基于主成分分析和VU分解法的两步随机相移算法

为了平衡相位计算的精度和速度,大量的两步随机相移算法发展起来。提出了一种基于主成分分析和VU分解法的快速、高精度两步随机相移算法。首先,采用两步主成分分析法对经过滤波的两幅相移干涉图进行计算求出迭代初始相位;然后,利用没有滤波的两幅相移干涉图进行VU分解、迭代求出最终相位。通过模拟和实验结果对比表明:与四种性能良好的两步随机相移算法相比,对于不同的条纹类型、噪声、相移值及条纹数量,提出的算法综合性能最好,其精度最高,有效相移范围和有效条纹数量范围最大,当干涉图像素数为401 pixel×401 pixel时,提出的算法仅比格兰-施密特正交化法和两步主成分分析法多花费0.035 s。在理想情况下,提出的算法可以得到完全正确的结果。如果需要得到较高精度,最好能够提前抑制噪声,同时设置相移值远离0和π,条纹数量大于2。主成分分析和VU分解法无需滤波,花费近似非迭代算法的时间获得迭代算法的精度,其打破了迭代算法花费时间较多的限制,适合高精度光学在线检测,有广泛的发展前景。

基于主成分分析和深度森林算法的S700K转辙机故障诊断

针对目前转辙机故障诊断准确性不高、效率低等问题,提出了一种基于主成分分析(PCA)和深度森林(gcForest)算法的故障诊断方法。对于S700K转辙机11种故障模式下的电流、功率曲线,采用主成分分析进行电流特征值特征简约,然后使用嵌入简约特征值的改进深度森林模型提高数据处理能力,增强模型内在特征代表性。结果表明,改进深度森林模型故障诊断准确率为97.62%,验证了该方法的有效性和优越性。

基于主成分分析的果蝇算法优化支持向量机回归的红枣产量预测

随着大数据技术和人工智能的快速发展,针对当前红枣产量预测模型精度低、模型优化时间过长等问题,以山西省1993—2020年的红枣产量及17个维度的因素作为基础数据,提出一种基于主成分分析的果蝇算法优化支持向量机回归(principal component analysis-fruit fly optimization algorithm-support vector regression,PCA-FOA-SVR)的红枣产量预测模型。首先利用主成分分析(principal component analysis,PCA)对数据进行降维处理,以5维的指标作为输入变量,产量作为输出变量;其次以支持向量机回归(support vector regression,SVR)为基础模型,利用果蝇优化算法(fruit fly optimization algorithm,FOA)对SVR参数惩罚因子c和核函数参数g进行寻优,构建PCA-FOA-SVR模型。对试验结果进行验证。发现PCA-FOA-SVR的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、决定系数R 2分别为3.11、3.01、0.96,SVR的各指标分别为5.33、4.07、0.9,分别提高了41.7%、26%、6.7%,最后通过GM(1,1)对各维度的数据进行预测,利用PCA-FOA-SVR模型对未来10年山西省红枣产量进行预测,结果显示在2025年红枣产量会达到一个峰值,对后续相关研究提供了一定的科学依据。

基于主成分分析的DBSCAN分类差分进化算法改进

差分进化算法(DE)是一类基于种群搜索最优解的全局优化算法,具有收敛速度快、算法简单易懂、参数数量少和稳定性高等特点。但DE算法的性能在很大程度上取决于参数值的设置、个体突变的方向和距离。考虑到不同的种群密度对参数的需求不同,采用主成分分析技术将30或50维的数据降到2维;再采用DBSCAN算法,依据邻域半径和最小邻域数将2维数据分类为簇,通过簇的数量判断种群整体密度和个体之间的差异度,并在不同取值范围内生成合适的变异因子和交叉因子,以此来满足不同种群的进化需求。通过基准函数测试集和多个检验方法验证,证明了所提方法的寻优能力和鲁棒性均优于另外5种先进算法。

