有序加权平均算子权重确定新方法及其应用

在应用OWA算子进行决策分析过程中,OWA算子权重的确定是关键的一环.提出了一种确定OWA算子权重的新方法,并把新方法应用于数据为区间数的不确定环境中,基于区间数两两比较的可能度公式和互补判断矩阵的排序公式,提出了一种不确定型OWA算子,给出了其在应用过程中的具体步骤.数值例子表明了新算子的有效性和可行性.     

基于主成分分析中的几类问题的计算公式及结论

讨论了主成分分析中的几类问题的计算方法,重点揭示在协方差矩阵中对角元素相同时的第一主成分及贡献率和对角元素不同时的主成分贡献率.经讨论后给出有关计算公式,并说明这些计算公式在多元统计分析中的实际作用.     

基于糖尿病相关因素的主成分分析

基于主成分分析的理论,对与糖尿病发病率相关的一些因素（如民族因素、平均气温、平均气压、相对湿度）之间的关系进行主成分分析。     

主成分分析在中国各省经济发展综合评价中的应用

主成分分析是一种将多个指标化为少数相互无关的综合指标的多元统计分析方法。运用主成分分析法对2009年我国31个省市经济发展的基本状况进行综合分析,并作出综合评价,为制定相关经济发展政策提供依据。     

主成分分析在企业经济效益评价中的应用

主成分的概念首先是由Karl parson在1901年引入,后又由Hotelling于1933年将这个概念推广到随机向量,主成分分析是一种将多个指标化为少数互相无关的综合指标的多元统计方法。运用多元统计分析中的主成分分析法,设法将原来众多的具有一定相关性的指标,重新组合成一组新的相互无关的综合指标来代替原来指标。通常数学上的处理是将原来指标作线性组合,从中选取方差最大的作为第一主成分,并结合北京某机械厂几年来生产中经济效益变化状况的相应指标,进行了综合分析,给出了相关的评价。     

一种多指标综合评价中确定指标权重的方法

通过对主成分分析法赋权原理的讨论，提出了如何把主观赋权法融入其中，从而实现了指标定权过程中主客观方法的有机结合，使赋权结果更理想，并以企业经济效益评价为例作了具体应用。     

主成分分析法中数据处理方法的改进

由于原有的主成分分析法受到评价指标量纲和数量级的影响,因而主成分也会因评价指标量纲和数量级的改变而不同,并且使得部分信息丢失。用均值化方法借助DPS数据处理软件,对原始数据进行无量纲化处理,不仅有效消除了量纲与数量级的影响,而且使得处理后的数据包含了原始数据的全部信息。     

确定OWA算子权重的2个新模型

提出了2个新的模型来确定OWA算子的权重.新的模型根据最小化任意相邻权重间的差距的思想而提出,在给定和值时,通过求解非线性规划问题来确定OWA算子的权重.用一个算例与其他确定权重的模型进行对比,说明2个新模型的可行性.     

债券评级的一种方法--主成分分析法

当前信用风险的度量是比较热门的研究课题,而信用评级作为其中的一部分起着不可忽视的作用．为了增强评级的准确可靠性,给投资者提供更详细的信息,该文在总结前人对信用评级方法研究的基础上,提出了用主成分分析法对债券进行评级,模拟结果表明主成分分析法是有效的。     

基于成分数据的变权重组合预测的权重确定

变权重组合预测相比单预测、定权重组合预测能提高预测精度,其关键是确定权重。变权重组合预测模型权重的确定有很多方法,而预测期权重的确定很少受人关注。已有的确定预测期权重的方法是分别对每种预测方法的权重作预测,再归一化处理。文章基于成分数据的知识来确定预测期的权重,与已有方法相比,该方法不仅能保证预测期的权重求和为1,而且能降低维数。实验分析表明:分别模拟50,100,150,…,1 000次该方法预测精度比已有方法高,所占的比例大于50%;实例分析中该方法的MSE小于已有方法的MSE。从实验分析和实例分析可以看出,该方法能提高预测精度,是一种行之有效的方法。     

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。     

一种基于主成分分析的元学习方法

Meta-learning是解决分布式环境下分类挖掘问题的有效方法之一,该方法的关键在于元训练特征的组成,它直接影响着元分类器的性能.当问题域中类别数较多时,组合多个基分类器将使元训练特征集的维度变得非常大.提出在元学习阶段用主成分分析(PCA)简化高维数据,将基分类器的预测信息集中到最小维数的向量上,以提高元学习的泛化效率.实验结果表明,该方法是可行的.     

