基于主成分分析与BP神经网络相结合的机床主轴热漂移误差建模

为提高数控机床热误差模型的预测精度,提出了将主成分分析与BP神经网络相结合的主轴热漂移误差的建模和预测方法.使用主成分分析法对多个温度变量进行降维处理或重新组合,将处理后所得较少的主成分变量作为样本输入BP神经网络进行训练而得到主轴热漂移误差模型,并与经过测点优化后以关键点温度作为输入的BP神经网络模型进行对比分析.结果表明：基于主成分分析与BP神经网络相结合的主轴热漂移误差模型的拟合精度较高,残差较小;由于BP神经网络的输入变量较少而使所提出的模型训练速度快、迭代次数少.     

基于主成分分析与模糊BP方法的藻类繁殖状态预测

将主成分分析（PCA）与模糊反向传播（BP）网络建模方法相融合,提出了PCA-模糊BP方法并用于藻类繁殖状态的预测,建立了叶绿素a含量的预测模型.采用PCA对各类采集数据进行预处理,并将PCA所得各理化因子作为模糊BP网络的输入变量,叶绿素a的含量作为模糊BP网络的输出变量,经过学习训练,获得藻类繁殖状态的预测模型.结果表明,PCA-模糊BP方法降低了各类输入样本数据之间的相关性和模型系统的维数,加快了模糊BP网络的收敛速度,其与典型BP神经网络模型相比,具有更快的计算速度和更高的预测精度,能够较好地预测海洋藻类繁殖的生长状况.
     

基于小波去噪的灰色关联BP神经网络在大坝沉降变形监测中的应用

针对大坝变形中存在多种影响因子干扰的问题,提出了基于小波去噪的灰色关联BP神经网络模型.首先利用小波阈值去噪方法对数据进行处理,然后通过灰色关联分析对大坝沉降变形监测中多种影响因素计算分析,得出关联度大的影响因子,将灰色关联分析和BP神经网络相结合建立模型,最后与未经数据处理的灰色关联BP神经网络以及卡尔曼滤波模型进行对比分析,得出结论.实验表明,经过小波去噪数据处理后,提高了灰色关联BP神经网络模型的预测精度和可靠性.通过灰色关联分析,可以对大量的输入变量进行处理,而不必经过主观的筛选,进而增加了BP神经网络的适应能力,同时预测的结果比其他单一模型更加接近最终实测值,具有更高的准确性与可信度.     

基于主成分分析与BP神经网络的冲击地压预测

冲击地压的发生会对矿山造成巨大的经济损失,预测预报是防治冲击地压的重要组成部分。文章将主成分分析方法与反向传播人工神经网络(即BP神经网络)方法相结合,用于对冲击地压的预测。首先,利用主成分分析法对冲击地压的影响因素进行分析,降低数据的维数。然后,将所得的数据作为BP神经网络的输入数据进行训练,用训练好的神经网络对冲击地压进行预测。预测结果与实际结果的对比表明,利用主成分分析—BP神经网络方法对冲击地压预测是可行的。     

大坝位移BP网络模型影响因子的优选

大坝位移影响因子中最优影响因子的选择,将直接影响到大坝的变形预报,将不同相关系数法引入到大坝位移重要影响因子的选择中,进行对比分析,基于BP神经网络进行预报与分析,得到大坝位移影响因子的优选法。     

矿井涌水水源的主成分分析和BP神经网络判别

为准确判别矿井涌水水源,针对矿井各主要含水层的水化学特征数据样本,利用主成分分析法消除变量中的重复信息,采用BP算法对网络进行训练,实现对随机挑选样本的判别,并与Bayes判别结果进行比较.结果表明：主成分分析与BP神经网络相结合的方法判别涌水水源的正确率为82.35％,优于Bayes判别法.该研究为有效开展矿井防治水工作提供了参考.     

基于RS—BP融合的裂缝监控模型

目前对大坝裂缝的监控主要是应用统计模型，然而在实际应用中，其分析精度易受因子相关性的影响．本研究提出了基于RS—BP耦合的裂缝监控模型，该方法首先应用RS对裂缝监控信息进行属性和样本集约简，以提高网络的泛化分析能力；然后用BP神经网络对约简的样本集进行模式训练；最后根据训练好的网络对裂缝进行分析，以掌握裂缝的演变性态．...     

基于PCA与RBF的建筑能耗预测建模

由于建筑能耗因子间存在非线性和高度冗余特性,传统预测方法很难消除数据之间冗余和捕捉非线性特征,导致预测精度较低.为了提高建筑能耗预测精度,提出一种将主成分分析(principal component analysis,PCA)和径向基函数(radial basic function,RBF)神经网络相结合的建筑能耗预测方法(PCA-RBF).利用PCA消除建筑能耗高维变量数据的相关性,并按累积贡献率提取主成分,将主成分作为RBF神经网络的输入进行训练学习.通过PCA避免了模型过多的输入导致的训练耗时长及预测精度较低的不足.通过将PCA-RBF模型方法应用于某办公建筑能耗的预测中,并与RBF神经网络及BP神经网络模型相比,实验结果表明PCARBF模型方法能有效提高建筑能耗预测精度.     

