基于Plackett Burman筛选因子设计的乘用车新颜色工艺自主开发应用

为了提高中国乘用车行业新颜色自主开发能力,通过对中国乘用车外观颜色色彩需求进行分析,结合近年来在车身涂装领域的新颜色、新效果涂料、新工艺的研究及应用,从新颜色全生命周期角度,以自主开发新颜色为切入点,探讨Plackett Burman筛选因子设计在乘用车颜色自主开发应用,为中国乘用车新颜色开发,提供一种科学的分析方法。

非线性筛选因子和加权的体育成绩建模与预测

为了提高体育成绩的预测精度,提出一种基于非线性筛选因子和加权的体育成绩预测模型(LSSVM-New)。首先采用最小二乘支持向量机根据交叉验证均方根误差最小原则对体育成绩影响因子进行非线性筛选,得到主要影响因子;然后对主要影响因子赋予不同大小的权值,反映其对体育成绩预测结果的作用程度;最后采用最小二乘支持向量机建立最优体育成绩预测模型,并应用于1000米跑成绩预测。仿真结果表明,相对于其他体育预测模型,LSSVM-New提高了体育成绩的预测精度,为体育成绩预测提供了一种新的研究思路。

基于主要驱动因子筛选法和深度学习算法的浙江省动态需水量预测

收集了浙江省2000—2020年各用水行业需水量数据,采用基于Spearman秩相关分析的主要驱动因子筛选法筛选了影响各行业需水量的主要驱动因子,进而构造了改进的长短时记忆(LSTM)神经网络需水量预测模型,对各行业需水量进行动态滚动预测,并将改进LSTM模型的预测结果与传统单变量LSTM预测模型、卷积神经网络模型、支持向量回归模型的预测结果进行了对比。结果表明,基于主要驱动因子筛选法改进的LSTM模型能实时动态滚动预测各行业每年需水量,且预测结果精度高于其他3种模型。

基于不同因子筛选指标的丹江口入库月径流预报研究

鉴于筛选识别适宜的预报因子对于提升中长期径流预报精度的重要性,以丹江口入库月径流预报为例,选择Pearson、Kendall、Spearman相关系数及随机森林因子重要性作为因子筛选指标,利用多元回归和随机森林模型,开展基于不同因子筛选指标的丹江口入库月径流预报研究。结果表明,大气环流仍是研究流域降水及产汇流的重要影响因素,部分月份径流与前期海温关系较密切;Spearman相关系数筛选下的随机森林模型全年平均预报效果最优,全年平均合格率为72.02%,因子重要性筛选下的随机森林模型在主汛期效果更优,主汛期平均合格率为69.64%;综合预报因子下的随机森林模型精度有一定的提升,全年平均合格率为75.00%,主汛期平均合格率为71.43%,在全年内不同月份的预报效果更稳定,测试期内12个月合格率的标准差下降较显著。

基于敏感气象特征因子筛选与优化组合的短期风电功率预测

为有效利用数值天气预报数据提供的多类型气象信息来提升预测精度,提出了一种基于敏感气象特征因子筛选与优化组合的短期风电功率预测方法。首先,采用斯皮尔曼、信息熵、皮尔逊相关性指数分析气象特征与功率的相关性,利用证据理论计算优化组合后的相关性系数。然后,将同等属性的特征与风电场实测气象数据做误差分析组合,以此提升数值天气预报预测精度。最后,根据每个预测模型的邻近历史时段训练误差确定最佳权重,最终得到组合预测结果。算例分析表明,所提预测方法将预测精度提高了3%~8%,所构建的预测系统性能优越。

耦合二次因子筛选和深度学习的径流预报研究

径流影响因子的有效筛选是径流预报研究的关键环节。然而影响径流的要素众多,且因子间存在复杂的相互作用。现有研究大都采用一次因子筛选的数值驱动模型,且研究结果表明输入因子在空间上存在数据冗余,导致预报效果不佳。基于此,以渭河流域为例,对比分析支持向量回归(SVR)与长短记忆网络模型(LSTM),并选出最优的预报模型为LSTM模型。采用主成分分析法与灰色关联度分析法对输入项进行二次筛选,形成主成分分析、灰色关联度分析法与长短记忆网络的耦合模型。结果表明:①LSTM的拟合精度高于SVR;②二次筛选输入项提升了预报精度,耦合模型的预报精度均优于单一模型,其中耦合模型相对单一模型的模型精度评价指标均有大幅度提升;③灰色系统关联分析耦合模型相比主成分耦合模型的纳什效率系数、确定性系数分别提升了0.13%、0.03%,观测值标准偏差比提升了42.9%。研究表明采用灰色关联度进行二次因子筛选,能够有效提高预报精度。

