核主成分分析法在酒店数据文本分类中的应用

核主成分分析法作为一种非线性数据处理方法,被广泛应用于数据降维。文章将核主成分分析法应用于中文文本分类领域,使用核主成分分析法对酒店评论数据集进行特征提取。然后,基于核主成分分析法降维后的数据,对比极端梯度提升算法和逻辑回归算法的文本分类效果。实验结果表明,核主成分分析法能够有效去除数据冗余,提升中文文本分类的准确率和查全率。相较于极端梯度提升算法,逻辑回归算法在训练集和测试集上的分类准确率差距不大,模型的泛化能力较好。

主成分分析法与核主成分分析法在机械噪声数据降维中的应用比较

依据线性降维与非线性降维的分类原则,分别选择主成分分析法和核主成分分析法对某双层圆柱壳体在不同工况下的机械噪声数据进行降维;然后使用神经网络和支持向量机两种方法分别计算噪声数据在降维前后的正确识别率,以比较不同降维方法的降维效果,从而确定适合于某双层圆柱壳体机械噪声数据的降维方法。

地下矿山采场结构参数的核主成分分析法优化

针对华联矿业卧虎山矿地下开采工程技术条件,采用正交法设计了9组试验方案,基于Dimine-Midas/GTS-FLAC^(3D)耦合技术建立了采场计算分析模型,获得了不同参数下采场的力学特征值,确定了最大拉应力等9个评价指标,利用核主成分分析法建立了采场结构参数的综合评价模型,基于评价函数值优选采场结构参数。结果表明,运用正交试验,有效减少了计算的工程量,提高了分析效率,获得了不同采场结构参数和充填强度下的力学特征值;核主成分分析方法确定最优采场结构参数为矿柱宽3 m、采场宽10 m、矿柱高12.5 m、充填体弹性模量0.1 GPa;与主成分分析法结果对比,2种方法评价结果基本一致,证明了核主成分分析的适用性,更加突出了多因素的综合评价特征。

基于主成分分析法和核主成分分析法的机器人全域性能综合评价

在机器人运动学和动力学性能评价中,表示机器人运动学和动力学性能的指标众多,全域性能指标是其中一项重要的评价指标,而全域性能指标又包括:线速度全域性能指标、角速度全域性能指标等指标.不同指标间往往存在不同程度的相关性,其中有些相关性非常显著,这使它们提供的信息有可能发生重叠.引入统计学原理,依据线性降维与非线性降维原则,应用主成分分析法(principal component analysis,PCA)和核主成分分析法(kernel principal component analysis,KPCA)对不同尺度的PUMA560机器人的全域性能进行综合评价,从而选择综合全域性能最优的机器人.计算结果表明:KPCA方法较PCA方法有更好的降维效果,能够更有效地处理多个单一性指标间的非线性关系,提供更多的综合全域性能评价信息,可为建立机器人综合全域性能与其尺度之间的数值计算关系,为基于综合全域性能指标最佳尺度选取的研究提供科学的参考依据.

基于SCEM-UA优化的核主成分法在水质评价中的应用

针对核主成分分析中核函数参数难以确定的问题,建立以第一主成分贡献率为目标函数,以核参数为优化变量的优化模型,运用SCEM-UA优化算法实现求解。将该方法应用于地下水水质评价中,通过与传统主成分分析法的对比,结果表明:基于SCEM-UA优化的KPCA法可以客观、精确地得到最优化核参数,提高了综合评价的可信度,同时也验证了该方法在水质综合评价中的可行性。

基于两个方向二维核主成分分析的手指静脉识别

手指静脉识别是一种更优于指纹识别的生物特征识别技术,具有广阔的应用前景。核主成分分析法是一种非线性特征提取方法,克服了线性提取方法未能利用图像中高阶统计信息和多个像素间非线性相关性的缺点。二维核主成分分析法解决了一维操作中出现的矩阵过大导致计算量过大的问题,但却需要更多的系数来表达图像信息,压缩效果远不如一维操作方法。文章基于核主成分分析法,结合线性判决分析法和最大边界准则分析法,对图像的垂直和水平方向分别进行二维分析,使得手指静脉识别取得了最优效果。

基于核主成分分析的教练评价模型

美国大学生体育联盟中有许多知名教练,选取恰当的标准去全面的评价一个教练是很重要的。文章基于主成分分析法和核主成分分析法建立了一个可以评价多种因素的教练评分方式,利用该评分方式能够对教练评价得出更精确的结论。

基于核主成分分析的发动机性能参数评价研究

航空发动机是一种高度复杂和精密的热力机械,为航空器提供飞行所需动力的发动机,对其工作性能参数的内在规律研究很有必要。通过核主成分分析法(KPCA)与MATLAB软件相结合,对航空发动机工作性能参数进行实证分析,并与传统的主成分分析法(PCA)相比较。结果表明,核主成分分析法能够取得更高的主特征值累计贡献率,更有利于维修单位进行发动机的维修、监控与排故。

