主成分分析和回归法在高校学费标准评价中的应用

我国高等学校学费合理性问题已经成为社会关注的热点问题.针对影响高校学费标准的多个因素,采用主成分分析法(PCA)提炼出较少的关键指标,这些指标是原来指标的修正和量化,它们不仅充分反映了原指标的信息,而且大大简化了评价体系.然后通过主成分回归法(PCR)计算出各高校的综合得分及排名,最后利用模糊聚类检验法和灰色关联分析法对结果进行了检验,证明了该评价体系的可靠性.     

风力发电机部件绿色选型综合评价方法

为节约风力发电机成本,通过从多个维度权衡风力发电机综合效益、处理定性指标与定量指标的关系、解决定性指标主观因素过大的问题,针对风力发电机部件进行初步选型,确定了需要绿色选型的4种部件,即发电机驱动、变桨、偏航、主传动.基于可持续性评价框架,在全生命周期评价的基础上引入全生命周期成本分析,针对风力发电机制造、安装、使用过程的不同特点引入技术因素,建立部件绿色选型综合评价指标体系.从3个维度分别收集和计算风力发电机部件评价指标值,其中采用切削比能的方法解决加工过程能量消耗数据缺失的问题.在此基础上构建可持续性综合评价模型,建立风力发电机部件评价目标,采用蚁群算法优化最合适的参数.用优化后的模型参数对风力发电机可选部件进行评价,选取综合效益指标最高的部件用于设计和生产.     

主成分分析和模糊综合评价法在大连市地下水水质评价中的应用研究

以大连市8个地点的地下水为研究对象,采用主成分分析和模糊综合评价法相结合评估了地下水水质状况,并分析了影响地下水水质的主要因素.结果表明,使用主成分分析,可将5个水质指标综合为1个主成分进行解释,解释率为69.478%,水质综合控制指标为总硬度和溶解性总固体.模糊综合评价法预测8个地点地下水中,1个为Ⅰ类水、1个为Ⅱ类水、5个为Ⅲ类水、1个为Ⅴ类水.主成分分析和模糊综合评价法预测地下水水质排名不完全一致,但总体趋势相同,说明两种模型都比较适合预测大连市地下水水质,而且两种模型结合使用后综合预测结果要比单一预测模型更加可靠.     

基于生物地理学算法的微电网多目标优化调度

针对含风力发电机、光伏电池、微型燃气轮机、柴油发电机、蓄电池组成的微电网系统优化调度问题,设置系统相关约束条件,建立以运行成本最小、用户停电损失费用最小及环保成本最低的微电网多目标优化调度模型,采用生物地理学算法对模型进行求解;对某独立型微电网算例的单目标优化调度与多目标优化调度的仿真结果进行对比。结果表明:单目标下的微电网优化调度,虽然可以在单一方面达到最优,但是以其他目标的增加为代价;多目标优化调度综合考虑了微电网的经济性、节能型、可靠性之间关系,实现了运行成本、用户停电损失费用、环保成本下的全局最优,可根据用户的实际需求提供一种更合理的微电网优化调度方案。     

基于PCA的RBF神经网络预测方法研究

主成分分析(PCA)法可以提取样本集的主成分,实现样本的最优压缩,从而降低样本的维数。针对用RBF神经网络进行多因素时间序列预测时样本特征指标过多的问题,提出用统计理论的PCA方法对数据进行预处理,再选出几个主成分作为神经网络的输入节点.仿真实验表明,基于PCA的RBF神经网络模型在拟合预测中与一般的RBF神经网络模型相比有较好效果,简化了网络结构,改善了预测精度.     

