基于主成分分析的河流洪水系统聚类法

进行河流洪水聚类的目的是根据洪水特征的相似程度划分洪水类别,研究同类洪水的规律性以及应对措施.但是,洪水特征选择过多往往会增加计算的复杂程度,同时特征之间的相关性也使得信息大量重叠,导致计算结果失真.为此,提出基于主成分分析的河流洪水系统聚类法.该法首先将所选的洪水特征综合成少数几个不相关的主成分,然后计算出每场洪水在各主成分上的得分值并将该值作为新的洪水特征值,最后根据这些新特征值进行洪水聚类.三门峡水库入库洪水聚类实例证明了该方法的可行性.     

基于块聚类匹配与PCA的图像去噪方法研究

图像去噪是图像处理领域的重要研究方向,局部块匹配和主成分分析法是图像去噪处理的重要手段,传统的块匹配算法只在固定的窗口范围内进行一次相似度的块筛选,这种搜索方式保留了图像的局部特征但对纹理的保护较差,图像存在失真模糊的现象.为解决这一问题,将聚类匹配和局部筛选相结合,通过聚类类别对样本块进行进一步筛选,同时对匹配窗口的...     

山海关林场灌丛的聚类与排序

本文应用模糊聚类分析和主成分分析的方法对山海关林场的灌丛进行分类。经过分析和比较,划分出11个群系,17个群丛组。     

基于主成分聚类法的福建城镇化水平的测度

基于城镇化的内涵,本文从城镇发展、经济发展、服务功能三个维度建立城镇化发展的指标体系．针对目前测度的方法所存在的问题,本文采用主成分聚类法来测度城镇化水平,通过研究福建省九个地级市的城镇化发展水平,得出此方法对于解决综合测度问题是合理的和可行的,最后对城镇化水平的排名的合理性进行了简单分析,并提出加快推进福建城镇化水平的对策与建议.     

基于模糊聚类的农户信用信息分析

采用结合主成分分析的模糊聚类方法,划分了具有不同信用特征的贷款农户群组.这有助于农村信用社对各群组作深入分析及防范信用风险.     

基于聚类与主成分分析法的道路检测器布局优化

依据交叉口交通量的相关性,利用系统聚类和主成分分析法对交叉口检测器空间优化问题进行研究,并通过深圳路网的实际数据进行检验,取得满意效果。     

基于主成分分析和模糊聚类的水文分区

水文分区有各种方法,文章提出了集模糊聚类与主成分分析方法的各优点组合的水文分区方法,首先采用主成分分析法获得水文特性主成分属性,然后运用模糊聚类算法NFC(Net Fuzzy Cluster)进行模糊聚类.利用主成分分析法对分区指标进行降维处理,简化了计算.应用NFC模糊聚类,在一定程度上解决了FCM算法局部极值问题且具有良好的聚类性能,实现了聚类的科学化与自动化.对安徽省淮河流域的124 716个原始水文数据进行实验,结果表明,与传统分区方法相比,所提出的方法有效地改善了时间性能,提高了求解精度,所得结果为水文站网规划提供了理论依据.     

一种基于群体智能聚类的设备性能横向比较算法

提出了一种基于群体智能的设备性能横向比较算法,该算法将设备模式投影于二维平面上,然后依据群体智能聚类,实现设备性能的自组织聚类分析.为了提高群体智能聚类算法的运行效率,提出了利用主成分分析改善模式投影时的随机性.此外,为了减小参数选取对算法的影响,提出了一种更简单的相似度衡量公式.将改进后的算法与原算法进行比较,结果显示,改进算法的运行效率更高.利用改进算法对某中央空调的数据进行分析,验证了算法能满足设备性能自组织聚类的要求.     

基于函数型主成分和星座图的时间序列聚类法

通过构造融合函数型主成分和星座图的时间序列特征提取方法,结合模糊聚类思想得到时间序列聚类的一种算法.实验一在第一次特征提取后,用了五种不同的方法进行对比实验,表明该方法在时间序列聚类上效果良好;实验二将该方法应用在股票时间序列上,可以很好地区分不同行业的股票;实验三用该方法指导短期投资,可以有较好的收益率.     

基于相对密度的聚类算法

基于密度的聚类算法因其抗噪声能力强和能发现任意形状的簇等优点,在聚类分析中被广泛采用。提出的基于相对密度的聚类算法,在继承上述优点的基础上,有效地解决了基于密度的聚类结果对参数值过于敏感、参数值难以设置以及高密度簇完全被相连的低密度簇所包含等问题。     

改进主成分和K-均值聚类的行驶工况

为构建行驶工况,消除K-均值算法对初始聚类中心的敏感性及噪声点的干扰,提出一种改进主成分分析和基于密度的改进K-均值聚类组合方法.结合距离优化法和密度法,构建一种数据集密度度量方法.选取距离较大、密度较高的数据点作为初始聚类中心与候选集,优化聚类结果的同时剔除了孤立点,采用较大贡献因子的特征值进行工况合成,最后对行驶工况油耗进行分析.结果表明,所提方法构建行驶工况的速度-加速度联合分布差异值为1.17％,特征参数平均相对误差较小.可见,合成的行驶工况能够很好地反映某地实际交通道路特征,拟合度较高.     