基于核主成分分析和食肉植物算法优化随机森林的风电功率短期预测

为提高风电功率短期预测的精度,提出一种基于核主成分分析和食肉植物算法(carnivorous plant algorithm,CPA)优化随机森林(random forest,RF)的风电功率短期预测方法。首先,利用核主成分分析从13个气象因素中提取出8个与风电功率相关的气象因素,将这8个气象因素输入到预测模型中。然后,利用CPA优化RF构建CPA-RF预测模型解决RF预测模型预测精度不够高的问题。最后,选取实际风电功率数据进行测试,测试结果表明,利用核主成分分析选取8个气象因素作为输入的效果要优于直接输入13个气象因素的效果,CPA-RF预测模型的预测精度高于长短期记忆网络(long short-term memory,LSTM)预测模型、双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)预测模型和RF预测模型。该方法可为提升风电功率短期预测精度提供参考。

农民工身份认同与城市居留意愿——基于主成分分析和随机森林算法的经验证据

农民工市民化是支撑新型城镇化与城乡融合发展进而推动共同富裕的关键,而城市居留意愿则是左右市民化进程的核心。厘清农民工城市居留意愿的影响因素,找到其中的核心因素,对科学制定我国人口和城镇化政策具有重要意义。基于2017年全国流动人口动态监测数据,以主成分分析法构建涵盖四维度的身份认同指数,然后使用随机森林算法在主体、客体、主客体交互的统一分析框架下评估农民工居留意愿的影响因素,并进行分区域的异质性分析。基准分析发现:农民工主体与流入地客体交互后产生的身份认同感是影响农民工居留意愿的核心因素,解释力达36.7%;民族和婚姻等主体特征是影响农民工居留意愿的重要因素,解释力分别为24.2%和20.3%;客体特征即流入地城市特征也对农民工居留意愿产生一定影响,解释力为18.8%。异质性分析发现:不同区域农民工居留意愿影响因素的差异主要体现在客体特征即流入地城市特征上,其中东部和中部较为相似,西部和东北较为相似。基于研究结论,在关注农民工主体特征,优化流入地客体特征,进而改善主客体交互体验以提升身份认同感方面提出政策建议。

结合拉曼光谱主成分分析-线性判别进行蛇纹石玉产地溯源的探索

蛇纹石是中国最早使用的玉石之一,开展蛇纹石玉的产地溯源探索,对认识中国古代玉文化发展历程,重建古代玉石贸易路线均有重要的意义。但由于蛇纹石玉产地众多,目前尚没有成熟的蛇纹石玉产地溯源的判别技术。以产自陕西汉中、甘肃敦煌、河南栾川、辽宁岫岩、山东泰安、甘肃武山6地的蛇纹石玉为研究对象,在66块样品上共采集到200个高质量拉曼光谱数据,并在对测试结果进行主成分分析(PCA)的基础上建立了线性判别分析(LDA)的产地判别模型。结果显示,不同产地蛇纹石玉的矿物组成有所差异,汉中蛇纹石玉的主要矿物成分有纤蛇纹石和利蛇纹石两种;敦煌蛇纹石玉则为纤蛇纹石和利蛇纹石的均匀混合型;泰安蛇纹石玉的主要矿物成分有利蛇纹石(墨玉)和叶蛇纹石(碧玉和翠斑玉)两种;河南栾川、辽宁岫岩、甘肃武山蛇纹石玉的主要矿物成分均为叶蛇纹石。在严格控制实验条件的前提下,将拉曼光谱数据结合PCA+LDA分析可以对不同产地的蛇纹石玉进行区分,所建立的LDA判别模型的训练集数据和测试集数据的产地判别正确率分别达到了96.25%和92.50%。这显示出利用无损检测拉曼光谱技术进行蛇纹石玉产地溯源具有潜在价值。将拉曼光谱无损检测数据结合统计学或机器学习方法来构建判别模型可能是解决蛇纹石玉产地溯源瓶颈新的技术路径。

