加权主成分分析法在公路网综合评价中的应用

城市公路网的分析与评价对于公路网规划项目开发、实施决策具有重要的理论价值和现实意义.建立了基于加权主成分分析法的公路网综合评价模型,并给出了评价案例.评价结果表明,利用加权主成分分析法评价公路网可以将主成分分析法的客观分析和层次分析法的主观分析有机地结合起来,其评价结果更加全面、更加符合客观实际情况.

基于多尺度加权主成分分析的SF_6红外光谱分析

利用红外光谱法分析SF6气体及其衍生物是判断气体绝缘组合电器(GIS)运行状态和故障的一种重要手段。传统的诊断方法过程繁琐、效率低下,而且受主观因素的影响较大。本文指出可以采用机器学习的方法实现GIS设备的故障诊断,并提出了多尺度加权主成分分析的特征提取方法。多尺度加权主成分分析结合了主成分分析和多尺度分解的特点,保证了尺度特征信息的最大化,并且修正了特征向量在数据分类时的权重。通过对广西电力研究院提供的SF6及其衍生物的红外光谱进行分析,证明了多尺度加权主成分分析算法对训练样本的分类效果要比标准的主成分分析算法好3～4倍。

基于加权主成分分析的公路工程质量综合评价研究

提出采用加权主成分分析的公路工程质量综合评价的思想。采用系统分析方法,通过目标分解建立包括各分部分项工程在内的公路工程质量评价综合体系,采用灰色关联度法确定评价指标权重,建立基于加权主成分分析方法的综合评价模型。工程实例表明,该方法有效地利用样本数据对不同方案进行客观评价,显示出其可行性。

加权主成分分析在电网线损四分管理后评估中的应用

以层次分析法建立的线损四分管理指标体系为基础,结合多指标综合评价方法的特点,应用主成分分析原理,通过专家对指标实际权重的评判,提出一种对主成分向量进行"加权"后评判的综合方法,完成了实例分析验证,表明:该方法避免了综合指标二次加权问题,同时也能保证包含原指标信息的能力,以少数的综合变量代替原有多维变量,从而在进行评判分析时更具有实际意义.

鲁棒自适应概率加权主成分分析

主成分分析(Principal component analysis,PCA)是处理高维数据的重要方法.近年来,基于各种范数的PCA模型得到广泛研究,用以提高PCA对噪声的鲁棒性.但是这些算法一方面没有考虑重建误差和投影数据描述方差之间的关系;另一方面也缺少确定样本点可靠性(不确定性)的度量机制.针对这些问题,本文提出一种新的鲁棒PCA模型.首先采用L_(2,p)模来度量重建误差和投影数据的描述方差.基于重建误差和描述方差之间的关系建立自适应概率误差极小化模型,据此计算主成分对于数据描述的不确定性,进而提出了鲁棒自适应概率加权PCA模型(RPCA-PW).此外,本文还设计了对应的求解优化方案.对人工数据集、UCI数据集和人脸数据库的实验结果表明,RPCA-PW在整体上优于其他PCA算法.

基于加权主成分分析和高斯混合模型的神经元峰电位分类

通过加权主成分分析来对峰电位进行提取特征和降维,再利用高斯混合模型聚类算法对特征进行聚类,实现峰电位分类。采用开放的仿真数据和开放的实测数据分析验证算法的可行性和分类精度,并与主成分分析提取特征的高斯混合模型(GMM)聚类和加权主成分分析提取特征的K均值聚类2种方法进行了比较。仿真数据实验中,在噪声水平为0.05,0.10,0.15,0.20时,误分率分别为1.26%,1.43%,2.32%和3.37%,低于其他2种方法;实测数据实验中,恒河猴数据的平均J 3准则值为14.12,与其他2种方法相比,平均J 3准则值较大。

基于加权主成分分析的中国上市公司的综合评价

基于主成分分析法建立了加权主成分分析法数学模型;运用加权主成分分析对中国上市公司进行综合评价,并通过选取2015年部分上市公司第一季度报告提供的财务指标进行了实证分析。评价结果表明:利用加权主成分分析法对上市公司进行综合评价,可以将主成分分析法的客观分析和层次分析法的主观分析有机结合起来,以得出结合客观分析与主观评价的相对可靠的结论。与用主成分分析法评价的结果相比,其评价结果更加合理、更加符合上市公司的实际经营水平,可以给广大证券投资者一个更加可靠的投资参考。