组合评价模型在黑龙江省各主要城市综合竞争力评价中的构建及应用

利用黑龙江省12个主要城市的11项指标,分别采用综合指数法、层次分析法、主成分分析法和因子分析法进行综合评价和排位;针对4种单一模型的不足,建立模糊Borda的组合评价模型,应用该模型对黑龙江省的12个主要城市做了进一步的评价和排位。最后根据数据结果,提出相应意见。     

组合评价模型在黑龙江省各主要城市综合竞争力评价中的构建及应用

利用黑龙江省12个主要城市的11项指标,分别采用综合指数法、层次分析法、主成分分析法和因子分析法进行综合评价和排位;针对4种单一模型的不足,建立模糊Borda的组合评价模型,应用该模型对黑龙江省的12个主要城市做了进一步的评价和排位。最后根据数据结果,提出相应意见。     

基于支持向量回归的风电场短期功率预测

针对风电场的短期功率预测,提出了一种考虑风电机组运行条件的用于风电场短期功率预测的新方法.首先,利用风力发电机的监控和数据采集(SCADA)系统数据计算输出功率和运行条件之间的皮尔逊相关系数,验证了SCADA监测项目对风力发电机输出功率的具有相关性;其次,建立支持向量回归(SVR)模型来预测单个风力发电机的风力与气象、运行状态的关系,发现了考虑运行条件的模型的预测结果优于仅考虑气象信息的模型的预测结果;最后,考虑到不同空间位置的风力发电机组对风电场输出功率的贡献不同,建立了各风力发电机预测功率和风电场预测功率输出之间的回归模型.试验结果表明:所提出的风场回归模型的预测误差小于风力涡轮机所有预测功率的模型的预测误差,从而验证了该方法的有效性.     

基于ANFIS的风力发电机状态监测研究

针对风力发电机系统故障诊断中非线性和建模困难的问题,提出了一种风力发电机状态监测方法,利用从风力发电机的SCADA数据中挖掘出20种输入输出对应关系,分别建立了自适应模糊神经推理系统(ANFIS)模型,并给出了一种基于预测误差的概率分布函数的适用于所有模型的异常检测方法.使用20个模型单独进行状态诊断,得出诊断正确率,综合使用20个模型的状态诊断结果,得到了最终的判定结论,仿真结果表明:该方法能准确地诊断出风力发电机系统故障.     

基于目标干扰意图识别的无人艇避碰算法

在无人艇避碰规划过程中,为准确识别障碍干扰意图,提出一种结合主成分分析(Principal Component Analy-sis,PCA)和支持向量机(Support Vector Machine,SVM)的分类算法.首先,利用PCA对船舶模型运动的高维运动特征数据集进行降维,获取特征集的主成分;再通过SVM对经过处...     

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PCA和PSO-SVM在葡萄酒分类中的应用研究

针对葡萄酒的物理化学成分冗余数据,提出了一种基于主成分分析(PCA)和粒子群优化—支持向量机(PSO-SVM)的模型用于葡萄酒的分类.首先,对葡萄酒的物理化学成分进行主成分分析,提取主要影响因素,减少输入维数,再利用粒子群优算法寻找支持向量机的最佳参数,并用支持向量机完成对训练集样本的学习和测试集样本的预测分类.结果表明,该模型与其他模型相比较,具有较高的准确性,有一定的适用价值.     

基于粒子群算法的微电网动态经济调度

微电网的动态经济调度不仅要考虑一个调度周期内经济费用最低,还需考虑多时段设备运行之间的协调配合,使其更加符合系统的实际运行要求.建立了含有风力发电机、光伏阵列、柴油机及燃料电池等多种分布式电源且能够实现热电联产的微电网系统,研究了当微电网系统处于并网运行状态时,以微电网的运行费用和污染物处理费用的综合效益最大(总费用最低)作为目标函数,并计及可再生能源波动、负荷预测误差以及机组故障停运等不确定性因素影响的动态经济调度模型,模型采用改进的粒子群算法进行求解.通过算例讨论了微电网并网运行情况下不同的控制策略、优化目标及可靠性指标对动态经济调度的影响,为结合可再生能源的微电网动态经济调度以及提升微电网并网运行的可靠性研究提供了一种参考.     

