基于CLAHE-PCA的矿井低照度图像增强研究

地下矿山巷道环境往往面临光线不足,难以通过获取其暗通道图像判断岩体剥落等异常情况。针对矿井巷道暗通道图像对比度低的问题,提出了一种基于CLAHE-PCA的图像增强算法。首先使用CLAHE算法将获取的矿井巷道原始暗通道图像做对比度增强处理,然后使用自适应Gamma算法对亮度低的图像予以增加对比度矫正;将矫正后获得的灰度图转为RGB图像,通过PCA对其进行平滑处理,以便更多地还原暗通道图像的细节。以峰值信噪比、结构相似性、平均梯度和信息熵等作为评价指标,对试验结果进行验证。结果表明:该方法能够有效处理低对比度的矿井巷道图像,处理后的图像结构相似性达到93%,鲁棒性强,同时能够更多地还原图像的细节。

基于RS-PCA-SVM的建筑项目安全预测模型

为了减少建筑项目安全事故的发生,文章提出一种基于RS-PCA-SVM建筑项目安全组合预测模型,采用粗糙集理论(rough set,RS)对数据进行属性约简,剔除交叉和冗余信息,降低输入变量维数和计算复杂度,减少训练时间;利用主成分分析(principal component analysis,PCA)法进行降维处理,除去贡献率较低的主成分,将剩余主成分作为支持向量机(support vector machine,SVM)的输入变量,并选择自适应权重粒子群优化算法(particle swarm optimization,PSO)优化SVM的参数,避免参数选择的盲目性。结果表明:该模型的平均预测准确率为93.78%,相比传统方法预测精度高、计算速度快。

基于PCA-FSEM方法的风力发电机可靠性研究

针对西北某风电场相关运行数据,对风力发电机进行可靠性研究.考虑运行数据之间相关性和冗余度,采用主成分分析(PCA)法进行降维,选取部分关键可靠性指标且根据关键指标运行数据,结合模糊理论建立可靠性评价模型,并选取部分风力发电机运行数据进行模型验证.结果表明,PCA法提取主成分累积方差贡献率为87.585%,可综合表述风力发电机的可靠性信息.单一可靠性指标评价时,虽然B02单机可利用率高达98%,但总发电量最低,虽然A04单机可利用率最低,但发电量较高,说明单一可靠性指标评价时存在误差.A05、B03单机各项指标均高,实际运行状态良好,发电量高,说明综合可靠性更高,与研究结果一致.因此,基于PCA模糊理论建立的风力发电机可靠性模糊理论评价模型(FSEM)符合实际运行状态,对定量评估机组可靠性具有指导意义.

水体透射光谱结合主成分分析(PCA)改进化学需氧量(COD)含量估算研究

为了解决传统的化学需氧量(Chemical Oxygen Demand,COD)测量方法耗时较长,不利于快速、实时地获取水体中COD的信息等问题。通过采集100组COD水体光谱信息,分别使用3种不同的高光谱数据预处理方法对光谱数据进行预处理,并基于不同的预处理方法分别建立高斯过程回归模型(Gaussian Process Regression,GPR)和BP神经网络模型,分析不同预处理方法对模型精度的影响,建立了基于透射光谱测量结合主成分分析(Principal Component Analysis,PCA)改进水体COD含量估算模型。对各模型结合PCA数据降维方法进行模型的改进,通过比较模型的精度选择最优模型进行水体COD含量的检测。结果显示:相比于原始光谱数据建立的GPR模型和BP神经网络模型,数据预处理后的模型精度明显提升;且结合PCA对预处理后的数据进一步降维处理后,模型精度得到了进一步的提升。其中,基于标准正态变量变换特征结合PCA改进BP神经网络模型R 2高达0.9940,均方根误差RMSE为0.022540。证明了基于PCA数据降维方法对预处理后的光谱数据进行降维处理,有利于去除光谱中的冗余信息,提取特征信息,可以实现COD含量估算模型的优化,从而为传统COD测量方法存在的问题提出了一种新的解决思路。