电力变压器故障数据特征提取方法研究

基于油中溶解气体分析(DGA)的电力变压器机器学习故障诊断方法是目前电力变压器故障诊断的主流方法,但这种方法存在故障特征数据维度高、非线性特征显著、信息冗余以及参数寻优等问题,会影响故障诊断的准确率。采用核主成分分析法(KPCA)来提取特征参量,能有效消除冗余信息并降低数据维度。通过对比特征提取前后模型的分类准确率及模型的运行时间,凸显了特征提取方法的有效性,验证了特征提取后故障特征数据集对提高机器学习模型故障分类准确率及分类效率的实际效果。KPCA的优越性对发现电力变压器潜在故障、及时消除潜在威胁、保证电力变压器安全稳定运行,以及维持电网高效可靠供电具有重要意义。

一种无创预测血压的改进LightGBM学习方法

为提高无创血压预测模型的准确率,减小个人身体差异对准确率的影响,提出一种基于鲸鱼优化算法(WOA)与轻量级梯度提升机(LightGBM)的无创血压检测模型WOA-LightGBM。该模型首先提取预处理后的光电容积脉搏波、心电信号特征,并结合人体特征组成输入特征矩阵;然后通过核主成分分析法对输入特征矩阵进行降维,减少冗余;最后运用WOA优化LightGBM模型参数。实验结果表明,WOA-LightGBM模型预测的收缩压和舒张压的平均绝对误差均满足美国医疗仪器促进协会制定的标准(±5mmHg),与传统模型相比具有一定优势,且与传统水银血压计测量结果有高度一致性。

基于混合麻雀搜索算法海洋管线内腐蚀速率预测

为提高海洋管线腐蚀速率预测精度,建立基于混合策略麻雀搜索算法(HSSA)优化的深度脊波神经网络(DRNN)腐蚀预测模型。首先通过种群初始化,改进发现者、加入者和侦查者位置更新公式的混合策略提高麻雀搜索算法(SSA)的模型性能。随后利用HSSA对DRNN的权值和阈值进行迭代寻优,降低随机选取参数对模型性能的影响,提高模型预测精度,采用核主成分分析法(KPCA)提取出原始数据中的主要特征。最后,以中国海南东部某海底管道数据进行验证,并与其余4个模型对比。结果表明:HSSA-DRNN模型预测结果较其余模型更接近实际值,且MRE、RMSE指标均优于对比模型,证明所提模型能更准确可靠的预测海底管道腐蚀速率。

基于GA和组合核的SVM入侵检测算法

SVM有着很强的学习能力,已经成为入侵检测的重要算法之一。由于入侵检测原始数据量大,且具有高维性、冗余性等特点,导致传统SVM入侵检测算法计算量大、预测时间长。基于此,文中提出一种改进的SVM入侵检测算法(KPCA-GA-LC-SVM)。文中利用核主成分分析法(KPCA)进行数据的特征提取,降低数据维数和计算量;使用两个核函数线性加权结合形成的组合核函数代替传统的单一核函数,并通过遗传算法(GA)进行SVM核参数及组合核权系数的寻优,来提高SVM性能。实验结果表明,文中算法有效地提高了入侵检测的检测精度。

基于联合HOG特征的车牌识别算法

为解决车牌中汉字识别未考虑汉字结构特征的问题,提出联合方向梯度直方图特征(HOG)结合支持向量机(SVM)的车牌识别算法。将灰度图、二值图、16值图的HOG特征在一定的权重下融合为联合HOG特征,使用核主成分分析法(KPCA)对联合HOG特征进行降维;对汉字和数字字母分别利用支持向量机进行分类,利用交叉验证方法对参数进行优化,得到最优预测模型;利用预测模型预测识别结果。实验结果表明,相对于传统车牌识别算法,该算法可以应用于复杂环境下的车牌字符识别,车牌识别率提高了10%左右,鲁棒性强且便于硬件实现。

水库抗旱调度分期特征确定方法研究

为在一定程度上减轻流域干旱损失,国家防汛抗旱总指挥部提出旱限水位的概念,并开展水库抗旱调度,降低干旱影响程度。旱限水位是水库低水位运行的控制性水位,其合理设置对提高区域水资源利用率意义重大,而水文气象特征在年内的阶段性变化要求基于旱限水位的水库管理应适应其变化特征。此次研究提出水库抗旱调度分期的确定方法,采用核主成分分析法提取指标的非线性特征,结合熵权法赋予指标权重后利用Fisher最优分割法对干旱的年内阶段性变化进行划分。以黄河流域刘家峡和小浪底水库为例,分期结果刘家峡水库分3期为:7月至9月,10月至3月,4月至6月;小浪底水库分3期为:7月至10月,11月至3月,4月至6月。