浙江省本土柿资源果实营养指标分类因子筛选研究

对浙江省本土柿果实营养品质性状进行分类因子的筛选研究,为选育本地优良柿资源提供科学方法。以237份浙江省本土柿资源为样本,对可溶性固形物、粗纤维、类胡萝卜素、矿质元素等13个营养指标进行了变异分析、相关性分析、主成分分析、聚类分析,最终进行分类因子筛选。最终筛选出含水量、可溶性固形物、可溶性糖、淀粉、类胡萝卜素、单宁、粗纤维等7个指标作为浙江省本土柿资源果实营养品质性状的分类评价因子。7个分类评价因子能够反映柿果实汁液、果实甜度、果肉质地、果肉颜色、脱涩程度、化渣性等果实品质,对筛选优良柿品种具有较大意义。

试验设计及参数优化的LS-SVR显著性因子筛选

针对最小二乘支持向量回归机(LS-SVR)应用于试验设计建模及参数优化而产生的可解释性差、难以识别显著性影响因子等不足,提出一种适用于LS-SVR的拟合不足检验及显著性因子筛选方法.首先在重复性试验设计条件下,将LS-SVR拟合模型的“残差平方和”分解为“拟合不足平方和”与“纯误差平方和”;进而给出了“拟合不足均方”与“纯误差均方”比值的近似非中心F-分布,构造出拟合不足检验的方差分析表;在此基础上,提出一种两阶段的显著性因子筛选方法,通过考察某个因子(组合)移除后模型拟合不足显著性的变化,来推断该因子(组合)显著性.仿真研究与实证表明,所提方法不仅能够增强LS-SVR的统计可解释性,有效识别出显著性因子;而且可以得到预测性能更优的简化模型;有助于提升试验设计建模及参数优化效率,降低质量改进成本.

利用相关系数进行因子筛选时的两类错误

本文在分析回归方程与拟合方程的基础上,利用蒙特卡洛方法,对利用单相关系数选择因子时,产生取伪和弃真这两类错误的可能性进行了估计,并就滑动相关筛选对这两类错误的作用作了试验分析。

MIC-PCA耦合算法在径流预报因子筛选中的应用

解决径流预报因子筛选中存在的信息量不足或冗余等问题,引入一种具有普适性的新的相关关系分析方法——最大信息系数法(MIC),并结合主成分分析法剔除冗余信息实现变量空间降维的能力,提出最大信息系数——主成分分析耦合算法(MIC-PCA)。以雅砻江流域打罗水文站日径流预报为例,将MIC-PCA与多种因子筛选方法的筛选结果进行对比,并将各方法筛选出的因子集输入到BP人工神经网络对日径流进行预报以验证其合理性。结果表明,该方法较现行方法,能为预报模型提供更加科学有效的输入,从而提高模型的预报精度,对水文预报研究有着一定的理论意义。

黄浦江上游水源地水质预警监测因子筛选

构建黄浦江上游水源地预警监测系统对上海市的饮用水安全有着至关重要的作用。能够进入水体的污染物种类繁多,在现有的经济技术条件下只允许对少量的污染物进行预警监测,由此必须对监测因子做出筛选。通过分析主要超标污染物、突发性水环境污染事故特征、常规理化监测和污染物通量监测需求,并结合对现有在线监测技术的分析,提出黄浦江上游水源地的水质预警监测因子,包括水温、pH值、溶解氧、电导率,浊度、高锰酸盐指数、总有机碳、氨氮、总磷、石油类,挥发性有机物和流量。

探索性作战仿真实验因子筛选方法

探索性作战仿真的大量实验因子中往往仅有小部分对响应结果起重要影响,在实验初期对这些重要因子进行筛选可有效提高实验探索效率。按照筛选效率由低到高而分辨度由高到低的顺序介绍了2~k完全析因设计、2^(k-p)分式析因设计、Plackett-Burman设计和顺序分支法四种因子筛选方法,并简要介绍了它们的构造与分析方法。最后以雷达干扰掩护飞机突防的作战想定为主题,分别展示了这四种方法在作战仿真实验中的应用。

基于因子非线性筛选和权重的SVM学生成绩预测计算机仿真

提出了一种了基于因子非线性筛选和权重的SVM学生成绩预测模型。在该模型中,以SVM交叉验证MSE最小原则非线性筛选最优因子;然后参保留因子进行非线性加权,量化保留因子的重要程度;最后采用SVM建立最优的体育学生成绩预测模型进行计算机仿真,并应用于1000米跑成绩预测。仿真结果表明,相对于参比模型,该模型具有更高的预测精度,模型的鲁棒性更强。

基于内梅罗指数法构建的评价因子筛选和优化方法

为获取专项评价中的关键性评价因子和提高单因子评价标准的区域适用性,提出了一种基于内梅罗指数法构建的筛选和优化方法。以建立的单因子指数法和内梅罗指数法评价结果表为基础,通过确定质量类别和计算非零结果数,获得评价因子排序;再以排序为参照,通过优化单因子的评价标准,提高两种方法评价结果的一致性。以东营广饶县海水入侵评价为例,对该方法进行实例应用研究,结果表明,钠吸附比是广饶县海水入侵评价的关键性评价因子。评价标准经过优化后,单因子指数法与内梅罗指数法评价结果的一致性比例均有不同程度的提高,其中,氯化物优化效果最为显著,与之前相比提高了21.7%。该方法可为某些特定目标的修复和改善以及跟踪性或周期性评价提供针对性更强的技术支持。