基于函数型主成分分析方法的用水量数据分析

以全国用水量的离散数据为例,根据分析目的把它构造成函数化数据,然后对函数化的数据进行函数型主成分分析,即对全国不同用水量区域进行分析研究,从而得到不同区域的主成分得分,找到用水量不平衡因素所在,为制订政策的决策者提供相应的参考。     

基于核主成分分析和子空间分类的边缘检测方法

针对传统边缘检测方法对噪声敏感的问题,提出了一种基于核主成分分析和子空间分类的边缘检测方法,建立了统一的图像特征表达模型.首先结合其它边缘检测方法进行采样并将采样结果投影到特征空间,然后将核主成分分析得到的特征向量组成特征空间的一个子空间,最后将子空间分类法推广到特征空间来对数据进行分类.实验结果表明,该方法增强了对噪声的鲁棒性,能适应小样本训练,其边缘检测效果明显优于经典算子、主成分分析和非线性主成分分析方法.     

基于小波变换和中值滤波器的主元分析方法

传统主元分析用于故障检测时,由于测量数据中含有噪声和异常点,从而导致系统的误报警.针对传统主元分析在处理含噪数据时的不足,给出了一种把小波变换、滑动中值滤波器和主元分析相结合的方法,利用小波变换和滑动中值滤波器的优点,对主元分析前的数据进行预处理,以去除噪声和异常点,减少和消除了虚警点,并将此方法运用于实际的故障检测中,取得了较好的检测效果,证实了该方法的有效性和可行性.     

基于主成分分析和决策树的入侵检测方法

特征选择算法能够更好地提高入侵检测系统的检测速度和检测效果,消除冗余数据并减轻噪音特征.结合特征选择算法的优势,提出一种基于主成分分析(PCA)与决策树(C4.5)的入侵检测方法,进而构建出轻量级的入侵检测系统.通过在KDD1999数据集上对该方法进行详细的实验验证,证明该方法一方面确保系统有较高的检测率与较低误报率,另一方面能够比较显著地提高系统的训练时间与测试时间.同时,通过比较实验发现此方法在训练时间、测试时间、检测率、误报率上的效果也优于GA-SVM方法.     

基于主成分分析的股票投资策略

本文利用主成分分析方法对沪深股市3个主流板块的股票进行分析,从中选取各个板块具有高成长和盈利能力的股票组成股票池,并对股票池中的股票再次进行主成分分析,得到上市公司成长与盈利能力的综合排名.基于上面的客观分析结果,提出了股票投资策略.     

基于核主成分分析的图像去噪

本文简介了核主成分分析的原理及利用核主成分分析的图像去噪问题。通过使用核函数，在特征空间中对噪声图像使用主成分分析进行降噪处理，基于MDS的思想，使用核方法计算出在特征空间中降噪后的图像与其邻域点之间的内积约束关系，通过核函数重构出在原空间中降噪图像与其邻域点的内积约束关系，基于此内积约束关系在原空间中重构出降噪图像，从而达到通过核主成分分析对图像降噪的目的。对比原有的MDS方法，本文的算法更稳定，对图像的噪声部分有更好的去除效果。     

基于主分量分析的多频谱图像数字水印算法

提出了一种基于主分量分析的数字水印算法。首先对多频谱图像进行K-L变换产生不相关的图像分量，然后选取包含像信息最多的主分量图进行DCT变换，把经过置乱的二维图像作为水印信息嵌入到合适的DCT系数中。仿真实验证明，所提出的数字水印算法具有较高的性．能。     

基于核主成分分析的图像去噪

简介了核主成分分析的原理及利用核主成分分析的图像去噪方法.通过使用核函数,在特征空间中对噪声图像使用主成分分析进行降噪处理.基于MDS的思想,使用核方法计算出在特征空间中降噪后的图像与其邻域点之间的内积约束关系,通过核函数重构出在原空间中降噪图像与其邻域点的内积约束关系,基于此内积约束关系在原空间中重构出降噪图像,从而达到通过核主成分分析对图像降噪的目的.比原有的MDS算法更稳定,对图像的噪声部分有更好的去除效果.