非线性降维在高维医学数据处理中的应用

针对非线性高维医学数据降维的困难,引入了一种新的非线性降维方法Isomap,并从算法原理的角度讨论了方法在医学数据处理中的适用性。该文将Isomap应用在两个典型医学数据集(肺癌基因表达数据和乳腺癌病理数据)的分析中,发现它们的本质维数都低于3,因而可以得到在低维投影空间中的可视化表示。实验进一步将Isomap和主成份分析(PCA)的投影结果相比较,并统计类内距离,结果显示Isomap优于传统的线性降维技术。这说明了非线性降维技术在高维医学数据分析中的潜力。     

PCR-RBF-SVM预测模型在财政数据中的应用

通过使用支持向量机算法将主成分回归的线性预测结果和径向基神经网络的非线性预测结果相结合, 提出一种新的预测模型, 该模型提高了预测精
度, 解决了预测方式单一的问题. 将新预测模型应用于财政数据预测结果表明, 与传统主成分回归和径向基神经网络方法相比, 该模型预测效果更好.     

基于INLR-PPLS的非线性多传感耦合信息建模方法

针对线性PLSR(偏最小二乘回归)在多传感信息回归建模中存在的不足,提出了一种基于INLR(Implicit Nonlinear Latent Variable Regression)-PPLS(Polynomial Partial Least Squares)的非线性多传感耦合信息建模方法.该方法通过线性PLSR对多传感信息进行预处理,达到降维的目的;基于INLR建立外模型非线性样本矩阵变换方程并线性化,进而采用PPLS进行内模型非线性映射,并对多传感非线性回归模型实行反求解.最后,将该方法应用于液态乙醇浓度测控系统,结果表明该方法较线性PLSR预测准确度提高21%.     

含模糊因素的患病风险预测模型

将数理统计方法和模糊数学方法相结合,建立了适合预测患病风险的含模糊因素的回归预测模型,并将所建立的模型和统计中的线性回归模型进行了比较．结果表明：含模糊因素的患病风险预测模型预测效果优于不含模糊因素的预测模型预测效果．     

基于INLR-PPLS的非线性多传感耦合信息建模新方法

针对线性PLSR在多传感信息回归建模中存在不足,提出了一种基于INLR-PPLS的非线性多传感耦合信息建模新方法。首先用线性PLSR对传感信息进行预处理，达到降维的效果，然后基于INLR外模型非线性样本矩阵变换、基于PPLS内模型非线性映射、多传感非线性回归模型反求，实现对非线性多传感耦合信息的建模。应用于液态乙醇浓度测控系统的实验表明，该方法较线性PLSR预测准确度提高21%。     

基于支持向量机自回归分析的股市动态预测模型及其应用研究

针对股市的非线性和不确定性的特点,本文提出了一种基于支持向量机自回归分析的股市动态预测模型。该模型利用滚动时间窗动态截取股票时间序列,然后对其进行相空间重构,最后利用支持向量机回归算法,在高维映射空间中求解线性回归问题。利用上证综指的长期和短期数据对该模型的预测效果进行了验证,并将预测结果与RBF神经网络预测模型进行了的对比。预测和对比结果表明,支持向量机自回归预测模型具有较强的泛化能力,适合于股市预测。     

太阳黑子数平滑月均值的混合预测模型

提出一种太阳黑子数平滑月均值的混合预测模型.通过最大Lyapunov指数得到太阳黑子数平滑月均值时间序列的最大可预测周期,结果表明太阳黑子数平滑月均值序列的最大可预测周期为42个月.太阳黑子数平滑月均值时间序列中包含着线性与非线性的成分,利用自回归滑动平均模型对线性成分进行预测,将太阳黑子数平滑月均值的实际值与自回归滑动平均模型的预测值作差值得到仅含有非线性成分的残差序列,利用具有良好非线性预测能力的回声状态网络预测残差序列,并通过人工蜂群算法来确定回声状态网络预测模型的最佳参数.将自回归滑动平均模型预测值与回声状态网络预测的残差相加,得到太阳黑子数平滑月均值的最终预测值.通过第23太阳活动周的太阳黑子数平滑月均值的预测表明提出的预测模型具有较高的预测精度.同时,对第24太阳活动周的太阳黑子数平滑月均值进行了预测,结果表明第24太阳活动周将在2020年2月结束.     

基于灰色关联度分析和支持向量机 回归的沥青路面使用性能预测

沥青路面使用性能多因素预测是一个复杂的非线性问题,传统预测模型存在很多不足。为弥补传统模型的缺陷,建立一个高精度、长周期、多因素的预测模型,通过灰色关联度分析对各因素进行降维处理,选择与沥青路面使用性能关联度较大的影响因素进行支持向量机回归非线性预测,提出了基于灰色关联度分析和支持向量机回归(GRA-SVR)的沥青路面使用性能预测模型。最后选用广云高速实测车辙指数(RDI)值进行实例验证,并同GM(1,1)和PPI两种模型的预测结果进行了对比分析。结果表明:基于GRA-SVR建立的多因素预测模型具有很好的精度和可操作性,可在长周期过程中使用,为大数据养护决策提供了模型参考和依据。     

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 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。     