基于PCA-EWM两级特征融合和NGO-GRU的梁桥损伤诊断

为了提高损伤识别中单一指标对损伤的灵敏度和抗噪能力,基于模态应变能理论,提出联合主成分分析(principal component analysis,PCA)和熵权融合(entropy weight method,EWM)的两级特征融合方法,并使用北方苍鹰优化算法(northern goshawk optimization,NGO)结合门控循环单元(gated recurrent unit,GRU)进行桥梁损伤程度预测。首先,基于传统的模态应变能理论,构造出对角模态应变能比,由此衍生出对角模态应变能比变化率,对角模态应变能比耗散率,标准化对角模态应变能比差指标。其次,使用主成分分析实现指标内特征提取,熵权法融合指标间的特征,从而构造出加权决策指标(weighted decision index,WDI)。将单个模态应变能衍生指标输入到NGO-GRU混合神经网络中,损伤程度为输出,从而建立指标值与损伤程度之间的关系,进而实现损伤量化。通过三跨连续梁桥数值模型对所提出的方法进行验证,结果表明:加权决策指标具有良好的损伤定位能力和抗噪性,混合神经网络具有较高的损伤预测精度,预测准确率为91.14%。

基于PCA方法的移动医疗高维数据降维处理

移动医疗领域产生大数据集,数据量庞大、数据维度复杂,数据挖掘过程存在诸多冗余数据等问题,本文在此基础上使用主成分分析PCA方法进行降维处理,筛选出有效数据维度,避免数据过度拟合,将高维数据降维成低维数据,对其隐含的结构具有很大帮助,经常用于数据压缩、数据探索以及数据可视化。对移动医疗大数据进行降维处理,不仅能减少数据计算量,也能避免数据过度拟合,有利于医疗数据价值分析,为移动医疗数据集领域的数据挖掘提供新的思路和方法。

基于PCA-SSA-XGBoost算法的拱坝应力预测模型研究

由于大坝应力受水位、温度等众多因素共同作用,各影响因子间的相互关联会引起多重共线性问题,容易导致以此为输入的预测模型出现伪回归现象。此外,现有基于机器学习算法的应力预测模型由于训练特征过多、过度训练易产生过拟合现象,其预测精度还有待提高。针对上述问题,提出了基于主成分分析法(PCA)和麻雀搜索算法(SSA)改进的极限梯度提升算法(PCA-SSA-XGBoost)构建拱坝应力预测模型。该模型首先采用主成分分析法对参数进行降维,降低影响因子的多重共线性影响;进而通过SSA算法优化XGBoost的超参数,以避免传统算法过拟合,进一步提高模型预测性能。将该模型应用于我国西南某混凝土拱坝工程,对应力及应力相关监测数据进行处理、分析和预测,并与多元线性回归模型(MVLR)、神经网络模型(RBFNN)、极限梯度提升回归预测模型(XGBR)的预测结果进行对比分析。结果表明,基于PCA-SSA-XGBoost算法的应力预测模型可克服输入变量的多重共线性和过拟合问题,在预测精度方面具有优越性。

变转速工况下基于角度重采样与PCA-XGBoost轴承故障诊断方法研究

针对变转速工况下,轴承振动信号容易发生信号特征混叠、频率偏移、信号截断和噪声污染问题,提出了一种结合角度重采样、主成分分析(PCA)和极端梯度提升树(XGBoost)的故障分类模型。首先,采用脉冲信号估计轴承转速的方法对轴承振动信号进行角度重采样并求取时频特征指标;其次,利用主成分分析(PCA)对时频特征参数进行降维核心提取,选取总贡献大于95%的主元作为XGBoost模型的输入样本;最后,利用网格搜索法对XGBoost进行主要参数调优,并划分训练集和测试集对该模型进行训练,验证其故障分类的准确性。结果表明该方法的故障诊断准确率为96.44%,相较于未降维后的数据运行时间缩短了27.24 s,且角度重采样后的诊断效果明显优于未角度重采样的诊断效果,故障识别率提高了7%以上,证明所提方法能够更加快速、准确的做出诊断。

