主成分分析及聚类方法在碲镉汞晶片参数判别中的应用研究

基于主成分分析和聚类方法提出了一种碲镉汞晶片参数筛选方法,建立了对碲镉汞晶片参数进行筛选的数据模型,模型中通过对初始晶片数据进行清洗和分析,利用主成分分析(PCA)降维法和基于密度的聚类算法(DBSCAN),确定了晶片数据中最密集的区域。同时利用流片后得到高性能芯片的优质碲镉汞晶片参数拟合边界椭圆曲线,并将其作为优质晶片的判断标准,能够根据输入的晶片电学和光学参数生成晶片评级,得到了大于90%的覆盖率。

基于主成分分析和谱聚类的短期风功率预测

风电场的大规模建设使得风电渗透率大大提高,为保证系统的安全稳定运行及风电消纳,需要对风电功率进行预测。为解决传统预测方法中数据维度过高的问题,提出一种基于主成分分析和谱聚类进行数据降维的预测方法。首先,基于主成分分析提取风电场各机组功率序列的主成分,实现对功率样本信息和预测对象的降维;其次,考虑风速波动特性和各机组的空间分布特征,对风速信息进行谱聚类,以实现样本数据的进一步降维;然后,基于风功率主成分信息与风速聚类结果,建立基于Elman神经网络的风电功率主成分预测模型,并通过逆变换最终得到风电场各机组功率的预测结果。利用江苏南通某海上风电场实际数据验证该方法,结果表明,预测结果的均方根误差明显降低,所提方法可以提高风电功率预测精度。

基于主成分和聚类分析的赤红壤区不同土地利用方式土壤肥力综合评价

为定量评价赤红壤区不同土地利用方式对土壤肥力特征的影响,本研究以亚热带典型赤红壤区不同土地利用方式的土壤(旱地、园地、菜地)为试验对象,分析各地块土壤物理性质、化学性质和腐殖质组成的变化趋势,通过主成分和聚类分析法定量评价不同土地利用类型土壤综合肥力的差异,以欧氏距离衡量不同地块肥力差异的大小,采用最短距离法对各地块土壤综合肥力进行系统聚类。结果表明,不同土地利用方式表层(0~10 cm)和亚表层(10~20 cm)土壤的物理性状、化学性状及腐殖质组成存在显著差异(P<0.05),其中土壤有机碳含量、胡敏素碳含量、胡敏酸碳含量、富里酸碳含量、容重、孔隙度、全氮含量、全钾含量和pH值等对土壤肥力质量评价的贡献度较大,碱解氮含量、速效磷含量、速效钾含量、全磷含量贡献度较小。土壤肥力质量综合得分排序为旱地表层>旱地亚表层>菜地亚表层>菜地表层>园地表层>园地亚表层。不同地块的土壤肥力质量聚为5类,分别为一等肥力(旱地表层)、二等肥力(旱地亚表层、菜地表层)、三等肥力(菜地亚表层)、四等肥力(园地表层)、五等肥力(园地亚表层)。总体来看,土壤肥力优劣的评价顺序均为旱地>菜地>园地,其中园地土壤存在容重较大、酸化严重、养分失衡和有机碳含量过低的现象。因此,依据赤红壤肥力敏感性指标和土壤本身存在的问题,该区域应增大土壤外源碳的输入,丰富有机碳库储量,同时加强科学施肥和测土配方施肥,平衡和优化速效养分含量,进而达到改良土壤物理结构,增强土壤缓冲性能,改善土壤养分状况的目标,以期实现赤红壤区农业的可持续发展。

基于聚类的核主成分分析在特征提取中的应用

本文分析了一般主成分分析在处理非线性问题上的不足,阐述了核主成分分析方法及其计算速度的缺陷,提出了基于聚类的核主成分分析方法。试验结果显示:基于聚类的核主成分分析方法具有好的特征提取性能,相比核主成分分析大大提高了特征提取的速度。

基于核主成分分析和AP聚类算法的电力系统态势感知技术

随着可再生能源渗透水平的不断提高,现代电力系统面临着更多不可避免的不确定性,这些不确定性可能导致系统的弱阻尼振荡问题。对于可再生能源渗透率很高的电力系统,检测同步发电机之间的相干性是态势感知的关键环节。为此,文中提出了一种基于广域测量系统(Based Area Measurement System,WAMS)的相干检测算法,该方法采用了核主成分分析(Kernel Principal Component Analysis,KPCA)和聚类(Affinity Propagation,AP)分析法可应用于可再生能源广泛渗透的电力系统。文中提出了几种轨迹相似度指标,用于确定惯性中心(Center of Inertia,COI)坐标中任意两个发电机轨迹之间的相似性;提出了一种基于KPCA方法的集成轨迹相似度指标,以解决多个指标之间的相干性问题;随后采用AP聚类分析方法检测同步发电机之间的相干性,可无需预先指定聚类的数量;利用高可再生能源发电渗透率的华南电力系统和包括张北风电场的华北电力系统的一部分进行仿真分析,结果证明了所提方法的适用性和实用性。