基于心率变异性特征和PCA-SVR的PAD维度情感预测分析

对于PAD （pleasure：愉悦度;arousal：唤醒度;dominance：优势度）维度情感预测和分析中的数值预测问题,结合心率变异性（heart rate variability,HRV）特点,提出了基于主成分分析（principal component analysis,PCA）和支持向量回归（support vector regression,SVR）的PAD维度情感预测模型（PCA-SVR）。通过柔性离子传感器以音乐和视频的诱导方式采集了12名志愿者在放松和焦虑两种情感状态下的心率和心率间期数据,利用PAD量表进行标注,通过均值和方差计算等统计方法、Welch功率谱、Poincaré散点图等分别提取HRV的时域、频域和非线性特征,然后利用PCA模型对HRV特征降维,最后利用降维后的HRV特征作为SVR模型的输入特征进行训练和预测。实验结果表明,结合HRV特征的PCA-SVR模型在PAD的3个维度上均有良好的预测效果,其平均一致性相关系数达到了0.51。同时对比了SVR、极限学习机（extreme learning machine,ELM）和基于PCA的ELM这3种预测方法,结果显示所提方法相对于以上3种方法在一致性相关系数上分别提升了0.14、0.10和0.04,表明该方法能够细致地划分情感,结合可穿戴设备,在情感识别和分析方面有一定补充作用,为在日常生活中针对情感的识别和预测带来了可能。     

非线性回归的一种算法

非线性回归一般有可化为线性回归与纯非线性回归２种情况。传统的解决方法是最小二乘法及Ｇａｕｓｓ－Ｎｅｗｔｏｎ迭代法。文章用有理插值函数去逼近非线性函数便可得到一近似的回归函数,计算结果表明,该方法拟合的平均绝对误差及均方差比传统方法效果好。     

交通能源需求量组合预测模型研究

本文尝试将组合预测法应用于我国交通能源需求量的预测,以提高预测精度．通过赋予合理权重,将误差修正模型、非线性回归模型和多元回归模型加权组合建立组合预测模型．对各模型进行平均绝对百分误差（MAPE）、希尔不等系数（Theil IC）和均方根误差（RMSE）等指标的比较,证明单一模型经过组合能够提高预测精度．     

改良ANN-BP算法在炭黑工艺建模中的应用与研究

针对目前炭黑行业生产主要以经验为主的不利境况，将人工神经网络误差反向传播算法(ANN-BP算法)用于炭黑工艺建模，比较三种ANN-BP算法结果后，利用基于动量法和学习速率自适应调整改良的ANN-BP算法建立了炭黑工艺参数与指标之间的非线性映射模型，并与多元线性回归、主成分回归建立的线性模型进行了比较，结果表明，改良ANN-BP算法预测相对误差在5．6％以内，且有较好的容错能力，比较好的解决了炭黑生产过程中的预测模型构建问题。     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

提升小波尺度自适应非线性预测算子构造方法

提出一种提升小波尺度自适应非线性预测算子的构造方法.通过相空间重构将剖分信号转换成训练样本,采用基于高斯核函数的支持向量回归机算法进行回归训练,给出所构造预测算子的结构,并说明基于高斯核函数实现最小均方误差原则的机理.通过仿真实验验证用所构建预测算子在故障诊断时具有较好的识别能力和较强的抗噪能力,在信号降噪时信噪比较高、效果良好.     

基于人工神经网络的毫米波雨衰减预报

在考虑了电波雨衰减与工作频率、仰角、降雨率、极化角等多相参数的综合非线性映射的基础上,建立了基于人工神经网络的毫米波雨衰减预报模型,并将结果与CCIR预报模型进行了分析比较。结果表明,利用神经网络的非线性进行高频电波雨衰减的预报,可降低平均误差0．59dB,并减小均方差0．69dB。     

Combined back analysis method of ground stress based on refined geological modeling

A new back-analysis method of ground stress is proposed with comprehensive consideration of influence of topography, geology and nonlinear physical mechanical properties of rock on ground stress. This method based on non-uniform rational B-spline (NURBS) technology provides the means to build a refined three-dimensional finite element model with more accurate meshing under complex terrain and geological conditions. Meanwhile, this method is a back-analysis of ground stress with combination of multivariable linear regression model and neural network (ANN) model. Firstly, the regression model is used to fit approximately boundary loads. Regarding the regressed loads as mean value, some sets of boundary loads with the same interval are constructed according to the principle of orthogonal design, to calculate the corresponding ground stress at the observation positions using finite element method. The results (boundary loads and the corresponding ground stress) are added to the samples for ANN training. And on this basis, an ANN model is established to implement higher precise back-analysis of initial ground stress. A practical application case shows that the relative error between the inversed ground stress and observed value is mostly less than 10 %, which can meet the need of engineering design and construction requirements.     

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。     

自适应加权最小二乘支持向量机的空调负荷预测

为了提高建筑空调负荷的预测精度,在分析空调负荷主要影响因素的基础上提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)的建筑空调负荷预测方法。该方法根据预测误差的统计特性,采用基于改进正态分布加权规则,自适应地赋予每个建模样本不同的权值,以克服异常样本点对模型性能的影响。建模过程中采用粒子群优化(PSO)算法对模型参数进行优化,以进一步提高模型预测精度。基于DeST模拟数据将AWLS-SVM方法应用于南方地区某办公建筑的逐时空调负荷预测中,并与径向基神经网络(RBFNN)模型、LS-SVM模型及WLS-SVM模型作比较,其平均预测绝对误差分别降低了51.84%、13.95%和3.24%,并进一步基于实际空调负荷数据将该方法应用于另一办公建筑的逐日空调负荷预测中。预测结果表明:AWLS-SVM预测的累积负荷误差为4.56MW,亦优于其他3类模型,证明了AWLS-SVM具有较高的预测精度和较好的泛化能力,是建筑空调负荷预测的一种有效方法。