分组主成分法在综合评价中的应用

基于传统的主成分分析法和因子分析法在综合评价中存在的不足之处,运用分组主成分法进行改进,即先用因子分析法对变量进行分组,然后再分别对各组变量进行主成分分析。将改进后的方法用于评价经济效益的实际问题中,并与传统方法进行了比较,实证分析结果表明分组主成分法能更合理地反映评价结果。     

特高拱坝变形监测的分区及其模型构建方法

面板数据模型考虑了测点间的联系和异质性,引入面板数据模型构建特高拱坝的分区安全监测模型.通过实测温度的主成分分析,筛选得到典型实测温度变量;融合主成分分析和层次聚类法,提出基于监测时间序列的变形测点分区方法;以此建立各分区面板数据,通过检验确定面板数据模型类型,构建基于实测温度的分区变形测点的回归模型;通过分区及其回归...     

基于改进主成分分析法的Topsis在学术期刊评价中的应用研究

针对传统的主成分分析与Topsis结合评价方法,会遇到提取的是变量的线性组合,损失了原始变量的初始值,且各主成分需根据变量的占有率高低重新命名,容易导致主成分含义不明显,指标解释能力不足的弊端,提出引入改进主成分分析法;采用改进后的主成分分析法从15个评价指标中提取出具有代表性的原始的9个指标,并根据指标的贡献率归一化客观确定其权重,构造加权规范矩阵与Topsis法结合,将该方法应用到学术期刊的评价中,得出结论与实际情况接近,说明该组合的评价方法具有一定的实用意义。     

基于主成分聚类分析的采矿方法优选

 采矿方法优选涉及到多指标体系的分类及综合评价问题,利用主成分分析简化了指标结构,将主成分分析与聚类分析相结合,提出了主成分聚类分析法,并基于该方法对来自某矿山的15个试样的采矿方法进行了优选。在此过程中,针对传统主成分分析方法的缺点和应用中可能出现的误区,通过均值化改进了主成分分析的特征提取,通过以主成分得分为新的数据基础做聚类分析改善了综合评价效果;对主成分含义给出了较为明确的解释;对主成分聚类、第一主成分得分、主成分综合得分的排序结果进行了对比分析。研究表明,主成分聚类分析法则既可以对多变量数据进行合理地分类,又能对各类优劣程度做出综合评价,能充分反映矿山的实际情况,终选出的采矿方法在工业试验后成效显著,验证了该决策方法是切实可行的。     

基于一种非凸罚函数的稀疏主成分分析方法

稀疏主成分分析方法剔除了与主成分关系不密切的原始变量,保留了与主成分关系密切的原始变量,克服了经典主成分分析方法的不足.在稀疏主成分分析的基础上,用一种收缩算子所对应的非凸罚函数替代稀疏主成分分析中的L1罚,提出了基于非凸罚函数的稀疏主成分分析方法,并给出了阈值迭代算法.结果表明,该方法相对于稀疏主成分分析方法,不仅提高了总方差贡献率,而且增加了主成分载荷的稀疏度,即更加凸显主成分与某些原始变量的关系.     

基于多元统计方法的酒店建筑能耗分析研究

以福建省建筑节能监管体系建设工作为基础,介绍了本地区酒店建筑的能耗现状.选取了建筑面积、空调冷源侧功率等8个主要能耗影响因素作为回归分析初始变量,通过主成分分析,提取出3个主成分,并在此基础上,建立了酒店建筑能耗二次回归模型,从统计学及实践两个角度验证了该模型的准确性和有效性.     

基于主成分分析-孪生支持向量机的工业系统故障监测

为了改善现代工业系统故障检测和诊断的性能,提出一种基于主成分分析-孪生支持向量机挖掘的工业系统故障监测方法;采用多元统计的主成分分析方法对涉及的复杂故障变量进行降维,并对提取的主要故障变量进行判断,完成故障检测;将孪生支持向量机引入到故障类型的识别过程,结合主成分分析方法进行系统监测.结果表明,与加权K近邻、主成分分析...     

