焊接质量控制的主成分分析人工神经网络

介绍了主成分分析方法及人工神经网络技术在相关因素分析和质量控制的建模与估计中的应用．以大电流MAG焊熔宽控制为例，通过对6个焊接过程参数进行主成分分析，提取出影响熔宽的4个主要因素，讨论了提取的主成分与原始过程参数间的关系．以主成分得分作为新的训练样本集，送入神经网络进行计算．结果表明，基于主成分分析的神经网络无论在收敛速度，还是在训练精度上，都远远优于基本BP神经网络．     

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.     

基于主成分分析和递归神经网络的短期股票指数预测

运用递归神经网络,并结合主成分分析方法建立基于主成分分析的递归神经网络(PCA-RNN)预测模型.实验采用玉米股票价格指数,首先,利用主成分法对玉米指数的多个指标进行特征提取,然后利用提取的主成分建立3种神经网络模型,并对开盘价进行预测,最后与ARIMA模型进行比较分析.结果表明PCA-RNN模型取得了较好的效果,更加适用于股票价格的短期预测,可以为决策者提供一定的参考.     

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.     

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.     

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。     

基于PCA-RBF网络的煤与瓦斯突出强度预测

为提高煤与瓦斯突出强度预测的准确性,采用主成分分析(PCA)法降低变量间的相关性,并将其与径向基网络相结合,对煤与瓦斯突出强度进行预测.以某矿为研究对象,对煤与瓦斯突出强度影响因素进行主成分提取,选取累计方差贡献率超过85%的三个主成分,代替原来的六个影响因素,将其作为RBF网络的输入参数,构建PCA-RBF煤与瓦斯突出强度预测模型.研究结果表明:PCA-RBF网络预测模型的平均相对误差为5.55%,满足煤与瓦斯突出强度预测的要求.     

结合GIS数据的神经网络湿地遥感分类方法:以上海崇明岛东滩湿地为例

以上海崇明岛东滩湿地为例,利用改进的BP算法结合主成分分析,将光谱信息的主成分、NDVI、MNDWI以及GIS数据作为神经网络的输入参数对东滩湿地进行神经网络分类.结果表明,神经网络分类能够有效的提高分类的精度,适合湿地分类.     

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.     

基于主成分分析的实验室比对中检测能力的综合评价

在实验室间比对Z值的基础上,利用主成分分析法,将9个参数的Z值通过降维,提取了反映综合检测能力的4个主成分,对参加比对的5个实验室加权评分,客观地评价了不同实验室综合检测能力并进行了排名,同时分析出每个主成分对应的参数.     

基于偏最小二乘与神经网络耦合的储层参数预测

将偏最小二乘回归(PLS)与神经网络(NN)耦合,建立了储层参数预报模型.利用偏最小二乘对影响储层参数的诸多因素进行分析,提取对因变量影响强的成分,从而克服了变量间的多重相关性问题,降低了神经网络的输入维数;同时,利用神经网络建模可以较好地解决非线性的储层参数预测问题.计算实例表明,本耦合模型的拟合和预报精度优于独立使用神经网络模型的精度.     

基于主成分分析和Softmax回归模型的人脸识别方法

文章介绍一种基于主成分分析(principal component analysis,PCA)和Softmax回归模型相结合的人脸识别方法,该方法通过PCA对整幅图像提取特征,然后将提取的特征经过非线性变换输入到Softmax回归模型中。将主成分提取特征看成是单层神经网络,将它与Softmax回归模型构成的级联结构看作是2层神经网络,在神经网络的训练过程中,主成分的特征向量可以微调。在不同人脸数据库上的实验表明,相比于传统的只用PCA降维的方法,本文方法可达到较高的识别率。     

基于主成分分析和BP神经网络的网约车 服务质量评价

为客观、科学评价网约车服务质量,从顾客满意度角度出发,通过分析网约车服务过程,建立网约车服务质量评价指标体系;为消除指标间的相关性,利用主成分分析法提取累计贡献率超过85%的主成分作为BP神经网络模型输入;通过分析BP神经网络模型的原理构建具体BP神经网络拓扑结构;以网约车乘客满意度调研问卷为数据基础,对BP神经网络模型进行训练、仿真,并与传统BP神经网络模型及SERVQUAL模型评价结果进行对比.结果表明:本文构建模型收敛效率高、评价误差小,能够反映网约车服务质量的水平,可以为评价网约车服务质量提供有效理论支撑.     