基于主成分分析与BP网络的房地产投资风险预测

房地产投资具有投资金额大,回收期长,投资风险受多种因素影响等特点,通过主成分分析法将众多指标进行综合,消除样本间的信息重叠,降低BP网络的输入维数。针对房地产投资风险系统的非线性特征,运用BP网络的高度非线性映射能力,对房地产投资风险进行预测,并且与直接用BP网络方法作了对比分析,结果表明：基于主成分分析与BP网络预测结果更精确。     

极限学习机神经网络在短期降水预报中的应用

数值预报产品释用是天气预报现代化发展方向,也是我国预报业务建设的重点之一.结合主成分分析方法从中国气象局T213资料中选取降水预报因子,利用极限学习机(Extreme Learning Machine,ELM)神经网络方法进行衢州单站逐日降水的分级预报研究.结果表明:主成分分析方法可以保留原来预报因子矩阵大部分信息并大幅降低矩阵维数,使新的预报因子之间相互正交;ELM方法不仅具有很强的历史拟合能力,独立样本所有降水预报TS评分也从T213模式预报0.3提高到0.8,特别是对大到暴雨有了较强预报能力;与相同条件下BP方法预报模型相比,ELM方法网络参数设定简单,训练速度快,历史样本的训练结果和独立样本的预报结果也都要优于BP方法.     

基于变形资料的拱坝坝肩稳定安全度分析

针对各种可能工况,通过降强有限元法分析拱坝稳定安全储备系数和相应的坝肩变形场,利用人工神经网络强非线性映射的特点,建立稳定安全储备系数和相应坝肩变形场的映射关系,结合坝肩实测变形场,提出基于实测变形资料的稳定安全储备系数分析方法.应用实例表明,该方法有效可行,为利用变形资料评判拱坝的稳定性提供了量化依据.     

基于线性降维技术和BP神经网络的热红外人脸图像识别

结合线性降维技术与BP神经网络对热红外人脸图像进行了识别研究.首先利用主成分分析和线性判别分析对热红外人脸图像进行图像降维及特征提取,然后将提取出的热红外人脸图像特征向量用于BP神经网络的训练,得到一个鲁棒性和容错性较强的分类器,用这个分类器对热红外人脸图像进行分类识别.实验结果表明,由于所提方法在提取便于分类的模式特征基础上,采用神经网络作为分类器代替特征向量间的欧氏距离判别,获得了较高的热红外人脸图像识别率.     

基于主成分分析-BP神经网络的风电备件需求预测

风电机组具有结构复杂,运维困难,且长期处于恶劣的工作环境的特点。风电备件的需求预测有助于为风电场配备最合适的备件数,以确保风电场的平稳、高效运行。本文以某企业近五年的齿轮需求数据为例,应用主成分分析(PCA)降低几个影响因素的维度,得到复合变量,然后应用BP神经网络算法,构建预测模型;比较ARIMA模型、BP神经网络预测和PCA-BP神经网络预测的结果。表明：主成分分析法(PCA)能显著降低神经网络预测误差,预测的精度为93.94%,高于BP神经网络预测的88.39%和ARIMA模型的85.31%,所以PCA-BP神经网络模型的预测精度准确且有可靠结果,能够适用风机备件的需求预测。     

基于主成分分析的BP神经网络对房价的预测研究

为了提高房价预测精度,采用基于主成分分析的BP神经网络预测模型.首先运用主成分分析对影响房价指标重新组合生成新的综合指标,然后采用非线性预测能力非常强的BP神经网络对其进行建模,并对房价进行预测.仿真结果表明,基于主成分分析的BP神经网络的房价仿真值与历史值的系统总误差只有0.52%,可作为房价预测的一种行之有效的方法.     

基于BP神经网络模型的滑坡易发性评价方法

滑坡是中国频发的地质灾害,滑坡的易发性评价涉及多种影响因素,如何利用多影响因素进行精确、有效的滑坡易发性评价是滑坡减灾防灾工作的重点和前提。为探讨基于反向传播(back propagation, BP)神经网络模型的不同滑坡易发性评价方法的适用性,以川西蒲江县为研究区,通过实地调查与编录,筛选地质、地貌、环境等12类影响因子,分析各影响因子与滑坡的相关性,确定影响因子的权重大小,构建BP神经网络模型,完成因子权重法和栅格赋值法的滑坡易发性评价图编制和精度评价。结果显示：研究区筛选的12类滑坡影响因子不存在线性相关,坡度、地形湿度指数(topographic wetness index, TWI)和距道路距离对区内滑坡发育影响明显,利用滑坡影响因子构建的BP神经网络模型可对滑坡易发性进行有效的定量评价。综合现场调查与接收者操作特征(receiver operating characteristic, ROC)曲线精度分析,结果表明：基于BP神经网络模型的栅格赋值法和因子权重法曲线下面积(area under curve, AUC)分别为0.86和0.798,栅格赋值法评价精度优于因子权重...     

流化床喷雾制粒神经网络模型及其应用

建立了反映流化床喷雾造粒过程参量同产品物性之间映射关系的BP神经网络模型。在建模中运用了正交实验设计、交叉评价网络训练法、样本标准化处理和主元分析等技术，对网络结构及其参数进行了优选。网络模型输出同实验结果非常接近，具有广泛的适应性。该网络可以实现各种定量分析计算，例如：预测在特定过程参量下的产品粒径，或者根据指定的产品目标，确定合适的工艺参量等。     

大坝变形预报的神经网络极限学习方法

针对大坝变形具有强非线性的特点以及在采用传统BP神经网络模型进行预报时存在学习速度慢、易陷入局部极小等问题,提出将极限学习机(ELM)方法用于大坝变形预报。该方法不仅可以简化网络参数选择过程,而且可以明显提高网络的训练速度,并具有良好的泛化性能。工程实例结果分析表明了ELM方法应用于大坝变形预报具有可行性和有效性。     

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。