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。

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。

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%。

基于主成分分析法优化神经网络的滆湖组黏性土抗剪强度预测

为了研究苏锡常地区滆湖组黏性土抗剪强度特性,建立抗剪强度参数预测模型;以研究区711组滆湖组黏性土物理力学试验数据为载体,运用主成分分析(principal component analysis,PCA)方法,从样本11个指标中提取影响目标变量的主成分;将其作为反向传播神经网络(back propagation neural network,BPNN)模型的输入层,建立基于PCA-BPNN算法的滆湖组黏性土抗剪强度预测模型。结果表明:当主成分数量为3时,主成分累计贡献率达93.4%;第一、二主成分贡献率分别为52.1%和36.6%;PCA算法即保留了样本大部分信息,又实现了对多维变量的降维。第一主成分可归纳为土体孔隙特性,与黏聚力和内摩擦角均呈负相关关系;第二主成分可归纳为土体水稳性,与黏聚力和内摩擦角均呈正相关关系;土体孔隙特性越显著,水稳性越弱,抗剪强度越低。建立了滆湖组黏性土抗剪强度参数PCA-BPNN预测模型,模型抗剪强度拟合优度为0.85,内摩擦角拟合优度为0.72;模型可靠性总体较高。可见PCA-BPNN预测模型即可降低解释变量间的多重共线性,简化了模型,又能够提升模型的泛化能力;为运用数学方法研究土体工程地质参数提供了参考。

应用地震属性主成分分析识别古河道

利用曲率、相干等属性刻画河道的效果不明显,对这些属性的主成分分析效果较差。地震纹理、相干能量、谱峰值和分频振幅等属性虽然能较好地识别部分古河道,但是存在古河道刻画不全、识别范围有限等问题。为此,提出了应用地震属性主成分分析(PCA)识别古河道的方法,精细刻画了不同尺度古河道,预测效果优于单一属性,较好地提高了古河道识别精度。获得以下认识:(1)地震纹理、相干能量和谱峰值三种地震属性能够较好地刻画古河道,但是对古河道的识别结果不全面;利用PCA融合了三种地震属性识别河道的有效信息,可突出古河道的展布特征及边界形态。(2)基于分频瞬时振幅剖面对河道变化细节的识别差异,利用PCA融合不同频段瞬时振幅属性,以增强共性细节信息,提高了古河道识别精度。应用所提方法识别川西地区沙溪庙组河道,准确地反映了古河道的具体位置及轮廓。

基于核方法和主成分分析(PCA)的探地雷达目标特征提取新方法

常用探地雷达目标特征提取方法LDA(又称为FDA)直接在低维的探地雷达数据空间提取探地雷达目标特征, 提取的探地雷达目标特征的区分度小;常用的正则化技术存在正则化参数选取困难的问题。本文提出先通过基于核方法的 非线性变换把低维的探地雷达样本数据投影到高维空间,然后在高维空间中用PCA对奇异的核矩阵降维重建,最后对重 建后的非奇异核矩阵用LDA提取探地雷达目标特征。对实测数据的对比处理分析表明,本文所提探地雷达目标特征提取 方法优于其它方法。

基于PCA主成分分析的人脸检测实现与分析

介绍了基于PCA主成分分析的人脸检测原理,提出使用直方图均衡和切割图像的方法弱化非人脸特征信息干扰,提升主成分分析效果.并通过对35幅原始灰度人脸样本进行训练,使用Matlab实现全部分析步骤,并成功通过信噪比阈值判定完成了对样本空间外的人脸图像与非人脸图像的区分.

水质因子对冷萃咖啡主要成分及风味的影响

为探究水质因子对冷萃咖啡主要成分及感官风味的影响,本研究选择6种不同的市售水通过冷萃的方式制备咖啡萃取液,采用高效液相色谱(HPLC)技术和顶空固相微萃取-气质联用(HS-SPME-GC-MS)技术鉴定6组冷萃咖啡液,比较分析6组冷萃咖啡理化指标、非挥发性成分、挥发性成分、感官评价的差异,并进行相关性和主成分分析(PCA)。结果显示,不同类型的水样主要离子含量差异较大,水中离子对冷萃咖啡的萃取浓度、萃取率、pH、可滴定酸、咖啡因、葫芦巴碱和呋喃类挥发性化合物整体有较大影响,对总酚、绿原酸、咖啡酸、抗氧化活性影响较小。水中的Ca^(2+)、Mg^(2+)、HCO_(3)^(−)与冷萃咖啡的萃取浓度、萃取率、咖啡因、葫芦巴碱呈显著正相关(P<0.05),与可滴定酸值呈显著负相关(P<0.05)。糠醇、5-甲基糠醛、1-糠基吡咯、糠基甲基硫醚、2-异丁基-3-甲氧基吡嗪、乙酸糠醇酯这些挥发性化合物与水中总离子含量有较大关联。PCA图分析显示,水中较低的离子含量能促进咖啡花果风味的体现,随着水中Ca^(2+)、Mg^(2+)、HCO_(3)^(−)的增加,咖啡的花果味、酸味、甜味会有不同程度的减弱。较高的离子含量(尤其是Na^(+)、K^(+))能促进咖啡焦糖味、苦涩味的体现,Na^(+)、K^(+)对糠醇含量影响较大,Ca^(2+)、Mg^(2+)、HCO_(3)^(−)对1-糠基吡咯、5-甲基糠醛、糠基甲基硫醚含量影响较大,而用中等的离子含量的水冲泡的冷萃咖啡有较好的坚果味、烘焙味、甜味、风味和总体感官评价。研究结果可为深入认识水质因子对咖啡理化特性与主要成分的影响提供一定理论依据。

