基于变量扩维的逐步拟线性回归瓦斯浓度预测模型

瓦斯浓度与其影响因素之间存在着很强的非线性性。精确预测瓦斯浓度具有重大的实现意义,解决这类问题的常用方法为神经网络法,但这种方法往往与初始值的选取有关,且容易发生过拟合现象。变量扩维及逐步拟线性回归法是解决这类问题的另一种方法,该方法具有精确度高,所需数据样本少,运算量小,速度快,稳定性及可操作性强等特点,克服了神经网络算法的缺点,有较高的应用价值。

混合粒子群算法在影响瓦斯涌出量变量筛选中的应用

瓦斯涌出量与其影响因素之间存在着高度的非线性性,为了提高瓦斯涌出量的预测精度,提出了变量扩维-筛选法,即引入非线性项。采用混合粒子群算法从大量的候选变量中选出最优的变量子集,利用最优变量子集建立拟线性瓦斯涌出量预测模型。将测量数据分为建模数据和测试数据,测试结果表明基于变量扩维-筛选法的预测模型具有较高的精确度,测试结果优于逐步回归法、神经网络法以及纯粹的线性回归法,具有一定的应用价值。

基于交互式逐步回归的双语教学态度预测模型

针对多元线性回归分析法预测双语教学态度误差较大的问题,通过引入变量的平方项及交叉乘积项建立拟线性回归方程,利用交互式逐步回归分析法对变量进行筛选,并以筛选后的变量建模。将调查数据分为建模样本数据和测试样本数据,测试结果表明经过变量扩维及筛选所建立的预测模型精确度有较大提高,为语言学研究提供了一种新方法,值得推扩和借鉴。

基于模式识别的混凝土泵车臂架壁厚优化

选取某型号泵车臂架作为研究对象,分析了固有频率对其工作性能的影响。利用Pro/Engineer软件建立臂架系统模型,改变臂架尺寸参数,导入Pro/MECHANICA模块中进行模态分析,利用Matlab的遗传函数工具箱对得到数据进行模式识别,筛选出相关变量,建立尺寸与一阶固有频率的函数关系,可针对性地对某些尺寸进行优化,对臂架系统的设计提供了参考。

基于VDE-PSO的汽油调合设计公式挖掘

提出一种将多变量非线性问题线性化的VDE-PSO-MLR的建模方法。该方法基于变量扩维、微粒群优化等手段选择扩维变量,在此基础上再建立拟线性的多元回归方程;并通过对所建立的各回归方程及其回归系数的显著性检验结果确定最佳回归模型。将该方法用于某炼油厂的汽油调合设计公式的挖掘,研究表明,与直接用自变量建立的线性回归方程以及二次回归方程相比,只有该方法建立的最佳模型方程和方程变量同时通过显著性检验。最后将最佳模型用于生产数据预测,计算调合汽油辛烷值测定值与预测值误差绝对值AE最大为0.185,符合AE≤0.3的要求。