安徽省16地市高质量发展测评——基于二次加权主成分分析法

针对从高速增长阶段转向高质量发展阶段安徽过去举全省之力发展省会合肥有何弊端这一问题,本研究尝试构建评价指标体系,运用二次加权主成分分析法,对安徽省16个地级市2018年高质量发展水平进行评价。研究发现,除合肥外,安徽省其他各地高质量发展综合指数较低;在高质量发展方面皖南、皖中和皖北三大板块之间的水平差距较大;从经济发展、改革开放、城乡建设、生态环境和人民生活五个方面高质量指数看,安徽省16个地级市在各方面高质量指数排名上虽各有高低,总体上却也呈现出"南高、北低、中接南京"的地理格局,区域间不平衡发展是影响安徽省高质量发展的关键因素。

基于加权主成分分析的蝴蝶兰商品性综合评价

为构建更为合理的蝴蝶兰商品性评价体系,对17个蝴蝶兰新品种(系)的16个性状指标进行观察统计,运用加权主成分分析法进行商品性综合评价。结果表明:以层次分析法分析各权重,抗病性、花色为现阶蝴蝶兰生产商最重视的指标,其权重分别为0.3808、0.2087,并结合主成分分析法,判断17个蝴蝶兰新品种(系)的商品性排序,MP194、MP231、MP134、‘汕农拉菲’及JT780排名前5位,其结果与主成分分析法不尽相同。与用一般主成分分析法评价结果相比,加权主成分分析评价结果更加合理、更加符合蝴蝶兰生产消费的发展趋势,对指导蝴蝶兰商品生产有着积极意义。

基于RBF神经网络模型的改进加权主成分分析参数全局优化研究

为分析响应预测能力对优化结果的影响,建立响应与可控因子间参数回归模型以计算预测能力指数,但复杂生产过程中模型拟合度不高,难以满足建模要求,因此提出一种基于 RBF 神经网络的改进加权主成分分析参数优化方法。该方法利用 RBF 神经网络构建非线性预测模型,计算并引入网络预测能力指数以调整加权主成分分析法,优先改进预测能力强的响应,然后进行主效应图分析,并通过建立响应曲面模型,利用遗传算法全局搜索最优点。实验结果表明,RBF 神经网络泛化能力强,改进的方法能够使得多个响应达到较理想的综合优化效果,且优于企业所用参数组合。

类加权主成分分析在企业物流绩效评价中的应用

以企业物流绩效为研究对象,建立了一种较全面的二层次指标体系,综合考虑了财务、客户、市场、业务以及学习等各方面的绩效指标,并将上层指标看作是下层指标的指标类。利用层次分析法确定全体指标和每个指标类的权重系数,并对指标进行主成分分析,求得主成分;对标准化指标进行加权处理,同时考虑指标类的权重,建立了类加权主成分评价模型。通过一个示例对企业物流绩效进行评价,并将评价结果分别与主成分分析和加权主成分分析进行了比较。该模型将层次分析法的主观分析与主成分分析法的客观分析相结合,不仅考虑了全体指标的重要程度,而且考虑了物流绩效指标类的重要度差异,更加符合客观实际。

加权主成分分析法在可变限速系统综合评价中的应用

以可变限速系统(VSL)项目为研究对象,运用加权主成分分析法设计了VSL项目社会经济影响综合评价模型,并通过基于交通仿真软件模拟设计的评价方案给出了评价案例.评价结果表明,利用加权主成分分析法评价VSL项目可以将主成分分析法的客观分析和层次分析法的主观分析有机地相结合,有效地评判出不同交通流量下的最佳限速控制值,其评价结果更加全面、更加符合客观实际情况.

