改进灰色模型与偏最小二乘耦合预测城市需水

采用易于辨识系统信息与噪声的单因变量偏最小二乘回归(PLS),建立7个具有高度相关性的自变量与单因变量间线性回归关系;同时,运用二阶弱化算子对灰色预测模型进行改进后将灰色模型与偏最小二乘回归预测模型相耦合.使用matlab7.0以及PEW软件对重庆市北碚区1996—2007年需水量进行计算,计算结果平均相对误差仅为0.82%,预测北碚区2015年和2020年需水量分别为2.38亿m3和2.64亿m3.该模型不仅克服了传统最小二乘回归中自变量的多重相关性,也弱化原始数据误差,预测准确度高.     

偏最小二乘法与人工神经网络耦合的小流域产沙模型

针对小流域侵蚀产沙的复杂性,将偏最小二乘回归与人工神经网络耦合,建立了小流域降雨侵蚀产沙检验模型,并应用于小流域降雨侵蚀产沙预报.采用偏最小二乘法对多维自变量中的信息进行组合和提取,从而得到对因变量解释能力最强并可很好概括自变量信息的主成分,有效克服了变量之间的多重相关问题,实现了对高维数据的降维处理.把提取的主成分作为神经网络的输入,提高了网络的学习效率和稳健性.应用结果表明,偏最小二乘神经网络耦合模型的拟合和检验精度均优于偏最小二乘回归模型和人工神经网络模型精度.     

基于偏最小二乘法回归的工序质量建模

针对制造工序质量控制问题,应用多元统计分析中的偏最小二乘回归法建立了质量模型.利用该模型可以定量分析加工工序与最终成品率之间的关系,进而通过将大量的工序影响因子约简得到主要影响因子子集.根据在线生产的相关质量数据,采用非线性迭代偏最小二乘法获得影响因子的权重.得到偏最小二乘因子权重可以在线预测成品质量变化,避免离线测试.在半导体制造实例研究中,以工序质量水平为自变量,成品质量水平为因变量,建立了质量水平传递模型,应用该方法可实现多工序质量异常的在线诊断和预测,为质量控制提供了定量依据.     

大坝安全监测模型因子相关性探究

分析了大坝安全监测数据处理中自变量因子之间的多重相关性对传统的多元回归模型的影响.运用偏最小二乘回归分析的基本原理和交叉有效性检验方法,建立了基于偏最小二乘法的回归模型.工程实例表明,偏最小二乘回归模型能够有效消除因子相关性对模型回归系数估计和回归分析效果的影响,取得的结果较为合理.     

基于偏最小二乘回归的粮食产量模型分析

利用偏最小二乘回归方法对我国的粮食产量建立模型.在此基础上通过构造符合F分布的统计量,绘制T2椭圆图检测样本点中是否存在的异常点;通过构造变量投影指标反映每个自变量对因变量的影响程度,以此来提出提高因变量产量.     

顾及自变量与因变量误差及相关性的线性回归

提出一种顾及自变量和因变量观测误差及误差相关性的线性回归新方法,并导出了求解线性回归系数的迭代公式.以一元线性回归为例,导出了与最小二乘回归系数表达形式类似的解析解,并揭示了新方法与最小二乘方法的本质区别.此外,对于含有多个自变量的多元线性回归,给出了相应的同时考虑自变量和因变量观测误差及误差相关性的回归系数求解方法.试验表明,当自变量是非随机变量时,新方法与最小二乘方法的回归效果相同;当因变量和自变量都是随机变量(自变量与因变量的观测误差相关或不相关)时,新方法的回归系数比最小二乘方法的回归系数更加接近实际值.     