基于互信息的辅助变量筛选及在火电厂NOx软测量模型中的应用

辅助变量的选取是软测量建模中重要的一步;但由于待选变量数目多、与主导变量非线性相关、信息冗余大等因素导致辅助变量的选择不够合理。在信息熵和互信息理论基础上,改进IBF和MIFS变量筛选算法,综合考虑了辅助变量和主导变量之间的最大相关性,以及辅助变量之间的最小冗余性。作为算例使用改进后的算法,筛选了某燃煤机组运行历史数据,建立了省煤器出口NOx浓度的GA-BP软测量模型。实验证明这种基于互信息的变量筛选方法可以有效提高模型的输出精度和泛化能力。     

用于高维时序数据预测的非同步尺度主成分分析

针对时间序列数据预测过程中可能面对高维或超高维的预测变量,同时考虑变量的时序特征及预测的非同步性,提出用于时序数据预测的非同步尺度主成分分析方法。首先构建单个预测变量和被预测变量的非同步线性回归,通过可决系数选取单变量的最佳滞后阶数,并将回归系数赋权与相应的预测变量得到赋权预测变量,并通过主成分分析对赋权预测变量降维,即非同步尺度主成分分析。将该方法用于消费者物价指数增长率的预测,结果表明经非同步尺度主成分分析降维的预测精度高于传统降维预测的方法。     

主成分分析在棉田质量评价中的应用

运用主成分分析法对农七师125团棉田进行质量评价。随机选取50块耕地共10个变量(评价项目)，对各变量进行数据标准化处理，再进行主成分分析。分析结果表明，第Ⅰ～Ⅲ主成分代表了评价指标的87.91％信息。根据主成分的综合得分划分棉田等级，分析结果与其它评价方法得出的结论一致。     

基于时频特征和PCA-KELM的液压系统故障诊断

为了解决液压系统泄漏、堵塞和气穴等多类型故障下特征提取和模式识别困难的问题,提出基于时频特征和PCA-KELM的液压故障智能诊断新方法。首先利用统计分析和总体平均经验模态分解方法,构造高维混合域初始特征向量,从不同特征指标、不同分析角度对不同种类液压故障进行表征和刻画;然后通过主成分分析对多维初始特征向量进行降维和特征二次提取,将高维相关变量转化为低维独立的主特征向量;最后利用PCA主元构造的主特征向量输入核极限学习机网络中,实现故障类型的识别。实验结果表明,混合域初始特征向量能全面准确地描述故障特征,PCA提取的主特征向量摒弃了冗余信息且简化了分类器结构,KELM网络诊断速度快、分类准确率高。     

基于主成分分析-相关向量机的高速公路路基沉降量预测

为解决高速公路路基沉降量难以获取的难题,提出一种基于主成分分析(principal compohent analysis,PCA)的相关向量机(relevance vector machine,RVM)路基沉降量预测方法。通过主成分分析法将多个易获取的土体常规物理参数降维成少数且独立的变量,借助相关向量机模型反映路基沉降量与4个主成分变量之间的非线性映射关系,建立基于PCA-RVM的高速公路路基沉降量预测模型。将该模型应用于工程实例,在同样学习样本情况下与4种神经网络预测模型对比分析,结果表明:PCA-RVM预测模型通过分析各因素的相关性与贡献率,将多个影响因素合理化为少数主成分变量,在信息筛选方面明显优于其余4种模型;各模型预测结果显示,在路基沉降量预测结果的相对误差及均方差方面,PCA-RVM预测模型均占据较大优势。PCA-RVM模型具有精度高、离散性小、可靠度高等优点,为高速公路路基沉降量预测提供了一种新方法。     

我国上市公司资本结构的实证分析

运用实证分析的方法计算并分析了上市公司资本结构的影响因素,首先对选取的15个原始变量进行主成分分析,并计算出主成分得分;然后用主成分得分与资产负债率作多元回归分析;最后根据实证分析的结果进行了因素分析．结果表明：（1）短期偿债能力指标或者变现能力指标对资本结构的影响最大,且与资产负债率之间呈负相关关系;（2）企业规模与资产负债率呈正相关;（3）股权结构及企业的盈利能力与资产负债率呈负相关。     

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.     

