玻耳兹曼熵的演变过程

熵概念自克劳修斯1865年提出以来被赋予多种解释,其中玻耳兹曼的统计解释有广泛影响。玻耳兹曼熵关系式被人们熟知,但玻耳兹曼熵概念探究历程没有得到重视。通过梳理玻耳兹曼在不同时期发表的论文,解读其逐步推进熵概念的研究过程,从最初力学原理解释热力学第二定律再到推广麦克斯韦速度分布律;1868年提出量子化观念,进一步统计解释热力学第二定律和熵关系式。其中经历的几个重大突破是不断创新的过程,对当今科学创新仍有借鉴作用。     

玻耳兹曼分布律的推导

应用吉布斯正则系综导出了玻耳兹曼分布律 .     

玻耳兹曼分布律的推广和应用

通过对玻耳兹曼分布律的推广,从而证明能均分定理.     

基于主元分析的人耳图像识别方法

人耳图像的自动识别是一种新的生物特征识别技术.将主元分析法(PCA)应用于人耳图像识别,分别应用BP神经网络和最近邻域法进行分类识别,给出了具体的网络设计与性能比较分析.实验结果表明,应用PCA方法提取人耳图像特征,选择合适的分类器和网络结构,可以取得满意的识别效果.     

Selkov反应扩散系统激发性的晶格玻耳兹曼方法模拟

用晶格玻耳兹曼方法数值模拟Selkov反应扩散系统的定态解,对系统从偏离平衡的状态回到平衡态所经历的路径进行分析,得到激发性存在的结论;模拟简单螺旋波的产生过程,给出简单螺旋波的波头轨迹。     

用半导体PN结特性测定玻耳兹曼常数的一个简单装置

本文对Ｉｎｍａｎ和Ｍｉｌｌｅｒ所提出的用晶体管测定玻耳兹曼常数的装置作了一些改进，并通过对实验中误差情况的分析，提出了一个测量数据取舍的准则。从而使这个实验方法更加简单，装置更为简便，实验结果的精度进一步提高，很适合在大学物理实验中推广。     

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。     

光滑壁面明渠水流的三维格子玻耳兹曼模拟

明渠水流与泥沙运动、河床演变等问题密切相关,明渠水流特征的研究对于揭示明渠水流作用下的泥沙运动机理具有十分重要的意义.为此.应用新型数值模拟方法三维格子玻耳兹曼方法对明渠均匀流进行了研究.首先介绍了格子玻耳兹曼方法的理论基础、边界条件处理以及流动的驱动方式,接着分别模拟了明渠层流和光滑壁面紊流的近底水流运动.结果表明,得到的明渠层流流速和切应力分布与解析解吻合较好,同时较好地反映了光滑壁面明渠紊流的流速分区结构、紊动特性和阻力规律,从而说明格子玻耳兹曼方法在明渠水流模拟中具有较好的适用性,为进一步采用该方法研究明渠流近底泥沙颗粒运动机理奠定了基础.     

基于主元分析的入耳图像识别方法

人耳图像的自动识别是一种新的生物特征识别技术．将主元分析法（PCA）应用于人耳图像识别，分别应用BP神经网络和最近邻域法进行分类识别，给出了具体的网络设计与性能比较分析．实验结果表明，应用PCA方法提取人耳图像特征，选择合适的分类器和网络结构，可以取得满意的识别效果．     

基于XDLVO理论的黏性泥沙絮凝模拟格子玻耳兹曼模型

引入XDLVO理论（extended Derjaguin-Landau-Verwey-Overbeek theory）描述颗粒间作用力,建立了黏性泥沙絮凝的格子玻耳兹曼模型,利用该模型模拟由不等速沉降引起的黏性泥沙絮凝,分析不同黏土矿物泥沙颗粒对泥沙絮凝的影响,并探讨泥沙絮凝机理.模拟结果表明,不同黏土矿物的絮凝难易程度有所不同,伊利土最容易絮凝,其次是高岭土,蒙脱土絮凝能力最差,该絮凝沉降规律与前人的实验观测结论一致.     

基于 PCA 和 ELM 的网络入侵检测技术

针对基于传统 BP(Back Propagation)神经网络算法的入侵检测技术收敛速度慢和检测率不高的问题, 提 出了一种基于主成分分析(PCA: Principal Component Analysis)和极限学习机(ELM: Extreme Learning Machine ) 算法相结合的入侵检测方法。 对提取的特征矩阵采用了 PCA 降维, 并使用 ELM 算法对 4 类常见的攻击类型进 行了多分类检测。 实验结果表明, 该方法正确率高达 98. 337 5%, 检测时间仅 1. 851 7 s, 与传统方法相比缩短 了 2 ~6 倍, 同时还提高了检测率和精度, 降低了误报率和漏报率。 最终改善了正确率、 误报率、 漏报率、 检测 率、 精度和测试时间 6 项指标。     

基于主元分析与支持向量机的人脸识别方法

基于支持向量机（SVM）在处理小样本，高维数及泛化性能等强方面的优势，提出了一种基于主元分析（PCA）与SVM的人脸识别方法，利用PCA方法对人脸图像进行特征提取，再利用SVM与最近邻分类器相结合的策略对特征向量进行分类识别，剑桥ORL的人极数据库的仿真结构验证了本算法是有效的。     

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。     

基于主成分分析的特征简化

特征评选与简化是模式识别研究中至关重要的任务。本文介绍了降维映射的主成分分析特征评选与简化方法,提出了以神经网络实现主成分分析的结构和算法,为模式识别特征简化提供了一条有效途径。     

基于主成分分析和球结构支持向量机的人耳识别方法

提出一种基于主成分分析和球结构支持向量机的人耳识别方法.首先将人耳从侧面人脸中提取出来,然后采用主成分分析方法对人耳图像进行特征提取,最后采用球结构支持向量及对人耳图像进行训练和识别.与传统的多分类方法相比,该分类方法识别性能更高,这为非打扰式生物特征识别提供了一条有效途径.     

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...     

Community Detection in Disease-Gene Network Based on Principal Component Analysis

The identification of communities is imperative in the understanding of network structures and functions.Using community detection algorithms in biological networks, the community structure of biological networks can be determined, which is helpful in analyzing the topological structures and predicting the behaviors of biological networks. In this paper, we analyze the diseasome network using a new method called disease-gene network detecting algorithm based on principal component analysis, which can be used to investigate the connection between nodes within the same group. Experimental results on real-world networks have demonstrated that our algorithm is more efficient in detecting community structures when compared with other well-known results.     

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.     

Comparison of Kernel Entropy Component Analysis with Several Dimensionality Reduction Methods

Dimensionality reduction techniques play an important role in data mining. Kernel entropy component analysis( KECA) is a newly developed method for data transformation and dimensionality reduction. This paper conducted a comparative study of KECA with other five dimensionality reduction methods,principal component analysis( PCA),kernel PCA( KPCA),locally linear embedding( LLE),laplacian eigenmaps( LAE) and diffusion maps( DM). Three quality assessment criteria, local continuity meta-criterion( LCMC),trustworthiness and continuity measure(TC),and mean relative rank error( MRRE) are applied as direct performance indexes to assess those dimensionality reduction methods. Moreover,the clustering accuracy is used as an indirect performance index to evaluate the quality of the representative data gotten by those methods. The comparisons are performed on six datasets and the results are analyzed by Friedman test with the corresponding post-hoc tests. The results indicate that KECA shows an excellent performance in both quality assessment criteria and clustering accuracy assessing.