基于加权整体最小二乘的多元线性回归分析

针对变形监测数据中自变量和因变量观测向量都含有误差、且采用一般最小二乘估计是有偏的这一问题,引入EIV模型,并顾及各自变量观测精度的不同,采用加权整体最小二乘对待估参数进行估计。长江三峡库区滑坡监测实验表明,基于加权整体最小二乘的多元线性回归分析能更好地对回归方程进行参数估计,可明显提高形变预测精度。     

油气勘探风险评价的偏最小二乘-最大熵法模型及应用

油气勘探风险的定量评价一直是国内外研究的难点.作者在分析传统风险评价方法的优缺点、剖析偏最小二乘法和最大熵法优势的基础上,首次提出了偏最小二乘-最大熵(PLSME)风险分析模型.偏最小二乘法较好地实现了多元线性回归、主成分分析和典型相关分析的有效综合,通过自变量的PLS回归线性处理,不仅能消除粗差解决变量之间的相关性问题,而且能辨识每一个自变量对因变量的控制程度;最大熵法通过对偏最小二乘得出的风险因子与总经济效益净现值关系式的检验,利用最大值、最小值和最可能值的训练,能了解指标最终服从的概率分布,客观得出风险的大小.两者结合起来构建的PLSME模型,能使风险评价结果更加准确、合理和客观.通过对四川德阳新场气田的实例应用,表明偏最小二乘-最大熵评价方法科学可行,对同类研究具有借鉴作用.     

一元整体线性回归模型解算

主要讨论了最常用的一元线性回归问题,分析了同时顾及自变量和因变量误差回归解算的相关问题,对采用同时考虑自变量和因变量误差的条件平差解算法,通过分析得出其解算出回归参数的估值与不考虑自变量误差情况下回归参数的估值一致,同时给出了同时考虑自变量和因变量误差的整体最小二乘解法,通过算例分析得出了整体最小二乘法解算的有效性.     

基于偏最小二乘回归建模的探讨

从工程应用的角度介绍了一种新的回归方法-偏最小二乘回归，分析了传统最小二乘回归所不具有的特点，数值实例研究表明偏最小二乘回归能在自变量间存在强相关的情况下建立模型，介最小二乘回归不能，同时，电路成品率估计研究表明，在较少样本点的情况下，利用偏最小二乘回归模型进行成品率估计是行之有效的，其预测精度能满足实际电路设计和分析的要求，且大大扰于最小二乘回归。     

基于递阶偏最小二乘回归的数据分析

针对最小二乘法难以克服因子多重共线性对回归模型精度影响的不足和大坝观测数据分析中因变量较多的特征,引进递阶偏最小二乘法,对大坝安全监测变量及其影响因子进行递阶偏最小二乘回归分析,将建模预测分析方法通过递阶分层处理,可同时实现回归建模和数据结构简化,所建立的大坝安全监控模型精度可通过交叉有效性检验来控制.工程应用实例和模型对比分析研究表明,递阶偏最小二乘回归模型能有效克服由于各类因子变量问的多重共线性和因子变量数目较多而对模型拟合精度及其预测能力的影响,相对于传统回归模型有更好的解释能力,因而具有一定的实用价值.     

苏州外资制造业增长因素分析模型

苏州外资制造业经济增长受众多因素影响,各因素之间存在变量的多重相关现象,一般的多元回归分析自变量之间存在较严重的多重共线性.采用偏最小二乘回归对经济增长影响因素建模分析,这样最大限度地概括了原自变量系统中的数据信息,克服了多重共线性,同时自变量对因变量具有最大的解释能力,可靠性高.     

融入距离方差和距离相关系数的偏最小二乘回归方法

偏最小二乘法(partial least square, PLS)在内部采用Pearson系数度量自变量和因变量之间的相关性时提取出的成分不能确保解释性最强，并且PLS在将提取的成分进行线性回归时也无法真实反映变量间的函数关系.针对这些问题，该文提出了融入距离方差和距离相关系数的偏最小二乘回归方法(DVDCCPLS).DVDCCPLS基于距离方差和距离相关系数提取距离成分，再将距离成分进行拟线性回归得到距离回归方程，通过模型求解方法将距离回归方程转换为原始数据的表达，最终得到结构简洁、精度较高的回归模型.该文分别采用麻杏石甘汤数据和UCI数据集测试DVDCCPLS的性能，并与其他5种经典的回归算法对比，结果表明：DVDCCPLS具有较好的回归效果和回归性能.     