基于PCA-SVM结合共聚焦拉曼光谱的特级初榨橄榄油掺伪压榨菜籽油定量分析

为了促进国内橄榄油市场的健康发展,对掺伪同样存在天然类胡萝卜素的低温压榨菜籽油的特级初榨橄榄油进行了定量鉴别研究。采用共聚焦拉曼光谱技术对不同掺伪浓度油样进行测试,基于密度泛函理论对油样的拉曼光谱峰的归属进行了理论分析,并对拉曼光谱数据进行主成分分析(PCA),然后利用支持向量机(SVM)构建PCA-SVM模型。另外,对PCA-SVM模型的检出限进行了研究。结果表明:特级初榨橄榄油与低温压榨菜籽油的拉曼光谱存在一定差异,最明显的光谱差异主要集中在谱峰1008、1161、1528 cm^(-1)和谱段2800~3000 cm^(-1)内,与密度泛函理论对不同油样拉曼光谱峰的分析一致;不考虑类胡萝卜素特征信号建立的PCA-SVM模型决定系数大于0.989,均方根误差小于2.990%,检出限为2%(低温压榨菜籽油体积分数);在特级初榨橄榄油掺伪定量分析中,考虑类胡萝卜素的特征信号有助于提高模型预测精度,但仅限于掺伪低价植物油中无类胡萝卜素存在的情况;PCA-SVM模型在不考虑类胡萝卜素特征信号的情况下依然具有良好的定量预测效果。综上,所建立的PCA-SVM模型可以用于掺伪2%以上低温压榨菜籽油的特级初榨橄榄油的定量鉴别。

基于PCA-BP神经网络的巷道通风摩擦阻力系数预测模型

根据实测巷道通风摩擦阻力系数数据的特点,建立了主成分分析PCA-BP神经网络预测模型。采用PCA法对影响巷道通风摩擦阻力系数的支护类型、断面形状、巷道宽、巷道高、支护部分周边长、巷道断面积和巷道长度7个因素进行降维。将降维后因素的贡献率进行排序筛选,得到3个主成分指标(F_(1)、F_(2)和F_(3)),作为BP神经网络输入层的神经元。利用实测数据对PCA-BP神经网络模型进行训练和测试,并将测试结果与支持向量机回归(SVM)模型和BP神经网络模型的测试结果进行对比,结果显示:全因素的BP神经网络预测模型和SVM预测模型的平均精度分别为92.9420%、93.0235%,而PCA-BP预测模型的平均精度达到了96.4325%。PCA-BP神经网络模型不但简化了网络结构,更提高了网络的泛化能力,使预测误差更小、精度更高,为更准确地获得巷道通风摩擦阻力系数提供了一种有效的方法。

结合PCA与IR-MAD的降雨型滑坡检测方法

季节强降雨是诱发滑坡失稳的重要因素之一,特别是在我国中山丘陵地区,滑坡发生场景相对复杂,探究复杂情景下的滑坡检测方法对灾情评估、灾后应急调查等工作具有重要研究意义。针对遥感特征相近地物干扰造成滑坡识别精度低的问题,本文提出了一种结合PCA与IR-MAD的滑坡检测方法,实现了新生滑坡准确提取。结果表明,与现有方法相比,本文方法有效抑制了由作物播种收获、洪水汛期等季相因素产生的裸地、滩涂等滑坡遥感特征相似地物对滑坡检测造成的干扰,其在滑坡检测精确率和滑坡识别模型稳定性方面均有一定提升。