主成分分析(PCA)和聚类分析(CA)方法在SWB数据分析中的应用

在主观幸福感(SWB)的研究中,相关分析,回归或多元回归分析经常被用于数据的统计分析.考虑到SWB数据中通常包含着许多的变量,过于简单的分析处理方法将导致数据中信息的流失.本文将主成分分析(PCA)和聚类分析(CA)方法应用到SWB数据分析上,力求对SWB的原始数据有更加详细的了解和认识,并为今后类似问题的数据分析提供一个新的途经.

4种不同品种玫瑰精油的检测及成分分析

试验以大马士革玫瑰、紫枝玫瑰、丰花玫瑰、苦水玫瑰为研究对象,利用水蒸气蒸馏法从4种玫瑰中提取精油,采用气相色谱-质谱法(GC-MS)对不同品种玫瑰精油挥发性物质进行定性定量分析,并通过主成分分析(PCA)和聚类分析(CA)对玫瑰精油进行判定、区分和聚集。结果表明,GC-MS检测得到玫瑰精油含有65种挥发性物质,对其进行主成分分析,可以简化为3个主成分,前两个主成分的累计方差贡献率为81.952%,可反映玫瑰的大部分信息,通过主成分分析将4种玫瑰精油分为两大类:大马士革玫瑰精油和紫枝玫瑰精油为一类,丰花玫瑰精油和苦水玫瑰精油为一类。不同玫瑰品种挥发性物质组成多样,该研究以期为今后的精油提取和分析提供一定的理论基础。

基于动态加权差分主成分分析的故障检测

针对工业过程中存在的动态特性和多模态特性问题,提出一种动态加权差分主成分分析法(dynamic weighted differential principal component analysis,DWDPCA)。首先通过设置合理的时间窗描述系统的时序特性;其次对时间窗内的样本寻找第一近邻和第一近邻的近邻集,使用加权差分法对数据进行处理,解决数据中心漂移问题;最后利用处理好的数据建立主成分分析(principal component analysis,PCA)模型进行故障检测。该方法可解决数据动态、中心漂移问题。使用该方法对数值例子和TE(tennessee eastman)过程进行故障检测验证所提出方法的有效性。

基于主成分分析法的高校网络安全态势感知要素提取方法研究

要素提取是高等院校网络安全态势感知系统的核心功能之一,但相关数据来自各种硬件设备和软件工具,过多的属性导致提取算法的计算量较大,对其性能产生了一定的制约性。研究过程利用主成分分析(Principal Components Analysis,PCA)法降低网络安全数据的维度,从而减少分类属性。经检验,该方法能在保证分类准确性的前提下降低计算耗时和误警率,同时提高召回率。

星云湖污染源的主成分分析（PCA）研究

测定了星云湖底泥沉积物中的重金属、TP、TN和有机质含量。主成分分析结果表明，前4个主成分的贡献率分别为31．831％、19．588％、16．481％、11．058％，第一主成分以TP、Pb的载荷最高，其次为Pb、Cd、Cr、As及TP；第二主成分以有机质、Fe、Cu等元素载荷为主；第三和第四主成分以TN的载荷最高。表明星云湖的污染主要来源于工业污染、农业污染、有机质降解过程。

企业物流绩效评价的主成分分析(PCA)方法

以企业物流绩效为研究对象,建立了物流绩效评价的指标体系,利用主成分分析方法对物流绩效进行综合评价,实例分析表明该方法能有效地评价企业物流绩效,符合客观实际,评价结果全面、合理。

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.

主成分分析方法(PCA)在车辆牌照识别中的应用

将主成分分析方法(PCA)应用于车牌识别。首先根据采集到样本分类构造各类样本对应特征子空间,然后对待识别字符图片进行预处理,再分别向各类特征空间投影,根据重构误差判断类别识别字符。