采空区危险性评价方法优化

为了更合理精确地评价采空区危险性,对利用神经网络评价的方法进行优化,建立主成分分析法与神经网络结合的采空区危险性评价模型.从地质和工程条件出发,综合考虑影响采空区稳定性的13项主要因素,统计样本数据.运用主成分分析法对影响采空区稳定性的样本进行预处理,将分析结果作为神经网络的输入数据,减少输入变量,消除变量之间的相关性,从而加快数据处理速度,提高预测精度.将该方法应用于锡矿山的采空区危险性评价.结果表明,预测误差在8％以内,较未经主成分分析的神经网络预测精度有了很大提高.利用主成分分析法和神经网络结合建立的采空区危险性评价模型具有分析速度快、预测精度高等优点.该方法科学合理,为采空区危险性评价提供了一种更完善的评价体系.     

基于主成分分析的BP神经网络长期预报模型

MATLAB是进行神经网络系统设计及多元统计分析的有力工具.利用MATLAB6.5对月平均降水量的前期预报因子进行主成分分析,实现样本的最优压缩,从而降低样本的维数,建立起基于主成分分析的神经网络广西北部地区5月平均降水预测模型.计算结果表明,基于主成分分析的神经网络模型在预测中与多元回归模型相比有较好效果.     

基于核主元分析和动态递归模糊神经网络的软测量建模

针对软测量建模过程中的误差数据剔除、特征提取,及模型的动态辨识问题,提出基于核主元分析和动态递归模糊神经网络软测量建模方法.首先,利用样本间马氏距离进行样本相似程度分析,去除样本中错误数据以确保数据质量;然后利用核主元分析提取系统的非线性主元,作为动态递归模糊神经网络的输入;最后利用新样本数据训练动态递归模糊神经网络.将该方法应用于赖氨酸发酵过程的产物浓度预测,仿真结果表明该方法具有较高的预测精度,满足现场测量要求.     

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。     

充填管道失效风险性预测精度研究

为更准确预测矿山充填管道失效风险性,建立主成分分析与改进BP神经网络相结合的评价模型。选取10项评价指标作为充填管道失效风险性的评判指标,统计10个矿山的样本数据,并运用主成分分析法对这10个样本数据进行预处理,得出主要成分,再利用改进的BP神经网络模型进行预测,最终得到更准确的管道失效风险预测结果。研究结果表明,所得到实际预测结果与期望值之间的相对误差分别为2.31%,1.68%,3.02%。预测相对误差控制在4%以内,较未经主成分分析处理的标准BP神经网络预测精度更为准确。利用主成分分析法与改进的BP神经网络相结合建立的充填管道失效评价模型具有分析速度快、预测精度高的特点,为矿山充填管道失效风险预测提供了一种更为完善的方法。     

基于PCA的遗传神经网络在套损预测中的应用

为有效预测套损发生,掌握油水井套管的状况,减小套损所带来的损失,基于大庆油田南一区井网的现有资料,综合分析采集到的各种因素,建立了基于主成分分析的遗传神经网络模型。该模型首先对原始数据进行主成分分析,并将得到的主成分作为神经网络的输入,然后用遗传算法确定了网络的最佳初始权值和阈值,最后用神经网络进行预测。结果表明,该方法油井和水井的预测准确率分别达85%和82. 5%,证明经过主成分分析和遗传算法优化的BP神经网络的准确性和可靠性。     

基于GABP技术的PCA弥苴河水质预测

针对传统的水质预测方法中由于因子的多重相关性而造成的预测精度偏低的问题,提出了一种将主成分分析法(PCA)和遗传算法优化的BP神经网络(GABP)相耦合的水质预测方法.利用主成分分析法提取对水质因子影响较强的综合成分,克服了传统水质预测方法中信息冗余的问题.在对大理弥苴河水质进行大量实际监测的基础上,分别采用PCA-GABP神经网络,GABP神经网络以及传统的BP神经网络3种模型的方法,建立了弥苴河水质高锰酸盐指数的的预测模型.通过数据预处理,筛选了600组数据进行训练学习和测试.通过对3个模型的预测误差分析对比,可以得出PCA-GABP神经网络预测模型精度更高.     

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.     