矩阵数据基于鲁棒主成分分析的距离加权判别分析

距离加权判别(DWD)是一种已被广泛应用的矩阵数据分类模型,当数据中存在严重的噪声污染时,该模型的性能会明显下降。鲁棒主成分分析(RPCA)因具备分离数据矩阵低秩结构和稀疏部分的特性已成为解决该问题的有效手段之一。因此,提出一种矩阵数据鲁棒距离加权判别(RDWD-2D)模型。特别地,该模型以有监督的方式对数据矩阵进行鲁棒主成分分析,并同步实现干净数据的恢复与分类。在MNIST和COIL20数据集上的实验结果表明,针对有噪声污染或数据缺失的矩阵数据,与DWD-2D、RPCA+DWD等模型相比,RDWD-2D模型有最好的数据恢复能力和最高的分类准确率;同时RDWD-2D模型对于数据污染度也有较好的鲁棒性。

基于核主成分分析的高温动态应变计疲劳寿命预测

高温动态应变计作为航空发动机部件应力、应变检测的重要工具,一旦发生疲劳破坏会直接影响其测试结果的可靠性。针对目前应变计测试耗时长、使用寿命离散程度高等问题,对高温动态应变计敏感栅结构参数进行基于多类型核函数的核主成分分析(KPCA)。采用最佳的核函数对应变计疲劳寿命影响因素进行降维,得出栅丝直径、弯数、涂层厚度为主要影响因素;为解决降维后应变计疲劳寿命预测精度差、收敛速度慢等问题,运用遗传算法(GA)优化反向传递(BP)神经网络,即通过遗传算法对神经网络中权值和阈值进行参数寻优,应用于高温动态应变计疲劳寿命的预测,并与几种传统的预测方法进行了比较。结果表明:GA优化后的BP神经网络预测的绝对误差(MAE)、均方误差(MSE)、平均绝对百分比误差(MAPE)均有所减小,对于高温应变计疲劳寿命的预测效果更可靠。

基于稀疏主成分分析特征选择算法的山楂叶产地判别模型研究

为实现山楂叶产地的快速判别,提出一种基于稀疏主成分分析特征选择(SPCAFS)与支持向量机(SVM)建模的定性分析方法。采用近红外积分球漫反射光谱法采集6个产地共41批山楂叶123份样品的近红外光谱图,经数据预处理后,通过SPCAFS对代表性特征波段进行选择,并采用SVM建立山楂叶近红外产地判别模型。模型与连续投影(SPA),正则化自表示(RSR)和稀疏子空间聚类(SSC)3种特征选择算法进行对比,以准确率、精确度和灵敏度作为评价标准,评估所提模型的预测性能。结果显示,SPCAFS的特征波段数相比于全波长建模从1500减少到21,预测结果的准确率和精确度分别从78%、76%提升至97%、100%。同时,相比于SPA、RSR、SSC算法,准确率分别提升了6%、3%、3%,精确度分别提升了13%、10%、5%,模型的预测能力得到显著提升,基于SPCAFS的SVM判别模型可实现山楂叶南北产地的快速判别。

基于主成分分析法的两步子抽样算法及应用研究

针对大数据中高维变量多重共线性问题,结合Logistic模型提出两种基于主成分分析法的两步子抽样算法,分别为基于A-最优准则的最小均方误差(minimum Mean Square Error,mMSE)抽样和基于L-最优准则的最小方差协方差(minimum Variance covariance,mVc)抽样。实证结果表明,相较于随机抽样,mMSE抽样和mVc抽样能大幅降低模型参数估计的均方误差,提升模型的查准率、召回率、F1分数、特异度等分类评价指标。

基于主成分分析和Melkman算法的选星策略

导航定位中的选星算法是一种关键技术,用于从卫星中选择合适数量和最佳几何分布的卫星以实现最佳定位精度。针对基于二维凸包算法的选星策略在三维卫星数据降维处理中忽略垂直方向高度位置信息的问题,提出了一种基于主成分分析(PCA)和二维凸包Melkman算法的选星策略。首先,通过PCA技术将三维卫星数据投影到新的二维坐标系,新的二维数据同时保留水平平面位置信息和垂直方向高度位置信息,旨在降低维度的同时最小化信息损失。在新坐标系下,数据经过预处理后,采用二维凸包Melkman算法进行选星。实验结果显示:相较于直接投影到站心坐标系下的二维凸包选星算法,提出的选星算法不仅更准确地描述卫星的位置信息,使问题研究更加完备,还在保持相近仿真耗时的前提下,实现了较大的几何精度因子(GDOP)性能提升。