基于改进的偏最小二乘回归的酸雨pH值预测

酸雨pH值受到酸性离子[SO4^2-]、[NO3^-]和碱性离子[Ca^2＋]、[NH4^＋]等的影响。这些影响因素之间存在多重相关性。用一般最小二乘回归分析预测pH值，参数估计存在很大的误差且物理意义明显不足。应用偏最小二乘回归技术建立pH值预测模型，克服了自变量之间多重相关性的问题，因而更具有先进性，计算结果更为可靠，而改进的偏最小二乘回归则从预测角度对偏最小二乘回归模型进行了改进。以我国17个城市pH值预测为例，说明了改进的偏最小二乘回归法比普通偏最小二乘回归法效果好。     

基于偏最小二乘回归模型的带钢热镀锌质量监控方法

提出了基于偏最小二乘回归模型的带钢热镀锌质量监控方法. 以带钢热镀锌生产中带钢力学性能和锌层质量的质量监控为研究对象,用偏最小二乘方法建立了生产过程参数与质量结果之间的回归模型,对生产过程控制能力进行了分析,并给出了产品质量的预测方法. 用鞍钢股份有限公司带钢热镀锌的实际生产数据进行验证. 结果表明,偏最小二乘法比传统的多元线性回归方法具有更好的预测精度,基于偏最小二乘回归的锌层质量预测模型,其相对预测误差可达到5.93%.     

成分数据的偏最小二乘回归分析法

本文针对具有成分数据信息的多因变量对多自变量线性回归问题,在传统的线性回归基础上提出了一种成分数据的偏最小二乘回归分析法,并对其进行了理论性分析,论证了该方法的可行性与合理性。     

成分数据的偏最小二乘回归分析法

本文针对具有成分数据信息的多因变量对多自变量线性回归问题，在传统的线性回归基础上提出了一种成分数据的偏最小二乘回归分析法，并对其进行了理论性分析，论证了该方法的可行性与合理性。     

基于偏最小二乘回归的焦炭热性质非线性预测模型

针对基于煤质指标预测焦炭热性质建模过程中易出现的多重共线性问题,提出应用偏最小二乘回归对焦炭热性质进行预测的建模思路.考虑到煤质指标与焦炭热性质之间复杂的非线性关系,采用拟线性化处理的方法,将煤质指标的一次效应、二次效应及交互效应作为模型输入,建立焦炭热性质预测的偏最小二乘回归模型;基于拟线性化处理的非线性偏最小二乘回归和线性偏最小二乘回归对焦炭热性质预测实例进行分析.研究结果表明:基于偏最小二乘回归方法建立的焦炭热性质预测模型是有效可行的:非线性偏最小二乘回归模型的预测精度明显比线性偏最小二乘回归模犁的预测精度高.     

偏最小二乘回归与神经网络结合模型的应用

偏最小二乘回归是一种新型的多元统计数据分析方法，能够在自变量存在严重相关的条件下进行回归建模；神经网络可以克服模型是观测数据的线性组合的局限。将两者有机的结合起来，建立偏最小二乘回归神经网络模型，可以使预报的精度提高。     

基于偏最小二乘与神经网络耦合的储层参数预测

将偏最小二乘回归(PLS)与神经网络(NN)耦合,建立了储层参数预报模型.利用偏最小二乘对影响储层参数的诸多因素进行分析,提取对因变量影响强的成分,从而克服了变量间的多重相关性问题,降低了神经网络的输入维数;同时,利用神经网络建模可以较好地解决非线性的储层参数预测问题.计算实例表明,本耦合模型的拟合和预报精度优于独立使用神经网络模型的精度.