精纺面料织物结构参数与其抗皱性能的主成分回归分析

为了研究织物结构参数与精纺面料抗皱性能的关系,在确定影响织物折皱回复性能的各个结构参数的基础上,应用动态回复角测试仪对21种精纺面料进行折皱回复角测试。为避免多元回归分析出现多重共线性问题,利用主成分分析方法对织物多个基本结构参数进行降维处理,得到4个互相独立的主成分。以主成分为自变量,分别取经向折皱回复角、纬向折皱回复角以及经纬向折皱回复角之和为因变量,采用回归分析的方法建立抗皱性与提取主成分的关系模型。结果表明:建立的主成分与折皱回复角之间的回归方程,达到非常显著的水平,对抗皱性能进行预测是可行的。通过主成分分析可知,主成分Z₁,Z₂,Z₄是决定精纺面料抗皱性的主要因素。     

BM-MSCs的CNN特征映射与活性评价模型研究

针对分选富集具有治疗疾病效果的干细胞(MSCs)亚群很难实现质量控制的问题,设计了以深度神经网络作为特征映射的主成分分析-岭回归模型,实现对骨髓间充质干细胞(BM-MSCs)的定量评价.通过三维重建细胞计算基于长轴的最大截面作为模型输入;训练4层神经网络将细胞分为正常细胞与病人细胞,提取全连接层输出作为特征映射;利用主成分分析降维后的前3项主成分向量作为自变量X,样本评分作为因变量Y,使用岭回归模型进行拟合,将特征与细胞活性评分相联系,实现BM-MSCs活性定量评价,为后续分选高质量的活性细胞提供依据.第1阶段通过对176例细胞样本进行数据扩增,采用8折交叉验证输入二分类神经网络进行训练,第2阶段将其中标有专家评分的68例细胞样本输入到已训练的神经网络中提取全连接层输出作为特征,利用主成分分析-岭回归模型实现定量评价,结果表明:神经网络二分类准确率98.75%,敏感度为97.84%,特异度为99.43%,对于定量评价,模型总体样本的R2为0.873 6,拟合效果良好,可以实现对BM-MSCs定量评价.     

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.     

RBF主成分分析法在电源车数据预测中的应用

采用主成分分析与RBF神经网络相结合的方法对某型电源车数据进行了预测,同时还对RBF神经网络主成分分析法与全要素RBF神经网络分析法进行比较,结果表明RBF神经网络主成分分析法具有精度更高、收敛速度更快等特点.     

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HHT的线性调频信号分析与参数估计

基于Hilbert-Huang变换(HHT),提出一种有效的线性调频(LFM)信号的分析与参数估计的方法.首先对LFM信号进行HHT得到其Hilbert谱,并根据能量的准则提取其中的主成分,完成LFM信号分析.对利用能量型主成分提取法得到的LFM信号主成分进行最小二乘直线的拟合,计算直线的斜率与截距,得到LFM信号的参数的估计值.实验证明,能量型主成分提取方法,在较高的信噪比范围内具有一定的LFM信号估计效果.     

基于KPCA-SVM的预测模型在铀矿堆浸中的应用

针对影响堆浸工艺铀矿浸出率的因素较多且具有非线性的特点,提出一种利用核主成分分析(KPCA)进行参数处理,整合冗余,降低维数,并将处理后得到的6个主成分作为支持向量机(SVM)测量模型输入的预测方法。在此过程中,利用粒子群算法(PSO)优化核主成分分析和支持向量机的参数,使模型具有较高的训练精度。在此基础上,对铀矿堆浸进行建模仿真,并进行预测。结果表明,基于KPCA-SVM的铀矿累计浸出率模型与BP神经网络方法相比,具有有效降低数据维数、在小样本条件下学习更加有效、建模采样过程更快、预测精度更高的优点。