不相交主成分分析(PCA)和遗传算法(GA)用于差异表达基因的识别

建立了一种基于不相交主成分分析(Disjoint PCA)和遗传算法(GA)的特征变量选择方法,并用于从基因表达谱(Gene expression profiles)数据中识别差异表达的基因.在该方法中,用不相交主成分分析评估基因组在区分两类不同样品时的区分能力;用GA寻找区分能力最强的基因组;所识别基因的偶然相关性用统计方法评估.由于该方法考虑了基因间的协同作用更接近于基因的生物过程,从而使所识别的基因具有更好的差异表达能力.将该方法应用于肝细胞癌(HCC)样品的基因芯片数据分析,结果表明,所识别的基因具有较强的区分能力,优于常用的基因芯片显著性分析(Significance analysis of microarrays,SAM)方法.

基于主成分自组织神经网络法的测井曲线分层技术

在砂岩型铀矿找矿工作中,提高测井岩性分层效率和精度至关重要。为提高砂岩型铀矿岩性分层效果,本文采用主成分分析法对多个测井曲线进行降维处理,将主成分分析法的第一主成分、第二主成分、第三主成分作为自组织神经网络的样本数据,进行自组织神经网络训练,将训练好的网络模型用于砂岩型铀矿岩性的自动化分层。实验结果显示:主成分自组织神经网络法岩性分层精度可达到85%以上,高于传统自组织神经网络算法78%的分层精度,具有更好的测井岩性分层效果。因此,主成分自组织神经网算法的岩性分层方法有效减少了输入样本的种类,简化了自组织神经网络结构,其自动化分层效果要优于传统的自组织神经网络算法。本文的研究结果表明,主成分自组织神经网算法在砂岩型铀矿领域岩性识别工作中具有较好的应用效果。

基于核主成分分析的GSA-SVM木材单板缺陷识别研究

为支持向量机能够准确识别木材单板表面缺陷,以提高木材单板质量,提出高效准确的单板缺陷核主成分分析(KPCA)的引力搜索算法(GSA)-支持向量机(SVM)识别模型。考虑到图像特征数据间的冗余影响,采用KPCA方法对原始特征数据降维,并通过GSA优化SVM的惩罚因子C和核参数g,建立KPCA-GSA-SVM木材单板缺陷识别模型。基于颜色、纹理、形状3方面的特征以活节、死节、裂纹为研究对象的样本原始数据集,选取8个主要特征(1个颜色特征、1个纹理特征和6个形状特征)作为木材单板识别依据,对木材单板识别模型进行学习训练及预测分析,并与传统粒子群参数优化算法(PSO)构成的KPCA-PSO-SVM识别模型进行识别效果对比。结果表明,基于KPCA-GSA-SVM木材单板识别模型对于活节、死节、裂纹的识别率达到100%、96.78%、100%,较KPCA-PSO-SVM识别模型分别高出21.62%、0.63%、7.41%,且整体耗费时间缩短7.26 s,由此看出预测识别率、识别速度、稳定性高于前者。研究结论从新的角度对单板缺陷进行识别,有助于木材单板缺陷的识别发展。

基于主成分分析和深度神经网络的声学层析成像温度分布重建

为快速准确地获取火电厂锅炉炉膛温度场在线监测信息,提出了一种基于深度神经网络(deep neural network,DNN)的声学层析成像(acoustic tomography,AT)温度场重建算法。对测量值进行归一化处理后,结合主成分分析(principal component analysis,PCA)降维,构建全连接网络区别峰型,分别搭建DNN与BP神经网络对归一化慢度值及其最值进行预测,最后重建温度场分布。采用该方法对4种典型的温度场模型进行了仿真,结果表明:DNN算法的重建质量优于Tikhonov正则化算法与共轭梯度算法,重建图像的平均相对误差和均方根误差分别小于0.36%和0.85%。