基于主成分和聚类分析的影响巴西雨林的因素研究

应用主成分和聚类分析法对影响巴西热带雨林的因素进行分析，同时构造综合评价函数，对巴西9个地区的森林破坏程度进行了评价和排序，结果表明，养牛业和甘蔗种植对巴西雨林的破坏非常显著．此外，对如何有效控制森林砍伐提出了一些合理的建议．     

选择性集成学习模型在岩性-孔隙度预测中的应用

储层是油藏地质建模的主要对象,储层属性参数的预测是建模的重要基础和主要难点之一。利用机器学习方法建立预测模型是目前研究的一个热点。针对单一机器学习方法在孔隙度预测方面存在的容错率低、过拟合等缺点,提出了融合岩性分类进行选择性集成学习建立预测模型的方法。该方法首先使用支持向量机进行岩性分类,并将岩性分类结果作为孔隙度选择性集成预测模型的输入。然后在研究分析典型机器学习方法的基础上,通过主成分方法分析法从支持向量回归、径向基(radial basis function,RBF)神经网络、随机森林、岭回归和K近邻回归等经典模型中选择出一组表现优异的个体学习模型组成集成学习模型,个体在集成模型中的权重由"主成分权重平均"法获得,最终采用加权平均法得到集成学习模型的输出。该方法考虑了岩性对孔隙度的影响,克服了单一模型存在的不足,模型的泛化能力强。研究结果表明,该方法的预测精度明显优于其他单一机器学习方法,适应性好。     

基于ISSA-SVM的钻井卡钻事故预测

为预防钻井过程中卡钻事故的发生,通过提出了一种改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化支持向量机(support vector machines, SVM)的预测模型方法(ISSA-SVM),在发现者位置更新公式中引入一种改进的自适应非线性惯性递减权重;在警戒者位置更新公式中引入莱维飞行策略。利用主成分分析法(principal component analysis, PCA)对外国某大型油田的实测钻井数据进行降维处理,并利用惩罚参数和核参数进行卡钻事故的预测。实验结果表明：ISSA-SVM的预测准确率高达85.185 2%,且收敛速度更快,可见ISSA-SVM可有效预测钻井卡钻事故。     

一种对无统计环境测量模型缺省值进行预测的新方法

采用模式识别中的K最近邻法(KNN方法)对不满足于统计模型的数据阵中的缺省值进行预测，预测以样本值作为预测参照．由于原始数据阵没有训练集，故采用对原始数据进行最大似然主成分分析(MPCA)，获得的结论与KNN方法处理后的数据的主成分分析结论相比较，结果表明，两套数据分析得出的主因子数、因子负载阵基本一致，而因子得分阵有细微的差别，预测较缺省值处理可获得更详尽的信息．     

江苏省物流需求影响因素分析及预测

对物流需求进行合理、科学的预测,为政府部门进行物流规划、统筹物流资源的供给提供依据。在利用主成分分析法选取适当指标的基础上,构建了多元线性回归预测模型,并对江苏省2012--2018年的物流需求量进行了预测研究。通过检验分析,证明了该模型的拟合度较好、预测精度较高、具有较好的显著性水平,预测结果具有可信性。预测研究的结果表明,江苏省物流需求在预测的时间范围内,将呈现较为显著的增长趋势。     

卡拉胶的荧光光谱特性及其质量浓度预测

针对卡拉胶在食品加工中作为增稠剂、乳化剂和稳定剂使用,而大量摄入会对身体造成严重损害,文中对卡拉胶的三维荧光光谱进行了系统研究。结果表明,其在390nm处存在一个激发峰,分别在485nm、620nm、660nm处存在荧光峰,其中660nm峰较强、485nm峰较宽且红移,提出瑞利散射和水的拉曼散射的影响导致485nm谱峰的红移。进而发现卡拉胶溶液荧光光谱强度随质量浓度的增加而增强,并通过主成分分析．BP神经网络训练,实现了对卡拉胶质量浓度的预测,准确率达到90％以上。当质量浓度高于120μg／mL时,准确率达到98％以上,表明该技术可快速测定溶液中卡拉胶的含量。     

广西城市旅游竞争力评价及空间柜局研究

结合广西城市旅游特点,构建了城市旅游竞争力的评价指标体系,利用主成分分析法和聚类分析法进行分析,并对其空间格局特征进行研究。研究结果表明：广西14个地市旅游竞争力差距显著,等级明显,按其旅游竞争力强弱可分为Ⅰ、Ⅱ、Ⅲ3个类型区。     

主成分分析法和Fisher判别方法在汽油分类分析过程中的应用

应用主成分分析(principal component analysis,PCA)法对从90#和93#两种汽油的50个实验样所取的特征数据进行降维处理,再结合Fisher判别方法对这两种汽油进行分类,并将分类结果与不采用PCA法而直接计算数据所得出的Fisher判别结果进行比较,前者的分类正确率达到100%,而后者却只有50%.结果说明采用PCA方法事先对数据处理可以大大的提高汽油分类的准确性.     

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．