灰因子分析研究及其应用

灰色系统理论通过序列的生成和开发,致力于现实规律的探讨,而数理统计则致力于统计历史规律的研究.结合灰色系统与经典因子分析的优点,提出一种新的模型,即灰因子分析,并利用面向对象程序设计的方法进行了系统实现,对结果所做的分析对比表明效果显著.最后将该方法应用到实例中,实验结果显示,该方法对具有时间序列的研究起到了推动的作用.     

主成分分析及其在城市规划中的应用

介绍了主成分分析的计算方法,并举例说明该法在城市规划经济分析中的应用.     

主成分分析在研究冠心病病因中的应用

本文采用主成分分析的方法，对导致冠心病的诸多因素进行了分析，并按所起作用的重要程度进行了排序，找出了导致冠心病的关键因素．     

H1N1流感影响下我国医药行业上市公司绩效评价——基于灰关联与主成分方法的比较分析

本文对我国医药行业上市公司在H1N1流行时期的经营绩效进行了评价,综合利用了主成分分析和灰关联分析两种不同研究领域的评价方法,实现了两种方法的优势互补,在局部和整体两个层面上更深入准确地评价了企业经营状况。     

主成分回归分析在经济学中的应用

本文针对销售数据实例,采用多元回归分析,得到回归预测模型,但由于多元统计回归不能处理多重共线性,将产生较大误差。为了避免这种共线性,本文采用主成分回归模型来预测销售利润,得出优于多元线性回归的预测模型。这种回归不但可以在多元的情况下起到降雏的作用,还可以排除多元线性回归不能解决的多重共线性,使误差减小,得到更实用的预测模型。     

全局主成分分析模型及其在环境评价中的应用

文章对多维动态数据系统给出全局主成分分析模型，对这种时序立体数据表进行立体式的综合与简化，最后应用于环境评价，结果比较满意。     

主成分分析在人脸识别研究中的应用

PCA(Principal Component Analysis),主成分分析方法,是一种得到广泛应用的人脸识别方法。PCA算法提供了一个高维和低维空间的线性变换矩阵,就是利用低维特征向量来表示原始样本信息,利用变换矩阵可以得到一个特征子空间,即特征脸。进行识别时,把待识别的人脸向其投影,采用最近邻法得到最近的点,最终识别该人的身份。     

主成分分析与因子分析之间关系分析

在学习多元统计分析时,讲到主成分与因子分析两种统计方法,一般课本都是分开讲述的。那么这两种方法是不是有一定的联系和区别呢？本文根据这两种分析方法的知识,具体讲解其区别和联系。     

分组主成分评价法及其应用

针对应用主成分法或因子分析进行综合评价时存在的缺点,提出了分组主成分评价法．即先用因子分析法对变量进行分组,然后再分别对各组变量进行主成分评价,既保持了主成分法的优点,又克服了它评价中的缺点,使综合评价结果更趋合理,并用该方法对实例进行了分析．     

主成分分析和因子分析在评价体系中的应用

在构建有众多指标的评价体系时,为了不人为、主观地去掉或保留那些具有相关关系的指标,需要使用科学、客观的办法加以处理。本文使用主成分分析和因子分析法来筛选综合优化指标体系,并通过SPSS统计软件应用于优化某校教学质量评价体系,发现了该校教学质量评价体系的不当并据此提出新的建议。     

拉普拉斯二维主成分分析及其在人脸识别中的应用

在二维主成分分析的基础上,考虑样本的流形分布特点,引入样本相似系数,重新定义了样本拉普拉斯散布矩阵,进而给出了基于拉普拉斯二维主成分分析的特征提取方法．在ORL,FERET人脸库上的试验证明了基于拉普拉斯二维主成分分析方法的有效性．     

主成分分析在疾病检测中的应用

主要从某医院测得100例疾病患者的18项症状出发,通过SAS软件利用主成分分析,得出影响判断各类肝病的主要症状,并通过患者的症状对其所患的肝病类型进行判断.     

灰色相关分析及其应用研究

为解决基于时间序列数据对象的统计分析问题,提出了一种全新的灰色相关分析方法并定义了其数学模型。灰色相关分析方法充分考虑数据对象随时间的变化而改变的特征,突出了最新的数据在分析结果中的重要作用,使相关性分析对新数据保持高敏感性,尽量弱化时间久远的数据影响,准确地反映了近期各对象间的相关性。利用面向对象程序设计原理,使用面向对象开发工具进行了系统实现,并进行了大量实验测试,实验结果显示,灰色相关分析方法对解决时间序列的分析问题,更加准确、可信。将灰色相关分析方法模型应用到我国环境基本情况的统计中,分析结果可为制定环境保护措施提供有力的科学依据。     

基于模糊点数据的核主成分分析

在核主成分分析中,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核主成分分析.数值模拟表明,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.     

面板数据的主成分分析及其应用

主要用多元统计中的主成分分析方法,将各地区生产效率层次进行分类,验证聚类分析结果的同时指出影响我国工业企业生产效率的主要原因。     

氨基酸主成分分析法及在蛋白质结构预测中的应用

用化学计量学的主成分分析(PCA)法计算和分析了4种类型(α型、β型、α／β型和α β型)204个蛋白质的20种氨基酸在主成分中的贡献．研究发现，20种氨基酸在4种类型蛋白质的主成分中的贡献有明显的不同．氨基酸在主成分中的贡献体现了4种类型蛋白质的结构特征，有深刻的物理和化学的内在原因．我们把氨基酸的主成分分析法应用于蛋白质结构类型的预测，对4种类型的蛋白质都取得了满意的结果．使用LOO(leave one out)检验法，4种类型蛋白质的预测正确率分别为：76．9％(α型)、96．7％(β型)、82．2％(α／β型)和78．39／5(α β型)，204个蛋白质的整体正确率为84．3％，高于以氨基酸组成为基础的简单距离和欧几里德距离等方法．     

主成分分析法在教学评价中的应用

将多元统计分析的主成分分析方法应用于教学评价中，通过计算和分析，找出影响教学质量的主要因素．并结合具体实例加以验证说明．     

营销因素的主成份分析

运用主成分分析法对市场营销的诸多因素进行分析,把影响市场营销的诸多因素,简化成几个综合成分,从而为营销人员和管理人员提供参考,为企业的发展和调整提供一个简单有价值的方法。     

时间序列与主成分分析的结构损伤识别

提出一种基于AR模型均方根误差主成分分析的结构损伤识别方法.首先利用检测数据建立AR模型,求得模型的均方根误差,然后,采用主成分分析的方法获得主成分载荷矩阵,将此矩阵经过数据标准化处理得到结构损伤特征指标.通过比较结构不同状态下传感器获得的损伤特性指标,进行损伤定位.最后,基于美国Los Alamos实验室三层框架结构模型的损伤实验数据,利用本文方法和基于AR模型系数损伤定位的方法对该结构各种损伤状况进行识别.2种方法的对比研究表明采用本文的方法,通过主成分分析排除外界干扰因素,减少运算量,具有更高的损伤识别精度.