基于主成分与BP神经网络的物流企业即兴能力评价

即兴能力是企业在不确定性环境中获取优势的重要竞争力。客观评价物流企业的即兴能力对于提高其决策水平,使其在模式创新中“拔得头筹”具有重要意义。文章基于专家访谈与即兴能力相关研究,从自发性、创造性、资源利用和压力承受四个方面构建了物流企业即兴能力评价指标体系,进而运用主成分分析及BP神经网络模型对物流企业即兴能力进行了综合评价。结果表明,目前我国物流企业即兴能力水平存在较大差异,总体水平不高。

基于主元神经网络的非结构化道路跟踪

在概率的框架内,基于主元神经网络,提出了一种新的蒙特卡罗道路跟踪技术,用于自主陆地车辆在非结构化道路上的导航.使用直线道路模型表示道路边缘,并对其状态利用二阶自回归模型进行预测;在HSV彩色空间将颜色信息和局部空间特征相结合,利用主元神经网络提取主成分;根据道路边缘窗的统计特性,利用粒子滤波器进行道路状态的估计.实验结果表明,该方法能够鲁棒地进行非结构化道路跟踪.

基于主元神经网络和K-均值的道路识别算法

为了提高道路识别算法的鲁棒性和自适应性,提出了基于局部统计特征和主元分析的道路识别算法.该方法用广义Hebb学习规则训练主元神经网络权值,然后将局部统计特征和图像像素值输入主元神经网络得到图像特征矢量,最后用K 均值分类器对该矢量进行分类,通过参考区域识别道路.仿真结果表明,该算法对于光照变化剧烈和阴影遮挡的道路图片均有较好的识别效果,以及较好的鲁棒性和自适应性.

基于非线性主元分析和概率神经网络的凝汽器故障诊断方法研究

该文提出了一种基于两个神经网络的凝汽器故障诊断方法。首先使用非线性主元分析神经网络进行特征提取,降低数据维数,既简化了诊断过程,又确保故障诊断精度。随后使用概率神经网络获取最终的故障诊断结果,该神经网络训练速度快,而且容易添加新的训练样本。最后将提出的方法用于某汽轮机组凝汽器故障诊断中,测试结果表明该方法行之有效,且易于工程实现。

基于主元神经网络和SVM的入侵特征抽取和检测

目前基于机器学习的入侵检测研究都是从提高检测精度的分类器算法设计出发,大多未考虑对样本特征的分析。文章提出了一种基于特征抽取的异常检测方法,应用主元神经网络(PCNN)抽取入侵特征,再应用SVM检测入侵。采用广义Hebb学习规则训练线性主元神经网络,SVM采用基于网格粒度搜索获得最优参数。利用KDD99数据集,将线性PCNN-SVM与SVM进行比较,结果显示在不降低分类器性能的情况下,PCNN特征抽取方法能对输入数据有效降维。

神经网络和主元分析—神经网络软测量技术在污水处理系统中的应用

为了实现对污水处理系统参数与性能的有效预测和处理系统的在线实时控制,在介绍神经网络和主元分析神经网络软测量技术的基础上,分析了神经网络在国内外污水处理领域的研究现状和存在的问题,探讨了神经网络软测量技术在污水处理系统的发展方向。结果表明,基于神经网络的软测量技术能够很好地进行数据分析与模拟仿真,这种软测量技术在污水处理系统中的应用可以通过优化神经网络结构、结合其他数据处理方法、全面预测污水处理系统重要参数、收集与生物处理过程密切相关的参数以及加强对污水生物处理数学模型的研究等方式得到不断改进和完善。

紫外可见吸收光谱结合主成分-反向传播人工神经网络鉴别真假蜂蜜

研究紫外-可见吸收光谱技术结合化学计量学方法鉴别真假蜂蜜。根据蜂蜜中果糖和葡萄糖的典型质量比1.2:1.0,配制与真蜂蜜相近的掺假溶液,并以5%～20%的比例掺入真蜂蜜中。获取纯正蜂蜜和掺假蜂蜜的紫外-可见吸收光谱,选择最佳敏感波段250～400 nm的吸光度值进行主成分分析(PCA),优选主成分作为反向传播人工神经网络(BPANN)的输入向量。输出结果显示,校准集和预测集的准确鉴别率均为100%;对应的均方根误差分别为8.523×10-3和8.961×10-3。研究结果表明,基于PCA-BPANN的紫外-可见吸收光谱技术能够方便、快速、准确地鉴别真假蜂蜜,为食品质量的快速检测提供可靠参考。