G/11木聚糖酶最适pH值的预测及其与氨基酸位置的关系

把木聚糖酶全序列均分为N端,中间端(I端)及C端3个部分,并分别以全序列及分段氨基酸的组成作为模型输入值.通过主成分分析(PCA)方法探讨全序列及分段氨基酸组成和最适pH值的相关性,运用均匀设计法分别优化支持向量机和BP神经网络运行参数.研究结果表明:支持向量机获得的预测模型优于神经网络,其中RBF支持向量机是最佳的模型.主成分分析结果显示:I端主成分跟最适pH值相关性最高;相关系数R绝对值为0.68,得到的结果与支持向量机结果一致.     

基于PCA-SVR的池塘DO预测模型

为解决传统水质预测模型泛化能力低、预测精度差等问题,提出了基于主成分分析和支持向量机相结合的养殖池塘溶解氧预测模型.该模型通过主成分分析筛选反映池塘水体溶解氧信息的关键指标,减少模型输入变量,采用支持向量机算法建立水质预测模型,并用于长沙市乔口镇与望城区池塘养殖溶解氧预测中.结果表明,该模型预测精度高,同时具有很强的泛化能力与适应数据变化的能力,可用于池塘溶解氧预测.     

主成分分析在水利工程评标中的应用

针对水利工程评标中多指标量化问题,本文给出一个利用主成分分析法建立的水利工程评标模型,并结合实例,进行数据计算,最终得出评标结果,说明该评价模型的合理性和实用性.     

核主成分支持向量机模型在蒸发预测中的应用

核主成分分析(KPCA)法具有很好的非线性特征提取能力,利用KPCA提取输入数据的特征信息,并将特征信息作为最小二乘支持向量机(LSSVM)的输入变量,建立KPCA-SVM预测模型.通过实例检验表明,具有非线性特征提取的ISSVM模型的预测效果优于没有特征提取的LSSVM模型.与主成分分析(PCA)提取特征相比,KPCA特征提取效果更好.     

一种新的GPCA方法

Generalized PCA(简写GPCA)是主成分分析(PCA)的一个非线性推广方法,主要用于数据压缩和特征提取.在经典的GPCA方法中,每个训练数据在构建主成分时的作用是相同的.然而,在许多实际问题中,训练数据的意义和作用是不同的,通常有些数据比其它数据更为重要,对于重要的数据我们应给予充分的重视,而对于不可信数据(可能是异常数据),应限制其作用.文中给每个训练数据赋予一个置信权重,将训练数据视为样本空间的模糊点,研究了基于模糊点数据的GPCA方法.数值实验表明,该方法能够有效控制异常点对主成分的影响,同时,该方法也为数据先验信息的利用提供了一个可行的途径.     

基于模糊C聚类对城市宜居性的综合评价

针对宜居城市的评价,选择影响城市宜居性的主要显著指标,运用主成分分析和模糊C均值聚类分析等方法,分别建立主成分分析和模糊C均值聚类模型,运用SPPS、Excel、Matlab等软件编程求解,得出结论:影响指标之间的相互承载关系并抽取其中主要影响成分;查阅统计年鉴获得宿迁、连云港、宿州、商丘、济宁、枣庄、徐州、淮北这八个城市的各项指标数据,通过模糊C均值聚类,将其划归为三种宜居城市类型并做Friedman检验;最终建立一套完整的宜居城市评价体系.     

基于PCA-LVQ神经网络的教学质量评价模型研究

为了进一步提高教学质量评价准确率,提出一种基于主成分分析(PCA)和学习矢量量化神经网络(LVQ)相结合的教学质量评价模型.使用层次分析法(AHP)建立教学质量评价体系,再用主成分分析提取初始评价指标体系的特征信息,将经过降维处理后的特征信息输入到LVQ神经网络,并对网络模型进行训练和泛化能力测试.实验结果表明,与单一的LVQ和BP神经网络相比,PCA-LVQ网络模型的结构更为简化,学习能力更强,收敛速度更快,评价准确率更高且泛化能力强.