用主成分分析法作综合评价时数据的预处理问题

针对传统的主成分分析在处理数据的多重相关性、无量纲化、线形化等方面存在的缺陷,讨论并改进了主成分分析时对数据多重相关性、无量纲化及线形化等方面的预处理问题。     

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。     

主成分分析数据处理方法探讨

本文针对传统主成分分析的不足,分析了做主成分分析前对数据进行预处理的必要性,并对数据的预处理方法进行了探究,提出了“初始化”方法实现无量纲化处理数据的目的．最后结合具体实例证实了改进方法的优越性．     

基于改进的主成分分析和集成综合评价法的水质评价

针对传统主成分分析对非线性数据处理的不足,提出了一种改进的主成分分析方法：首先利用对数变换对原始非线性数据进行线性化,然后利用均值化进行无量纲化处理,所得结果尽可能最大保留原始信息,同时大大降低了数据维数.同时,改进综合评价函数,结合熵值法,提出了集成综合评价方法：即首先利用传统主成分分析得到综合评价值,再利用熵值法得...     

坐标四分法下民族地区城市化与工业化的协调度分析——以农村居民人均纯收入4500元以上民族城市为例

本文选择民族地区农村居民人均纯收入4500元以上的19个行政区市作为研究对象,利用（2009民族统计年鉴》数据,在无量纲化处理基础上,通过相关性分析、主成分分析等方法进行模型建构,从而将影响城市化和工业化的指标量化．在复合指标体系与单一指标下,得到城市化和工业化的水平测度,最后利用坐标四分法直观分析了19个民族行政区市城市化与工业化发展的协调度．     

基于均值化主成分分析的城镇居民消费性支出应用研究

均值化主成分分析是在传统主成分分析法的基础上,采用均值化方法对数据进行预处理的一种改进方法。利用均值化主成分分析法对全国各地区城镇居民的人均消费支出情况进行分析,并使用Matlab平台进行仿真,最终提取出反映消费支出的主成分,为下一步的研究工作提供必要的决策支持。     

灰色斜率关联度的改进

研究了单指标数据序列的几种无量纲化变换及其性质，提出了一种对灰色斜率关联度的改进模型，改进后的关联度能够反映序列的正、负相关关系，并且对原始序列进行无量纲化变换处理时不影响关联系数及关联度的值，还研究了改进的关联度及关联系数的性质。该方法充分利用了序列各时点的信息及正、负相关性，所得关联分析结果较为客观可靠，并且易于在计算机上实现。     

陕南城市绿色发展水平的测度及综合评价

运用主成分分析法,借助SPSS统计软件对陕南各城市绿色发展水平进行了测度和综合评价。首先建立城市绿色发展评价指标体系,由统计年鉴得到2011—2013年的指标数据,用模糊隶属度函数进行无量纲化,用主成分分析法对陕南城市绿色发展水平进行了客观的综合评价和分析,最后对陕南城市绿色发展水平的提高提出了一些建议。     

高校人文社会学科科研实力综合评价研究——基于核主成分分析和实证研究法

收集了2013年31个省市自治区部分高校有关人文社会学科科研方面的相关数据,利用核主成分分析法和实证研究法对科研实力进行综合评价.针对主成分分析在权重系数确定和信息提取等方面存在的问题,利用核主成分分析(KPCA)探究了数据的非线性关系并提高第一主成分贡献率;采用"主观化"改造的思路,提出增加重要性权等观点,构建了实证研究模型;给出了核主成分分析与实证研究相结合的理实综合分析模型对高校人文社会学科科研实力进行综合评价.     

主成分分析在科技期刊评价中的应用

介绍了主成分分析在科技期刊评价中的应用。主成分分析在简化数据结构,消除变量之间的相关性以及选择变量子集合等方面具有重要作用。     

kPCA特征提取算法的自动目标识别

分析了主成分分析（PCA）与核主成分分析（kPCA）的基本原理,比较了两者在处理数据方面的性能,得出了kPCA比PCA在处理非线性可分数据方面具有优势的结论．依据几何绕射理论（GTD）,通过Matlab仿真方法得到HRRP（高分辨距离像）数据,并以这些数据作为训练和测试样本,结合SVM分类方法,分别测试比较了基于4种不同核函数的分类识别性能,得出基于高斯核函数主成分分析的自动目标识别系统性能明显好于其他3种核函数的结论．     

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.     