基于主成分-BP神经网络的建设用地规模预测──以连云港市为例

建设用地是城市发展的重要因素,对建设用地规模的预测可以为土地利用总体规划提供参考数据和技术支持。笔者以连云港市为例,收集了2004—2013年有关建设用地规模的社会经济统计数据,采用主成分-BP神经网络模型对连云港市2014—2020年建设用地规模进行预测,得出7年连云港市建设用地规模的预测结果。研究得出主要结论:(1)主成分分析结果显示社会经济的发展、人口和基础设施的变化以及环境的改善从不同方面影响着建设用地的规模;(2)笔者构建的BP神经网络模型误差率较低、拟合效果较好且对于训练集以外的新样本数据具有较好的泛化能力,说明所建模型具有可靠性,可以进行预测;(3)连云港市2014—2020年的建设用地规模呈现逐年扩张的趋势,年均增长率为0.97%,连云港市应采取有效措施控制建设用地规模并且合理保护耕地,使得建设用地面积的增长控制在合理的范围之内。主成分-BP神经网络模型不仅能够对影响建设用地规模的因素进行全面分析,同时可以得到精度较高的建设用地规模预测数据,因此能够较好地应用于建设用地规模预测。

一种用于降维和盲源分离的主独立元神经网络

经典主元分析和主元神经网络常以主元所能提取总的系统方差来确定主元数目 ,这隐含假设系统数据是高斯分布 ,所提取的主元之间相互无关 ,但不一定相互独立 ,从而难以实现非高斯系统数据的降维和信源分量。针对非高斯随机系统数据的降维和信源分离问题 ,提出一种基于二阶 Renyi近似熵指标的主独立元神经网络 ,并给出熵的近似计算方法及相应的梯度学习算法。仿真实验证明 ,该主独立元网络不仅能对数据降维压缩 ,还能有效地分离出普通主元分析法所不能提取的独立信源信息。

基于主成分分析的RBF神经网络预测SO_(2)浓度

利用基于主成分分析(PCA)算法的径向基(RBF)神经网络对大气中SO_(2)浓度进行滚动预测。以北京大兴地区2019年9月1日至2020年10月31日的气象数据和空气质量参数为基础,结合逐步回归法筛选出与SO_(2)线性相关的参数作为输入样本,构建PCA-RBF预测模型。利用该模型预测北京大兴地区某天的SO_(2)浓度,将预测值保留并作为下一天预测模型的输入参数。以此将预测值不断地向前延伸并进行分析和预测,从而实现SO_(2)浓度的滚动预测。对比RBF网络和PCA-RBF网络两种模型的预测结果,其中PCA-RBF模型期望值和预测值的误差及相关系数分别为0.03μg·m^(-3)和0.9989。表明PCA-RBF网络模型能精准预测SO_(2)浓度变化趋势,为进一步解决大气污染问题提供技术支持。

主分量神经网络在高校学生综合素质评价中的应用

采用主分量神经网络 ,从多种影响因素中找出几个主要分量指标 。

基于主元分析的神经网络教学质量评估

现有的课堂教学评价指标体系间存在高度的非线性，数据冗余等特征。针对此课堂教学评估方法无法消除数据之间的冗余和捕捉非线性规律导致预测精度较低的问题，提出一种基于主元分析的神经网络教学质量评估方法。首先构建影响课堂教学质量评估的因素体系，利用主元分析法消除数据的冗余信息，选择贡献率大的主成分因子作为网络输入，然后构造神经网络模型对教学质量进行评估。通过收集陕西科技大学30名教师的评价数据进行实例验证，结果显示基于主元分析的评估模型在简化BP神经网络结构的同时，也提高了课堂教学质量评估的预测效果。

一种基于改进BP神经网络的PCA人脸识别算法

人脸识别作为模式识别领域的热点研究问题受到了广泛的关注。传统BP算法虽然具有自学习、自适应以及强大的非线性映射能力并且在人脸图像识别准确率上占有很大的优势,但算法具有收敛缓慢、训练过程振荡、易陷入局部极小点等缺点。针对传统BP算法的不足提出一种基于改进BP神经网络的PCA人脸识别算法,该算法采用PCA算法提取图像的主要特征,并结合一种新的权值调整方法改进BP算法进行图像分类识别。仿真实验表明,通过使用该算法对ORL人脸数据库的图像进行识别,其结果比传统算法具有更快的收敛速度和更高的识别率。

