基于非参数估计与滑动窗口改进的主成分分析方法研究

电容式电压互感器(CVT)测量准确性关乎电能的准确计量,监测难点是误差变化微小不易察觉。针对CVT数据非严格满足高斯分布的特点,提出了基于非参数估计与滑动窗口改进的主成分分析(PCA)方法。对同一电压等级下的各CVT相位差与幅值进行Johnson变换增强高斯性,由PCA分解为主成分与残差成分;在此基础上分别建立霍特林统计量(T^(2))和平方预测误差(Q);对待监测的T^(2)和Q先进行滑动窗口处理,再与控制限相比较,以判断角差和比差是否超差。控制限由CVT正常运行时的T^(2)和Q进行非参数估计得到。基于某变电站现场的CVT数据,通过人为施加固定/渐变偏差,该方法可有效识别±10′范围的角差超差与±0.2%范围的比差超差。

基于主成分分析与滑动四分位法的震前TEC异常探测对比分析

通过利用IGS提供的全球电离层格网数据对四次震级Mw>7.0的地震(汶川大地震,玉树地震,东日本大地震,于田地震)分别利用主成分分析(PCA)和滑动四分位法进行震前的TEC异常探测。结果显示,两种方法都能有效探测到震前TEC异常,且异常有稳定的时间尺度。两种方法相比,PCA方法更优,其探测到的异常比较直观、简明,而滑动四分位法则探测到的异常天数较多,但两者总体趋势一致,且两种方法得到的结果与其他学者分析得到的结果也一致。从探测的效果上来看PCA不易受太阳地磁活动影响,这也表明PCA的确可用于震前TEC异常分析,分析时将两种方法有效结合,相互补充,能对震前的电离层异常分析起到更好的效果。

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.

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。

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.

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。

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。

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。

基于主成分分析(PCA)和支持向量机(SVM)的耙吸挖泥船工况分析

土质信息对于耙吸挖泥船的挖掘与装舱过程的控制策略具有重要意义,但耙吸挖泥船的耙头无法直接感知土质信息。基于实船数据,通过主成分分析(PCA)对非线性耦合的疏浚数据进行线性可视化和特征分析,对土质信息与工况信息的关联性进行研究。采用支持向量机(SVM)构建分类器,对土质工况进行分类识别。结果表明,该方法能够有效识别不同的土质工况,实现了土质信息的间接感知。

主成分分析(PCA)在地学研究中的应用进展

主成分分析(PCA)作为多元统计分析的一个重要分支,随着理论的完善和计算机技术的进步,被广泛应用解决地学问题。作为一种有力的分析工具,其在地学各分支学科都有应用,尤其在气象和遥感等领域应用广泛。目前,随着应用过程中方法本身的完善,地学主成分分析应用的发展呈现出多样化发展以及与新方法结的态势,成为解决地学问题的利器。

基于PCA主成分分析和BP神经网络企业库存预测的研究

近年来,人力资源和物流及仓储成本的不断攀升,导致零件制造成本不断上升,而准确的库存预测有助于企业据此调整生产计划,降低制造成本,有助于实现企业利润最大化。本文通过PCA主成分分析方法确定影响企业库存的因素,编写python代码分析出影响库存的主要因素,包括订单、当月销量等因素,提出JIT即零库存作为企业库存管理的发展方向。随后选取影响库存的因素,分析并计算相关网络参数,建立BP神经网络,用MATLAB编写预测算法,预测9月的库存,确认预测的合理性,验证了算法的有效性。

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.

基于PCA主成分分析法的民营经济发展环境评价分析

民营经济是我国区域发展的重要支撑力量,客观评判民营经济发展环境,正确选择发展思路,是各地方在日趋复杂的地区交流与合作中面临的具有现实意义的课题。在构建民营经济发展环境评价指标体系的基础上,选取南昌2007—2012年民营经济发展的相关数据,采用PCA主成分多元分析法,对民营经济发展环境进行实证分析,以期得到科学合理的评价分析结果,为优化民营经济发展环境和强化区域竞争力提供智力支持。

主成分分析法和熵值法在农村居民点集约利用评价中的比较

土地集约利用评价方法的选择直接决定了评价结果的准确性。该文以石家庄市为例,从利用程度、投入强度、产出效果和可持续性4个方面构建指标体系,采用主成分分析法(PCA)和熵值法,对1999、2005和2008年3个时间点的农村居民点用地集约度进行评价,在此基础上对2种评价方法进行了对比分析。研究结果表明:对于集约度等级划分,2种方法测算的农村居民点集约度级别差基本控制在±1范围内,仅个别县(市)级别差为±2。对于集约度变化率,2种方法在1999-2005年、2005-2008年和1999-2008年3个不同时段数值变化方向上基本保持一致,熵值法测算所得农居点集约度的变化率明显高于PCA测算所得集约度变化率。对于空间分布上,在同一时间点2种方法所划分的农居点集约度具有一定的一致性,但也表现出一定的差异性。2种方法的结果差异主要与其计算所得的权重差异、结果处理差异、方法理论差异、数据标准化处理差异等有关。建议在农居点集约度评价中,如果涉及一个或多个时间段的评价,熵值法较为适用;如果仅对某一具体年份进行评价,则可考虑采用PCA方法。

基于主成分分析与Fisher判别分析法的矿井突水水源识别方法

为有效地预防矿井突水事故,及早识别突水水源是关键工作之一。根据矿井各含水层水化学成分的差异性,选取7种水化学成分指标作为突水水源识别的样本变量。在此基础上,采用主成分分析(PCA)与Fisher判别分析相结合的方法建立突水水源判别模型。以新庄孜煤矿不同水层的水化学特征资料中的33个为学习样本,12个为预测样本,对该模型进行检验和应用,并与传统Fisher判别分析模型的结果进行比较。研究结果表明:利用PCA与Fisher突水水源判别模型能够有效地消除样本变量指标间的相互影响,使突水水源判别结果更加准确。