装备效能仿真试验因子灰色关联筛选方法研究

装备效能仿真试验因子众多且分布各异,这导致仿真试验成本增加。提出了一种基于灰色关联分析的试验因子筛选方法。基于少量仿真试验样本数据,通过计算各试验因子相对于装备效能值的灰色绝对关联度,筛选出较敏感指标,从而实现试验因子空间降维,降低仿真试验成本。以某型防空导弹武器系统作战效能仿真试验因子筛选为例,验证了该方法的可行性。

基于可信度的装备作战试验因子筛选方法研究

针对传统的装备试验因子筛选方法存在着试验方案设计不合理、因子筛选结果可信度不高等方面的不足,提出基于可信度的装备作战试验因子筛选方法。首先,使用均匀试验设计法构造科学的试验方案,以较少的试验次数获取更多的试验信息,提高试验效率;其次,使用绝对灰色关联法计算试验因子的关联度,并将其从大到小进行排序;在关联度排序的基础上,开展因子筛选可信度研究,以直观的度量反映因子筛选的可信程度;最后,通过案例仿真,验证了所提方法的合理性和可行性。

面向装备系统评估的仿真实验因子筛选综述

在利用仿真实验评估装备系统的研究过程中,仿真实验因子筛选对于提高仿真的有效性和高效性具有重要的意义。重点针对多因子筛选技术进行了综述,介绍了实验因子筛选问题的相关概念,比较分析了几种常用因子筛选方法的步骤,归纳了现有方法的不足。现有实验因子筛选方法在应对装备系统复杂性研究方面面临挑战,仿真实验因子规模增加,因子间因果关联机理复杂,为了提高仿真实验效率和满足实验分析的整体性要求,需要探索更合理的实验因子筛选理论和方法。

尾巨桉人工林立地因子筛选及评价

【目的】探讨尾巨桉栽培区立地因子筛选及立地类型划分,为该地区尾巨桉人工林立地选择特别是大径材培育提供科学依据。【方法】以栽培区7.5年生尾巨桉为研究对象,采用典型抽样法设置40块样地,收集生长数据(树高、胸径、优势高)、气候因子(年日照时数)和地形因子(坡向、坡度、坡位和海拔)数据,分析土壤理化性质,通过主成分分析、数量化理论Ⅰ研究立地因子与林木生长量之间的关系;运用聚类分析,对样地进行生产力等级和立地类型划分。【结果】以坡向、坡度、坡位、海拔、土壤养分等级、土壤质地、土壤密度和年日照时数8个立地因子与尾巨桉优势高建立数量化模型,模型的复相关系数为0.956,达极显著水平(P<0.01);数量化模型中,海拔、土壤质地、坡向和年日照时数均与尾巨桉优势高极显著相关(P<0.01),年日照时数、海拔和土壤质地对尾巨桉优势高的贡献率达62.75%。根据数量化回归模型和调查样地的立地因子数据,计算得到各样地尾巨桉优势高预测值,进而划分出高、中、低3组优势高生产力等级,尾巨桉优势高分别为27.16 m、24.19~25.45 m和21.77~23.40 m;再以年日照时数、海拔、土壤质地3个立地主导因子划分为10个立地类型。不同生产组间年日照时数和土壤粘粒含量差异显著(P<0.05),年日照时数表现为高产组最长,低产组最短,土壤粘粒含量表现为高产组高于中、低产组,海拔表现为高产组显著低于中、低产组,土壤有机质、全P、有效Mg和有效Cu含量均表现为高产组显著高于中、低产组,土壤有效Mn含量表现为高产组显著高于低产组。【结论】影响尾巨桉栽培区人工林生产力的主导立地因子为年日照时数、海拔和土壤质地,尾巨桉在年日照时数较长、海拔较低以及土壤粘粒、有机质、全P、有效Cu、有效Mg和有效Mn含量较高的立地环境中生长更好。

工程与环境相结合定量化进行评价因子筛选初探

在总结环境影响评价因子筛选方法的基础上 ,提出了“工程与环境相结合 ,定量化进行评价因子筛选”的新方法。同时 ,结合实际工作 ,提出了较复杂项目在报告书阶段进行“环境影响因子再识别和评价因子再筛选”的思路。

高效的因子分类筛选方法及仿真应用

针对序贯分支(SB)方法难以对位置效应和散度效应同时筛选的情形,基于多重序贯分支的基本思想,同时考虑位置效应和散度效应,将显著因子分类别筛选出来。通过“预分支”步骤,将因子按照其位置效应和散度效应符号分组;采用序贯分支方法将所有子组同时进行位置效应和散度效应显著性检验,在结合序贯概率比检验(SPRT)控制筛选过程中的第1和第2类错误的基础上,实现因子的分类筛选,以便后续阶段的建模及优化。最后,通过仿真试验说明所提方法在解决因子分类筛选问题上的有效性、高效性及稳健性。