基于主成分—神经网络上市公司财务危机预警模型研究

本文研究了主成分和神经网络混合算法在上市公司财务危机预警中的应用,分析了财务危机的影响因素,建立了主成分神经网络的危机预警模型,并用收集了40个上市公司财务数据验证了模型的有效性。

基于主成分神经网络的电网企业人身安全风险量化评价模型研究

以国网某省电力公司生产作业真实数据为基础,文章采用主成分分析和BP神经网络两种理论方法,建立基于主成分神经网络的电网企业人身安全风险量化评价模型,并使用该模型对生产作业人身安全风险进行了量化研究。

基于双神经网络结构的新型人工神经网络训练算法

基于视觉神经系统生理学特征,提出了一种可加速神经网络训练过程的双神经网络结构,它同时提供了一种初始化神经网络的新方法。首先,对原始数据进行小波分解,将获得的近似系数在辅助神经网络中进行训练;然后将训练得到的权值和阈值传递给主神经网络;最后,利用主神经网络对全部的输入输出信号进行训练。通过非线性函数逼近、非线性动态系统辨识和井底压力预测仿真实验,并和常规的神经网络结构进行比较,结果表明:在达到相同精度的前提下,双神经网络结构极大地缩短了训练时间。

基于混沌蚁群神经网络的浮选过程经济技术指标预测

以选矿中的浮选生产过程为研究对象,提出一种基于混沌蚁群神经网络算法预测浮选过程经济技术指标的测量模型.采用主元分析进行输入数据集降维,应用混沌蚁群算法与最小二乘法相结合的混合算法调整前提参数和目标值,以取代二次规划求解优化问题,并达到求解速度快、仿真精度高的效果;同时,采用混沌蚁群算法训练神经网络,在随机扰动或测量噪声存在的情况下仍可以达到较好的训练目的,并提高了网络参数辨识的收敛速度.同时,以某实际选矿浮选生产过程的生产数据作为建模和预测数据进行仿真分析,并与初始的主元分析-反向传播(BP)神经网络模型预测结果加以对比.结果表明,所提出的模型能够实现浮选过程经济技术指标的全局预测,与优化前的模型相比其预测误差明显较低,预测精度提高了1.8%,满足优化浮选药剂添加的计算要求.

基于SPSS的PCA-RBF神经网络模型的仿真试验

以SPSS软件为试验平台,根据PCA-RBF神经网络理论,结合SPSS软件的主成分分析模块和神经网络模块,运用人工近红外谱模拟数据估计葡萄糖浓度,实现PCA-RBF神经网络模型的仿真试验。相比与Matlab、C/C++等软件,该方法免去了繁琐的编程,为工程应用提供了一个简单快捷的试验途径。试验结果表明,利用SPSS软件实现PCA-RBF神经网络预测取得了非常满意的结果。

中国金融风险预警系统的构建研究——基于K-均值聚类算法和BP神经网络

本文首先通过研究我国1994—2011年的经济数据,对关系到金融系统稳定的16项经济变量进行主成分分析,进而将所选变量归结为宏观经济、金融体系、对外经贸三个方面。在此基础上运用K—均值聚类算法,把金融系统风险状态分为四类。继而借助BP神经网络建立了我国金融系统风险的预警模型,并通过2011年的数据对我国2012年金融系统运行状况进行了预测。预测结果表明我国2012年处于轻度风险状态,总需求的回落和资产泡沫的收缩将是影响我国金融系统稳定运行的主要问题。最后对我国如何预测并防范金融风险给出了政策建议。

基于PCANN的BP神经网络话者识别系统

本文利用主分量神经网络分析法(PCANN)和反向传播神经网络,提出了一种具有较强自适应性和较高识别率的说话人识别方法。在此算法过程中,主分量分析法主要是对语音信号的原始特征作分析以得到更好的特征参数;BP神经网络则是作为一个分类器对说话人进行分类。文章将主分量分析与BP神经网络相结合,提高了识别的正确率,增强了系统抗噪声能力,减少了训练时间和计算量,同时简化了网络结构。