工神经网络技术在相关因素分析和质量控制的建模与估计中的应用．以大电流MAG焊熔宽控制为例，通过对6个焊接过程参数进行主成分分析，提取出影响熔宽的4个主要因素，讨论了提取的主成分与原始过程参数间的关系．以主成分得分作为新的训练样本集，送入神经网络进行计算．结果表明，基于主成分分析的神经网络无论在收敛速度，还是在训练精度上，都远远优于基本BP神经网络．     

某市牛奶消费者消费习惯分析

通过采用抽样调查的方式,构建一定的因素对太原的牛奶消费情况进行主成分分析。然后根据主成分分析的结果对厂家提出建议。     

兵团农业总产值的回归分析

首先利用经典线性回归分析对影响兵团各师农业总产值的几个因素进行分析,通过分析发现回归结果不尽合理.因此先对各师数据进行主成分分析,然后再利用农业总产值关于各个因素的主成分进行回归.得出了满意的结果.     

基于主成分回归分析法预测中国铁矿石需求

在论述铁矿石需求预测途径的基础上,选取影响我国铁矿石需求的8个基本因素,采用回归分析方法进行了铁矿石需求的单因素分析.单因素分析结果表明,选取的8个基本因素与铁矿石需求的相关度基本都大于0.9.对8个基本影响因素进行了主成分分析,最终降维为4个主成分.将主成分分析方法与回归分析方法相结合,建立了铁矿石的需求预测模型,并对我国2015年和2020年铁矿石的需求量进行了预测,分别为29.76亿t和26.68亿t.     

主成分分析在居民消费价格分类指数中的应用

在进行消费结构变动的分析时,由于指标多且指标体系中各指标之间存在着多重共线性,这是影响模型稳定的重要因素,使所得的模型中出现了不符合经济学原理的现象。为此采用主成分分析来消除这种多重共线性,建立主成分回归模型。运用主成分回归分析方法,建立了关于我国居民消费价格指数变动的主成分回归模型,消除了多重共线性,使模型达到了很高的拟合优度,体现了主成分分析在消除回归模型中的多重共线性的优越性。     

基于主成分判别分析的全国主要城市空气质量评价

空气质量在国际上已是重点控制对象,利用主成分方法对影响各个城市的空气质量的指标进行分析,得出影响空气质量的主要因素.然后选取主成分进行费希尔(Fisher)判别分析,建立主成分的费希尔判别分析模型,对城市的空气质量进行判别,再利用判别式分别对重庆、成都、昆明、宝鸡4个城市的空气质量类别进行预测.     

Effect of Two Kinds of Similarity Factors on Principal Component Analysis Fault Detection in Air Conditioning Systems

Screening similar historical fault-free candidate data would greatly affect the effectiveness of fault detection results based on principal component analysis(PCA). In order to find out the candidate data, this study compares unweighted and weighted similarity factors(SFs), which measure the similarity of the principal component subspace corresponding to the first k main components of two datasets. The fault detection employs the principal component subspace corresponding to the current measured data and the historical fault-free data. From the historical fault-free database, the load parameters are employed to locate the candidate data similar to the current operating data. Fault detection method for air conditioning systems is based on principal component. The results show that the weighted principal component SF can improve the effects of the fault-free detection and the fault detection. Compared with the unweighted SF, the average fault-free detection rate of the weighted SF is 17.33% higher than that of the unweighted, and the average fault detection rate is 7.51% higher than unweighted.     

西北地区城市化与空气质量变化关系研究

以西北地区省会城市为研究对象,研究西北地区城市化与空气质量之间的关系.借助统计软件SPSS进行主成分分析、因子分析和聚类分析,得出西北不同城市的城镇化水平和空气污染类型,通过比较得出中度城镇化对环境的影响最大的结论;通过EVIEWS软件建立了适合西北地区城镇化与空气质量之间的Panel模型,发现短期内环境变化与城市发展之间呈环境库茨涅茨曲线特征.     