基于海林格距离加权关键主元的流程工业故障检测研究

在采用主成分分析（principal component analysis,PCA）算法进行故障检测时,主元的选取及处理直接影响其故障检测的表现。对此,提出一种基于全变量表达（full variable expression,FVE）和海林格距离（Hellinger distance,HD）的故障检测方法。首先,利用FVE得到所有关键主元,即保留所有变量信息;然后考虑到与故障相关主元的重要性,定义基于海林格距离的变化率,用来衡量正常工况下主元与异常工况下主元的差异;对与故障发生更相关的主元进行加权,以突出与故障相关主元对于后续故障检测的影响;最后,考虑到降维后数据通常服从非高斯分布,利用改进的局部离群因子（local outlier factor,LOF）构建统计量,其相应控制限通过核密度估计（kernel density estimation,KDE）确定。数值实例及带钢热连轧实际生产数据验证了所提方法的有效性与优越性。     

多变量时间序列的主成分分析及估计

研究了多变量时序分析中的主成分分析方法，由此对高维多变量时间序列进行了降维处理。本方法是将原来的时序变量变换为低维的主成分变量，然后将低维主成分变量作为新的时序变量进行建模。在此基础上研究了多变量时间序列主成分估计的偏差及其与最小二乘估计的关系     

遗传神经网络在铁矿石需求预测中的应用

将遗传算法与BP神经网络结合,利用遗传算法的全局搜索优化BP网络的初始权重,有效地克服了BP算法的局部收敛和收敛速度慢等问题.使用主成分分析法选取输入变量,并将建立的混合模型应用于铁矿石需求预测中.实验表明,该方法改善了预测精度,达到了较好的预测效果.     

非线性计量经济建模变量选择

提出了非线性计量经济建模变量选择的一种方法。采用非参数回归方法确定最佳函数,通过主成分分析方法进行变量筛选,给出了相应的CE算法。仿真实验和计算实例验证了该方法的有效性。     

基于主成分分析和代理模型的油藏生产注采优化方法

针对油藏注采优化变量多,直接使用代理模型优化结果变差的问题,提出基于主成分分析和代理模型的油藏生产注采优化方法,代理模型通过对油藏数值模拟器采样,构建速度快、逼近原数值模拟模型精度的数学模型。通过主成分分析对数据进行降维,而后借助基于代理模型的差分进化算法进行优化,最终得到实际生产优化问题的调控方案,并应用SADE-PCA方法对Egg模型进行实例计算。结果表明:提出的基于主成分分析的代理辅助进化算法,在保证精度的前提下,可有效降低变量的维数,解决油藏大规模变量注采优化的难题;优化的注采方案能够有效增油控水,提高油田的经济效益;插值控制方法(ICM)在实现平滑的调控方案和提高计算效率方面具有良好性能。     

基于地理加权主成分的经济发展综合评价研究——以江苏省为例

地理加权主成分分析可判别各主成分的方差贡献的空间变动,并诊断出影响各主成分空间变化的变量.本文在结合传统主成分分析与地理加权主成分分析技术,选取经济发展水平综合评价指标,对江苏省63个县、市的经济特征进行主因子提取.得到以下主要结论：主成分分析提取得到3个主成分,分别表征经济增长方式、经济结构与经济动力;蒙特卡罗检验在0.05水平下,显著性拒绝主成分的特征值与因子载荷在空间变化上的平稳性假设;地理加权主成分的因子载荷主导着不同地区的经济结构特征,且呈集中连片分布特性,地理加权主成分的方差贡献率存在着明显的南北分异态势.可见,地理加权主成分分析可以有效识别各主成分的局域空间变化效应,诊断出影响地区经济特征空间变化的主要变量,有利于深化对社会经济要素空间的分异特征和内在机理的认知与理解.