基于HPLC的秦艽药材特征指纹图谱构建及主成分分析

【目的】HPLC测定23批秦艽样品中3种环烯醚萜苷含量,并结合中药指纹图谱进行相似度评价,同时探究主成分分析。【方法】以收集7个不同产区和4个不同基原的秦艽药材,采用HPLC测定样品中马钱苷酸、獐牙菜苦苷和龙胆苦苷的含量。色谱条件为C18色谱柱(4.6 mm×250 mm,5μm),流动相为乙腈-0.2%醋酸(9∶91),检测波长254 nm,流速1.0 mL/min,柱温25℃,进样量为10μL。另外,结合中药指纹图谱软件进行相似度评价;同时利用10个共有色谱峰的峰面积组成的数据矩阵进行主成分分析。【结果】23批不同产地及不同基原的秦艽、粗茎秦艽、麻花秦艽和小秦艽,马钱苷酸、獐牙菜苦苷和龙胆苦苷含量分别在0.112%~2.390%,0.079%~2.038%,0.426%~17.314%。马钱苷酸、獐牙菜苦苷和龙胆苦苷三者总含量在0.7146%~19.969%。该试验精密度、稳定性和重复性试验的RSD均≤3.0%,马钱苷酸、獐牙菜苦苷和龙胆苦苷加标平均回收率分别为:97.56%,100.06%,102.12%(RSD<1.0%,n=6)。另外,所有秦艽样品与共有模式下的对照指纹图谱其相似度在0.990~0.999,各批样品相似度较好。最后,根据共有色谱峰的峰面积组成的数据矩阵进行主成分分析,其结果表明,秦艽的2个主成分(PC1和PC2)分别表征了原始变量49.5%和22.2%的变异信息。【结论】所构建的HPLC检测方法,可用于秦艽药材的含量测定;同时因产地或基原不同,样品中马钱苷酸、獐牙菜苦苷和龙胆苦苷三种成分含量存在一定差异,但三者的谱峰的分离度和响应值较高且为共有峰,因此可确定为秦艽药材指纹特征图谱和主成分分析。

改进主成分分析(PCA)鲁棒性的算法比较

与传统的PCA算法相比较,基于分布特征算法的主成分分析,由于量测的不精确使特性或参数的实际值会偏离它标称值,另一个是受环境因素影响而引起特性或参数的缓慢漂移,这样得到的分析结果在很大程度上受到异常值的干扰.本文通过对比几种算法,提出改善主成分分析(PCA)算法鲁棒性的一种实现途径,去除或者减少异常点影响,以提高PCA的精度.

量子主成分分析算法

主成分分析(Principal Component Analysis,PCA)是模式识别领域,尤其是人脸识别中一种应用广泛的重要算法.然而,在此算法及其后续的改造算法中始终存在两个主要问题:(1)降维处理后的特征空间依然较大;(2)用于比较两幅人脸特征相似性的测度方法计算量较大,从而导致算法在识别阶段的时间效率较差.该文基于量子信息的相关理论与方法,并受算术编码基本思想的启发,提出了量子PCA算法.设计了一种人脸特征编码方案,进一步压缩了降维处理后的特征空间;将两幅人脸特征的相似性测度方法改为在某一阈值条件下的等值判定;应用Grover算法修改识别阶段的处理流程,使得算法的时间效率有了显著提高.

仿生算法与主成分分析相融合的人脸识别方法

基于人脸特征提取问题可以转化为组合优化问题这一思路,提出了仿生算法与主成分分析相融合的人脸识别算法.该方法先通过主成分分析方法得到人脸特征子空间;然后在已有特征的基础上,分别通过遗传算法与离散粒子群算法进一步提取出可使识别正确率达到最高的人脸图像特征.在ORL人脸库上的实验结果表明:与传统的主成分分析相比,该方法不仅能进一步降低特征子空间的维数,从而提高识别速度,而且能获得更高的识别率.