基于PCA-XGBoost算法的哑铃状SIR差分滤波器设计

随着多业务无线通信技术的发展,具有共模抑制能力的差分带通滤波器越来越受到人们的关注,但是设计差分微带滤波器的传统方法过程复杂且耗时较长。针对这些问题,结合非线性赋权的极限梯度提升(eXtreme Gradient Boosting,XGBoost)算法,通过训练和学习滤波器结构参数和相应频率响应S参数的关系辅助进行滤波器的设计,设计了一款基于改进阶跃阻抗谐振器(Stepped Impedance Resonator,SIR)的哑铃状差分带通滤波器。该滤波器的中心频率为2.6 GHz,相对带宽为7.3%,通带内插入损耗优于0.95 dB,回波损耗优于20 dB,通带内共模抑制优于42 dB,并且具有较宽的阻带。实物测试结果与算法预测结果的一致性,验证了PCA-XGBoost算法(Principal Component Analysis,PCA)用于滤波器辅助设计的可行性。

基于PCA-APCS-MLR模型的滇池流域地下水质量影响因素定量识别

近年来,随着人类活动的加剧,滇池流域地下水质量不断恶化.本研究在评价流域地下水质量及主要影响指标的基础上,利用主成分分析法(PCA)归纳主要影响水质的驱动因子,并结合绝对主成分得分-多元线性回归受体模型(APCS-MLR模型)进一步量化了人为和天然因素对流域内地下水质量的影响程度.结果表明:①滇池流域约78%的地下水超过GB/T 14848-2017《地下水质量标准》Ⅲ类水标准,其中主要超标指标为铝(Al)、锰(Mn)和总铁(TFe).②通过主成分分析(PCA)提取了5类影响水质的主成分因子,分别为水岩相互作用因子(24.27%)、生活污水漏排因子(17.09%)、农业活动污染因子(12.24%)、地质环境背景因子(10.26%)和工业活动污染因子(9.14%),方差累积贡献率为73.00%.③利用APCS-MLR模型进一步量化了各类人为和天然因素对流域内地下水质量影响的贡献,5项因子对特征指标的平均贡献率分别为45.15%、70.76%、45.54%、54.1%和44.59%.研究显示,人类活动对地下水的过度开采及工农业活动是导致区域地下水质量下降的主要因素.

基于粗糙集理论与PCA-APSO-SVM的沥青路面使用性能预测

针对传统沥青路面使用性能预测精度较低的问题,建立了基于粗糙集理论(rough set,RS)与主成分分析法(principal compoent analysis,PCA)-自适应粒子群算法(adaptive particle swarm optimization,APSO)-支持向量机(support vector machine,SVM)的沥青路面使用性能预测模型。基于沥青路面的时序指标与影响因素指标,建立了11个初始预测指标(包括前3年的路面使用性能、当量轴次、路龄、养护性质、坑槽率、修补率、年降水量、平均气温、日照时数);通过RS属性约减筛选出9个核心指标;利用PCA提取4个主成分,得到了基于4个主成分的数据集;将APSO引入到SVM中,对数据集进行训练,并优化了SVM模型参数;建立了路面使用性能的PCA-APSO-SVM预测模型,并以G6京藏高速甘肃境内某段道路为例,对路面使用性能进行预测。研究结果表明:PCA-APSO-SVM模型预测精度较PCA-PSO-SVM、APSO-SVM、PSO-SVM有较大提高,预测结果与实际情况更加符合,能为路面养护决策提供相关参考。

基于改进主元分析DDPCA的滚动轴承过渡模态早期故障检测方法

目的 提出一种深度差分主元分析方法用于滚动轴承早期故障检测,解决滚动轴承在运行过程中长期处于变转速等多模态工况,故障特征难以提取和划分的问题。方法 结合差分算法和深度分解原理的分段PCA故障检测方法,使用差分方法对原始数据进行处理,通过K-means聚类方法将具有相似变量特征的过渡模态数据划分成为相同过渡子模态;结合深度分解理论对每个过渡子模态建立故障检测模型,并通过机械故障综合模拟实验台收集的数据验证模型准确性。结果 随着分解阶数的增加,对过渡模态早期故障检测效果逐渐提升,对滚动轴承过渡子模态的划分越来越清晰,误报的情况也随着分解阶数的增加而逐渐减少;滚动轴承持续减速状态下外圈故障一阶分解检测的漏检率为17.2%,二阶分解检测的漏检率为8.6%,三阶分解检测的漏检率为6.6%。结论 笔者所提方法对过渡子模态进行多层分解,可以准确提取过渡子模态中的故障特征并建立分段检测模型,提高了过渡模态的滚动轴承早期故障检测的准确性。