基于SVM的双层圆柱壳体机械振动噪声数据特征提取方法比较

鉴于某双层圆柱壳体的机械振动噪声数据结构复杂、维数较高,工程上不宜直接分析,文章提出先对其进行特征提取后再进一步分析的思路,可有效简化数据结构,提高数据分析的准确度。选择工程上常用的主成分分析法(PCA)、核主成分分析法(KPCA)与独立成分分析法(ICA)对文中高维机械振动噪声数据进行特征提取。利用支持向量机(SVM)的分类识别能力,对经特征提取后不同工况下的噪声数据进行分类识别。依据正确识别率大小比较三种方法的特征提取效果,以选择针对某双层圆柱壳体机械振动噪声数据合适的特征提取方法。结论可为深入分析某双层圆柱壳体机械振动噪声数据的规律特点打下良好基础。

基于KPCA-LSSVM的回采工作面瓦斯涌出量的预测

为了提高瓦斯涌出量预测精度,针对瓦斯涌出量影响因素具有线性重叠、高维非线性等问题,提出使用核主成分分析法(KPCA)对影响因素进行非线性降维。选取沈阳某矿30组样本数据,以前24组数据作为训练集,后6组数据作为测试集,将确定后的核主成分作为最小二乘支持向量机(LSSVM)的输入变量,建立KPCA-LSSVM预测模型,将预测结果与PCA-LSSVM、LSSVM、多元非线性回归、KPCA-BP神经网络、PCA-BP神经网络以及BP神经网络预测结果进行对比。以最大相对误差绝对值作为模型预测精度的评价指标。研究结果表明:当选取前4个核主成分时,即达到模型训练要求。KPCA-LSSVM模型的预测最大相对误差绝对值为5.89%,预测精度均优于其他6种对比模型。研究结果可为实现瓦斯涌出量高精度预测提供参考。

基于KPCA-GA-BP模型的页岩气集输管道的内腐蚀速率预测

针对页岩气集输管道的内腐蚀,提出了一种基于KPCA-GA-BP组合模型的腐蚀速率预测算法。以某条页岩气集输管道的检测结果作为训练数据,运用反向传播(BP)神经网络建立预测模型,运用遗传算法(GA)优化了神经网络权值和阈值的初始值,运用核主成分分析法(KPCA)对数据进行了降维,在模型建立的过程中不断优化提升模型的预测精度,采用所建模型对另一条相邻管道进行预测并开挖验证。结果表明:选择TRAINGDM作为训练函数,隐含层节点为(8,1),遗传算法进化数为50,种群规模为100,交叉概率为0.3,变异概率为0.2,运用KPCA将数据从7维降为4维后,此模型的均方误差最低为0.12,当该模型用于相邻管道的预测时,均方误差为0.14。运用KPCAGA-BP模型,对页岩气集输管道内腐蚀速率进行预测具有一定的准确性,此模型可用于辅助指导现场内腐蚀直接评价等相关工作。

基于KPCA-CMGANN算法的瓦斯涌出量预测研究

为了精准预测瓦斯涌出量,针对绝对瓦斯涌出量非线性、时变性、复杂性等特点,提出采用核主成分分析法(KPCA)对影响因素进行降维处理;针对BP神经网络(BPNN)中存在的收敛速度慢和易陷入局部最优解的问题,采用压缩映射遗传算法(CMGA)优化BPNN;构建CMGA与BPNN的耦合算法(CMGANN),计算分析某低瓦斯矿井监测历史数据形成的样本集,建立KPCA-CMGANN预测模型;用KPCA-CMGANN预测模型和其他3种网络模型分别对煤矿现场数据进行预测。结果表明:KPCA-CMGANN预测模型在379个时间步长里达到收敛,4个回采工作面的瓦斯涌出量预测相对误差分别为0.58%、0.63%、0.57%和0.45%,平均相对误差仅为0.56%,预测精度和收敛速度均优于对比模型,可实现瓦斯涌出量的快速精准预测。

大学生科技创新能力评价指标选取的一种新方法

创新能力培养是高校的核心任务之一,科学、有效的评价方法不但可以检验大学生科技创新能力培养的成效,而且是高校管理者制定政策、提高管理水平的依据。传统创新能力评价通常采用层次分析法,利用模糊聚类理论和灰色模型建立评价指标体系,本文分析了传统评价体系中的缺点,提出了一种基于核的主成分分析方法,用于创新评价指标的选取,有效的克服了传统评价方法中的主观性,为高校创新能力教育评价提供了新思路。

基于KPCA和SVM的汽车车身缺陷识别方法

汽车在长期使用中,车身容易发生疲劳裂纹和腐蚀等缺陷,而车身通常采取多层合金复合材料,因此给检测造成巨大的困难。目前无损检测技术可以有效针对该类型缺陷进行检测和自动分类识别,该技术采用时频域分析手段,实现缺陷的定量检测。在此基础上,进一步提出基于核主成分分析法(KPCA)和支持向量机(SVM)相结合的方法来提高缺陷分类识别准确率。理论分析和实验结果相一致,验证了所采用方法的可行性。