集成综合评价法的终端区管制运行效率评估

终端区管制运行效率评估中指标信息间具有差异性且量纲不统一的特点.针对传统的主成分分析法对数据做标准化处理时会消除指标间差异性的不足,基于改进的主成分分析法并结合熵值法的客观性提出了一种终端区管制运行效率的集成综合评估模型.该模型运用均值化代替标准化处理指标数据,借助SPSS23软件分别得出改进的主成分分析法和熵值法评估排序结果.将两种评估结果通过一致性检验得到最终的终端区管制运行效率集成综合评估值及排序结果.算例结果表明,所建立的评估模型可以更高效的评估终端区管制运行效率.     

基于图像特征的卷积核初始化方法

针对当前卷积核初始化方法易导致网络不稳定及主成分分析算法对网络结构限制的问题, 提出一种基于图像特征的卷积核初始化方法. 该方法先结合模糊处理技术和边缘处理技术对图像进行采样, 再将采样后的数据随机分组, 使用主成分分析算法提取各组数据的主成分, 初始化卷积核. 将该方法应用于数据集Cifar-10和Corel-1000, 并与Gauss初始化方法和He初始化方法进行对比测试, 实验结果表明, 该方法性能优于其他卷积核初始化方法.     

结合PCA的t-SNE算法的并行化实现方法

为了提高大数据环境下高维非线性数据的处理速度和精确度,提出一种结合主成分分析(PCA)的基于t分布的随机近邻嵌入(t-SNE)算法.首先,通过主成分分析法对原始数据进行预处理,去除噪声点;然后,结合t-SNE算法,构建K最邻近(K-NN)图,以表示高维空间中数据的相似关系;最后,在Spark平台上进行并行化运算,并在BREAST CANCER,MNIST和CIFAR-10数据集上进行实验.结果表明:文中算法完成了高维数据至低维空间的有效映射,提升了算法的效率和精确度,可应用于大规模高维数据的降维.     

时间序列与主成分分析的结构损伤识别

提出一种基于AR模型均方根误差主成分分析的结构损伤识别方法.首先利用检测数据建立AR模型,求得模型的均方根误差,然后,采用主成分分析的方法获得主成分载荷矩阵,将此矩阵经过数据标准化处理得到结构损伤特征指标.通过比较结构不同状态下传感器获得的损伤特性指标,进行损伤定位.最后,基于美国Los Alamos实验室三层框架结构模型的损伤实验数据,利用本文方法和基于AR模型系数损伤定位的方法对该结构各种损伤状况进行识别.2种方法的对比研究表明采用本文的方法,通过主成分分析排除外界干扰因素,减少运算量,具有更高的损伤识别精度.     

基于PCA_RVM的焊缝偏差识别

为提高基于旋转电弧传感器的焊缝跟踪系统的精度,提出了主成分分析(PCA)线性降维方法与关联向量机(RVM)相结合的焊缝偏差识别方法.首先,对采集到的焊接电流信号进行小波滤波,进行周期划分和数据标准化处理.然后,对采集到的焊缝偏差数据集进行主成分分析,映射到低维的PCA空间,作为关联向量机的训练样本集;最后,利用实验数据进行测试.实验结果表明:基于PCA_RVM的焊缝偏差识别方法的最大误差为0.54mm,平均误差为0.43mm;PCA_RVM的精度与普通的关联向量机法相差不大,比区间积分法、神经网络法和支持向量机法更高,其运行速度比区间积分法慢,但比神经网络法、支持向量机法和普通的关联向量机法快,所以PCA_RVM更适用于基于旋转电弧传感器的焊缝跟踪系统.