基于加权主成分聚类分析探究地方经济发展潜力

应用加权主成分聚类分析法探究江苏省13个地级市2014年第三产业发展潜力。先对样本点数据进行主成分分析,以消除指标过多造成的共线性问题;再通过对主成分进行加权;最后进行聚类分析,实现样本点的分类与分析。与传统的聚类分析相比,此方法既不会改变分类结果,又减少聚类过程中的计算量。

加权主成分距离聚类分析法及其应用

文章改进的主成分聚类分析方法——加权主成分距离聚类分析法,对中国各省份经济发展质量进行分类,从可解释性与统计检验两个层面检验该方法在实践应用中的分类效果。研究结论表明,与已有聚类分析方法相比,加权主成分距离聚类分析法的分类结果可解释性最强,F检验值最高,分类效果明显优于其他聚类分析方法。

基于加权主成分分析和改进密度峰值聚类的协同训练算法

【目的】针对协同训练算法在视图分割时未考虑噪声影响和两视图分类器对无标记样本标注不一致问题,提出了基于加权主成分分析和改进密度峰值聚类的协同训练算法。【方法】首先引入加权主成分分析对数据进行预处理,通过寻求初始有标记样本中特征和类标记之间的依赖关系求得各特征加权系数,再对加权变换后的数据进行降维并提取高贡献度特征进行视图分割,这一策略能较好地过滤视图分割时引入的噪声,同时保证数据中的关键特征能均衡划分到两个视图,从而更好地实现两个分类器的协同作用;同时,在密度峰值聚类上提出一种"双拐点"法来自动选择聚类中心,利用改进后的密度峰值聚类来确定标记不一致样本的最终类别,以降低样本被误分类的概率。【结果】与对比算法相比,所提算法在分类准确率和算法稳定性上有较大提升。【结论】通过加权主成分分析能有效地过滤掉视图分割中的噪声特征,同时改进后的密度峰值聚类减少了样本被误标记的概率。

加权主成分距离聚类分析方法的有效性

依照经典聚类分析方法,并对现有的改进聚类分析方法优点与不足进行剖析,提出了一种自适应赋权的加权主成分距离聚类分析方法.与现有聚类分析方法相比,新的聚类分析方法克服了指标之间的高度共线性,并能依照指标重要性客观的差异进行自适应赋权,同时降低了错分率,且每一步都有充分的理论保证.通过采用不同聚类分析方法,分别对鸢尾花的品种数据进行实验,由实验结果可知,加权主成分距离聚类分析方法的分类效果优于其他方法,使分类的精度明显高于其它的分类方法.

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.

主成分分析法在掌纹图像识别中的应用

掌纹识别技术是生物特征识别领域的又一新兴技术,在网络安全、身份鉴别等方面有广阔的应用前景。将主成分分析法应用于掌纹图像的特征提取,阐释了传统主成分分析与加权主成分分析在处理掌纹图像时的差异,并在不同数据库上对两种方法进行了实验,结果表明传统主成分分析比加权主成分分析有更高的识别率以及加权主成分分析能够削弱光照对识别结果的影响。

基于t类加权核函数的主成分分析维度约简算法

目前众多数据具有高维度特点,含有大量与类别标签无关的特征。直接应用机器学习方法对其进行分类,不仅会消耗大量的时间,而且难以获得较好的分类性能。针对该问题,文章提出一种基于加权核主成分分析(WKPCA)的维度约简算法,依据核矩阵特征值构造核函数权重,将多个核函数进行组合加权,进而达到特征降维的目的;为了提高WKPCA的维度约简效率,构造了t类核函数并且给出了相应的理论证明;以支持向量机、随机森林和朴素贝叶斯为分类器,对6个真实的数据集进行试验分析,结果表明与全变量模型、线性主成分降维以及单个核函数降维相比,WKPCA维度约简算法可以有效提高目前主流机器学习方法的分类预测性能。

加权空-谱主成分分析的高光谱图像分类

为了提高高光谱图像的分类精度,有效利用高光谱图像的空间信息和光谱信息对高光谱图像进行预处理,提出了一种新的空-谱联合降维方法--加权空-谱主成分分析(weighted spatial spectral principle component analysis,WSSPCA)算法。该算法结合高光谱图像的物理特性对高光谱图像进行重构,平滑了高光谱图像中存在的奇异点干扰;然后,采用主成分分析(principle component analysis,PCA)方法对重构后的图像进行降维,降低了波段间的冗余性,有利于后续分类。在2组常用的高光谱数据集PaviaU和Indian Pines上进行实验结果表明,训练样本随机选取每一类地物的5%和10%的情况下,由WSSPCA算法得到的Kappa系数最大值分别达到了0.955 9和0.896 1,较基准线分别提高了0.193 8和0.205 0,分类结果明显优于其他算法。