多种校准方法对多组分体系的定性定量分析比较

采用偏最小二乘法（PLS）和主成分分析法（PCA）对光谱数据进行主成分提取,并利用遗传算法（GA）对波长进行选择,剔除不相关的变量,达到压缩数据的目的;采用反向传播人工神经网络（BP-ANN）方法,对多组分体系进行定性定量分析.建立了一个PLS-BP-ANN、PCA-BP-ANN、GA-BP-ANN和BP-ANN四种模型的化学计量学多组分分析平台,对谱带混叠严重的5种大气有机毒物——苯、甲苯、甲醇、氯仿和丙酮进行了定性定量测定,比较了4种模型的误差,结果表明,PLS-BP-ANN模型得到的结果最好.     

主成分分析法在大气环境质量评价中的应用

利用主成分分析法对福州市大气环境质量进行了综合评价,并将结果与其他方法进行了比较,证明了其在大气环境质量评价中的可行性,从而为环境质量监测、污染控制、探索污染源等方面提供一定的科学参考依据.     

基于径向基函数网络的宣城市空气质量预测

提出了一种应用人工神经网络进行空气质量预测的方法,即采用径向基函数神经网络进行短期的空气质量预测;并采用了主成分分析方法降低神经网络学习矩阵维数,浓缩预测信息,降维去噪.选取宣城市气象局2003年到2005年地面气象观测资料作为预测因子,宣城市环境保护监测中心提供的PM10、SO2浓度值作为预测对象,进行训练学习和预测验证.研究结果表明:将该方法应用于空气质量预测,效果良好,具有较强的实用性和推广能力.     

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。     

基于主成分聚类分析的采矿方法优选

 采矿方法优选涉及到多指标体系的分类及综合评价问题,利用主成分分析简化了指标结构,将主成分分析与聚类分析相结合,提出了主成分聚类分析法,并基于该方法对来自某矿山的15个试样的采矿方法进行了优选。在此过程中,针对传统主成分分析方法的缺点和应用中可能出现的误区,通过均值化改进了主成分分析的特征提取,通过以主成分得分为新的数据基础做聚类分析改善了综合评价效果;对主成分含义给出了较为明确的解释;对主成分聚类、第一主成分得分、主成分综合得分的排序结果进行了对比分析。研究表明,主成分聚类分析法则既可以对多变量数据进行合理地分类,又能对各类优劣程度做出综合评价,能充分反映矿山的实际情况,终选出的采矿方法在工业试验后成效显著,验证了该决策方法是切实可行的。     

基于机器学习的柴油机纳米级微粒预测模型

预测柴油机燃烧产生的纳米级微粒是减少空气污染的有效方法之一,为车辆颗粒物(particulate matter, PM)的排放监管与控制提供支持,协助标定工程师制定严格的排放法规。采用气缸压力传感器测量柴油机在不同行驶工况下的气缸压力,利用主成分分析(principal component analysis, PCA)方法提取前4、7、10主成分作为神经网络的训练输入,粒径为7～990 nm的颗粒物浓度作为模型的输出,分析不同工况下气缸压力主成分贡献率对纳米颗粒的预测效果。结果表明:利用较少的主成分即可代表不同工况下的缸压燃烧特性;当主成分贡献率达到91.57%时,粒径为7～990 nm的颗粒物浓度试验数据与模型预测的平均绝对误差为90.74 cm~3,均方根误差为1.612×10~4 cm~3,回归系数R~2达到0.95,预测精度较高。因此,利用气缸压力预测柴油机PM的排放是一种可行方案。     

灰色主成分及其实证分析

创建了灰色主成分分析法．在灰色绝对关联分析的基础上，建立了灰色主成分分析的基本理论，定义了灰色主成分的贡献率，并对济南市出观经济的一致指标作了灰色主成分景气指数的实证分析．