充填膏体流变参数优化预测模型

为了更精确地对充填膏体流变参数进行优化预测,建立主成分分析法(PCA)和改进的BP神经网络(I-BPNN)相结合的优化预测模型。以某金属矿山充填膏体配比实验为基础,利用主成分分析法对充填膏体流变参数影响因素(膏体质量分数、砂灰质量比、料浆容重和坍落度等)进行预处理,得出主成分,再利用改进BP神经网络模型进行预测,最终得到更准确的充填膏体流变参数预测结果。研究结果表明:该模型对充填膏体屈服应力、黏度等流变参数优化预测的相对误差都控制在5%以内,较未经主成分分析的BP神经网络预测结果,经主成分分析后,屈服应力预测相对误差降低0.48%~7.29%和黏度相对误差降低1.67%~6.20%,表明该模型对充填膏体流变参数预测是合理、有效的,屈服应力与黏度的预测精度显著提高,为充填膏体流变参数优化预测提供了一种新思路。     

主成分分析法在我国税收预测中的应用

神经网络非常适用于复杂非线性系统的处理,已被广泛应用于经济预测中.针对经济预测中指标多、历史数据不足从而大大削弱神经网络的泛化能力问题,本文利用主成分分析法建立了税收的预测模型.结果显示:经主成分分析之后再进行预测,能从根本上降低神经网络规模,提高了神经网络的泛化能力.     

基于主成分分析和支持向量机的区域降水预测应用研究

将主成分分析和支持向量机回归相结合, 以广西5、6月区域平均日降水量作为预报对象, 进行区域日降水量预测研究.首先,整理分析大量的T213数值预报产品信息数据进行主成分分析, 得到主成分数据序列; 其次, 根据主成分数据序列建立训练集训练支持向量机, 并利用遗传算法优化参数; 最后, 输入支持向量机所需数据, 得到主成分预测结果, 建立广西日降水预报模型. 实例计算结果表明, 支持向量机回归模型比逐步回归模型有更好的预测能力.     

基于PCA-ANN模型中存在的问题及改进

文章深入分析了目前普遍采用的主成分分析——神经网络模型应用中存在的不合理问题,通过推导指出错误所在,提出了相应的改进方案.为了验证改进模型的有效性,以UCI机器学习库中的数据集为样本,选取有导师BP神经网络和无导师SOM神经网络,建立改进的主成分分析——神经网络模型,并与传统主成分分析——神经网络模型进行比较测试,实验结果表明改进的模型效果更优.     

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.     

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.     

基于DRFNN的赖氨酸发酵生物参数估计

赖氨酸发酵过程是一个复杂的非线性强耦合动态过程,发酵过程中某些关键生物参数(如菌体浓度、基质浓度、产物浓度)难以实时在线检测.针对这些问题,建立了基于动态递归模糊神经网络(DRFNN)的赖氨酸发酵生物参数估计软测量模型.利用主元分析法建立发酵过程中在线不可测参数的软测量模型,应用动态递归模糊神经网络所具有的自学习、自适应能力以及对任意非线性的逼近能力,对该模型进行辨识,从而达到预测这些关键生物参数的目的.仿真结果表明该方法能够对赖氨酸发酵过程中不可在线测量的生物参数进行估计,且达到了较高的精度.     

PCA-BP神经网络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的预测,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(Statistical Product and Service Solutions)处理相关数据,研究了影响回采工作面瓦斯涌出量影响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,从而建立BP神经网络进行预测.并利用PCA-BP神经网络的方法建立了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.     

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.     

基于PLS-BP神经网络组合模型的回采工作面瓦斯涌出量预测

提出PLS-BP神经网络组合模型,预测回采工作面瓦斯涌出量.利用分源预测法划分回采工作面瓦斯涌出来源,根据瓦斯涌出来源受不同因素的影响,运用偏最小二乘法(PLS),通过交叉有效性分析,确定提取主成分个数,将主成分作为神经网络输入层建立关联模型.研究证明,本方法不仅避免了各种不相关因素之间的干扰,解决各因素之间多重相关问题,降低变量维数,而且可以结合BP神经网络的非线性映射能力和适应学习能力等优点,提高预测稳定性和精度.     

基于偏最小二乘法的BP网络在舰船维修费用预测中的应用

针对在建立多层前馈(BP)神经网络模型时,存在收敛速度慢、易陷入局部极小等问题,应用偏最小二乘法(PLS)得到的主成分数和主成分与自变量、因变量的权值对BP网络进行改进,并构建用于舰船维修费用预测的PLS-BP神经网络模型。实验结果表明,采用PLS-BP网络模型对舰船维修费用进行预测可以获得更高的精度。