基于PCA+KNN和kernal-PCA+KNN算法的废旧纺织物鉴别

该研究采集了15类废旧纺织物的4 998张近红外谱图,以7∶3的比例分为训练集和验证集,并分别采用主成分分析(PCA)与核主成分分析(kernal-PCA)两种不同降维方法对数据进行降维,并选用余弦相似度(cosine)核作为kernal-PCA的最佳核函数,最后分别将PCA和kernal-PCA降维处理后的数据进行k-近邻算法(KNN)训练。结果表明,kernal-PCA+KNN的模型准确率(95.17%)优于PCA+KNN模型的准确率(92.34%)。研究表明,kernal-PCA+KNN算法可以实现15类废旧纺织物识别准确率的提升,为废旧纺织物在线近红外自动分拣提供有力的技术支撑。

基于PCA-LDA-SVM算法的茶小绿叶蝉识别

为提高茶小绿叶蝉病虫害的识别效率和精度,提出一种基于PCA-LDA-SVM的茶小绿叶蝉病虫害识别方法。首先,对采集的茶叶图像进行预处理,得到缩放后的图像;然后,利用主成分分析(PCA)对预处理后的图像提取全局特征,降低特征数据的维度,从而减少后续的计算时间;再利用线性判别分析(LDA)寻找特征数据的最优投影空间,使类内散布距离最小,类间散布距离最大,进一步提高识别的准确率和精确度;最后,利用支持向量机(SVM)分类器进行分类识别。试验结果表明,PCA-LDA-SVM模型识别准确率达96%,精确度达100%,召回率达92%,整体识别性能优于SVM,BP,KNN,PCA-SVM模型,具备一定的理论价值和参考意义。

基于PCA-GA-RF的矿井突水水源快速识别模型

矿井突水已成为影响矿山安全生产的主要危害之一,快速准确识别突水水源类型是矿井突水灾害治理的关键步骤。提出了1种基于PCA-GA-RF的矿井突水水源识别模型;基于安徽省颍上县谢桥煤矿的88组水样实测数据,遵循分层随机抽样的原则,按照7∶3的比例将其分为62组训练样本和26组预测样本,经PCA提取4个主成分,构建PCA-GA-RF模型,并与PCA-RF、PCA-ABC-RF和PCA-FA-RF模型对比。结果表明:PCA-GA-RF模型判别结果准确率为96.153 8%,与其他模型相比准确率、精确率、召回率和F1值(精确召回率)最高,具有优越性。

基于PCA和多分类SVM的网络游戏流量识别

传统机器学习从原始网络游戏流量准确提取特征面临巨大的困难。目前,已有研究者使用深度学习从原始流量中自动化提取特征,然后再进行流量分类。论文针对深度学习模型开销较大,计算复杂度较高等问题,提出了一种基于PCA和多分类SVM的网络游戏流量识别模型。首先将游戏流量预处理为28×28的灰度图,然后利用主成分分析PCA进行特征降维,最后基于多分类SVM算法进行游戏流量的分类和识别。经过三折交叉实验,结果表明在保持较好的分类效果基础上能够实现较低的计算复杂度。

基于相空间重构与PCA的潜水泵故障诊断

针对潜水泵信号存在较大干扰影响诊断效果问题,提出相空间重构与主成分分析(PCA)相结合的方法,将潜水泵一维时序信号通过C-C算法计算得到嵌入维数和延迟时间进行相空间重构,并对重构数据进行PCA,将满足贡献累加值的主成分提取出来并还原为一维空间,通过频谱分析得到数据频谱图。通过具体实验,将所提方法处理后的正常状态与故障状态频谱图进行对比,对潜水泵故障进行分析与诊断。实验结果表明,该方法得到的频谱图能够凸显信号故障频率,在一定程度提高了故障诊断准确率。