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。     

基于主成分分析与神经网络的采矿方法优选

基于利用神经网络预测采矿方法存在一些不足,建立主成分分析法与神经网络结合的采矿方法优选模型。对神经网络的输入数据进行主成分分析,使输入数据不相关且减少。研究结果表明:利用主成分分析法可将输入数据减少,消除由于BP网络输入数据太多而影响数据处理速度的缺陷;把主成分分析法和神经网络结合进行采矿方法优选,可使预测精度大大提高。     

区域工业用水量非线性预测模型的优选

针对BP神经网络在确定输入因子时的任意性,将相关性分析引入BP神经网络输入因子的选取中,通过计算输入因子和输出因子之间的相关系数,并根据相关程度来确定输入因子,同时利用遗传算法优化BP神经网络的权值和阈值的方法,建立了改进BP神经网络模型.将该模型应用于永定河山区工业用水量预测中,通过和传统非线性回归法进行比较,结果表明改进BP神经网络拟合和预测精度均较高.改进BP神经网络法的平均相对误差达到1.4100/,预测的2010年和2030年工业用水量将分别达到3.63×108m3和4.46×108m3.预测结果可为水资源规划和管理提供依据.     

改进BP神经网络在郑州市需水量预测中的应用

水资源供需矛盾日益突出,需水量预测已成为广泛关注的焦点．需水量预测可以为“三条红线”的实施提供依据,以强化水资源管理和节水监督管理,缓解水资源供需矛盾．基于BP神经网络模型,采用自适应调整的算法,改进了BP神经网络模型中学习率的求解方法,并将其应用到郑州市经济社会需水量预测中,预测了2012年和2015年经济社会需水量,分别为14．41亿m3和14．84亿m3;通过与BP神经网络模型、主成分回归分析结果对比,发现改进后的BP神经网络模型根据迭代误差自动调整学习率,求解速度和计算结果精度明显提高,适用于郑州市需水量预测．     

基于主成分分析法优化广义回归神经网络的地震震级预测

为科学有效预测地震震级,提出了基于广义回归神经网络(general regression neural network, GRNN)的地震震级预测模型。选取地震累计频度、累计释放能量、b值、异常地震群数、地震条带个数、活动周期、相关区震级等7个指标作为地震震级影响因子,利用主成分分析法(principal component analysis, PCA)对7个影响因子进行降维处理,以新生成的4个主成分作为模型输入变量,地震震级为输出变量,运用粒子群算法(particle swarm optimization, PSO)寻优得到GRNN模型最优光滑因子,最终建立基于PCA-PSO-GRNN的地震震级预测模型,利用建立的模型对训练样本进行回判检验,并对测试样本进行预测,并同传统反向传播(back propagation, BP)神经网络模型和单一GRNN模型预测结果进行对比,结果表明：PCA-PSO-GRNN模型预测结果的平均误差为5.17%,均方根误差为0.100 0,决定系数为0.986 8,均方相对误差为0.007 3,平均绝对误差为0.100 0,运行时间为5.2 s,预测精度和运...     

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.     

中国粮食多因子灰色关联神经网络预测研究

针对BP神经网络多变量输入难以确定的缺点，提出了采用灰色关联分析法确定主要影响因子输入的多因子灰色关联分析神经网络预测模型，并给出了灰色关联神经网络BP预测模型的建立方法，对我国粮食生产影响因子多因子预测实证研究结果表明，用该网络建立的模型经过训练后，可得到影响粮食产出的主要影响因子及其之间的非线性关系，网络模型新颖，具有较好的预测精度及较好的预测效果，可广泛应用于各种预测研究，有较高的推广价值。     

PCA-BP在回采工作面瓦斯涌出量预测中的应用

为对回采工作面瓦斯涌出量进行准确预测,运用主成分回归分析以及BP神经网络原理和方法,结合现场实测数据,采用多元统计分析软件SPSS处理相关数据,研究影响回采工作面瓦斯涌出量各因素间的相关关系并提取主成分,以确定BP神经网络中的输入参数,建立BP神经网络进行预测.利用PCA-BP神经网络方法建立瓦斯涌出量预测模型.研究结果表明:采用PCA-BP神经网络方法的预测值与实际值最大相对误差为2.820%,最小相对误差为2.036%,平均相对误差为2.357%,较其他预测模型有更高精度.对降低事故发生率和矿井延深水平的回采工作面瓦斯涌出量预测具有较好的指导作用.     

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.     

主成分分析与BP网络组合的大坝变形预报

将主成分分析与BP神经网络相结合应用到大坝变形影响因子的优化中,建立大坝变形预测模型.可以有效地降低输入因子的维数,减小因子之间相关性的影响,简化网络结构,降低网络训练难度,提高预测的稳定性及精度,提升BP网络训练的效率,解决由影响因子内部相关性而需引入大量因子的问题.通过实验结果对比表明,主成分分析与BP网络相结合的...     

应用多元分析方法评价白洋淀水质现状

应用国家标准《水质-微型生物群落监测-PFU法》获得原生动物群落的特征参数,结合化学监测得到的数据,于2004年4月对枯水期白洋淀水质进行了综合评价.监测结果表明,枯水期白洋淀的主要超标因子是N—NH3,COD,BOD5等,其中N—NH3严重超标.将生物监测和化学监测的结果进行主成分聚类分析发现,府河入淀口南刘庄与圈头2个采样点污染最重,表明府河污水仍是白洋淀的重要污染源,同时淀内村庄产生的内源性污染也已产生重要影响.     

基于BP神经网络的河道水位推算模型研究

在分析影响河道水位因素的基础上,采用基于梯度下降算法的BP神经网络模型推算河道水位,同时采用传统的上下游水位线性相关方法进行水位推算。结果表明,在具有较长期实测资料的情况下,BP神经网络模型具有很高的精度,若要考虑更多相互独立影响因素的非线性作用,应相应增加输入样本数。文章最后提出了进一步提高模型精度的几点设想。     

复杂系统多目标综合评价方法的比较研究

主成分分析、模糊评判和数据包络分析是目前主要的综合评价方法,在实践中得到广泛应用。这些方法的原理各不相同,在介绍原理的基础上分析得出3种方法的适用性和局限性,针对各自的局限性指出相应的解决方法。结合粗糙集理论和k最邻近方法提出综合评价的混合算法,算法可以充分结合主客观因素,计算简单,在实际应用中具有可行性。     

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.