基于主成分-聚类分析法的31个省市经济发展水平的综合评价

文章主要以我国31个省、自治区和直辖市的经济发展水平为研究对象,选取能反映经济发展水平的18个经济指标,运用主成分分析法(Principal Component Analysis,PCA)和系统聚类分析法,对31个省市的经济发展水平进行综合评价。

基于核的PP主成分分析及其在离群聚类中的应用

为了提高高维数据集合离群数据挖掘效率,在分析了传统的离群数据挖掘算法优点和缺点的基础上,提出了一种离群聚类算法,该算法将核方法与PP主成分变换结合于离群聚类算法中,采用基于核的PP主成分变换进行数据维数消减。通过该数据变换矩阵得到相应的非线性向量,并为每个向量分配一个动态权值,在优化经典的FCM模糊聚类的目标优化迭代函数基础上,最终得到各个数据的权值,根据权值的大小标识出数据集中的离群点,理论上证明了该算法的收敛性,仿真实验的结果表明了谈方法能够有效地发现高维数据集中的离群点。

基于主成分和聚类分析的35份籽用型工业大麻种质综合评价

为筛选出适宜绥化地区推广应用的优良籽用型工业大麻种质资源材料,对35份工业大麻种质资源的保苗率、株高、茎粗、分枝数、千粒重、干花叶产量和种子产量7个性状指标进行比较分析,应用主成分和系统聚类分析方法进行综合评价。结果表明,35份籽用工业大麻种质资源的种子产量变异最大,为50.54,株高变异最小,仅为6.38;各性状指标之间存在显著或极显著的相关性;通过主成分分析,提取了3个具有代表性且特征值大于1的主成分,累计贡献率为78.022%,并构建综合评价模型,对参试材料进行综合排序;最后应用系统聚类将35份籽用工业大麻种质分为3类,初步筛选出18份综合性状良好的育种材料。

基于CART和聚类分析的古代玻璃分类预测模型研究

该文针对古代玻璃文物的化学成分,借助CART决策树、聚类分析和主成分分析方法对其进行分析和预测.通过对不同特征进行系统和K-means聚类,结果表明将玻璃制品分为高钾类和铅钡类两大类和三个亚类为最佳.利用主成分分析法对其化学成分分析发现,当特征根选为前六个时,效果最好,对解释原有变量贡献率较大.根据以上结果构建CART决策树预测未知玻璃制品类型,预测准确率较高.

基于密度峰值聚类的高斯混合模型核电运行工况划分

核电厂运行数据记录了核电厂的运行状态,对核电数据进行处理分析从而完成准确的工况划分是实现核电厂运行状态监测的重要基础。为提高核电厂的运行工况划分准确性,提出了基于密度峰值聚类的高斯混合模型对核电厂的运行工况进行划分。首先,采用主成分分析(principal component analysis,PCA)算法进行数据降维,然后利用密度峰值聚类算法中的决策图确定工况个数,最后利用高斯混合模型完成工况划分。基于真实的核电厂运行数据开展工况划分实验。实验结果表明:所提出的方法能合理有效地划分出核电运行工况,其三类工况的划分准确率分别达到了99.29%、100%、97.57%,且错误率仅为1.25%。

基于熵值—主成分分析法的中国式现代化统计测度实证研究

本文通过构建中国式现代化评价体系对全国31个省(区、市)2014—2021年的数据进行分析,利用熵值—主成分分析法确定各指标权重,得到了综合评价指数,并运用聚类分析法对31个省(区、市)的中国式现代化水平进行测度,得出结论:我国各省份的中国式现代化水平总体上呈上升趋势;各区域间的中国式现代化水平呈现出明显的东部>中部>西部的现状。

谷子抗旱相关性状的主成分与模糊聚类分析

【目的】探讨作物抗旱性分析评判的方法,对谷子主要农艺性状和部分生理指标与抗旱性之间的关系进行综合评价。【方法】采用主成分分析(Principal Components Analysis,PCA)和模糊聚类(Fuzzy Clustering,FC)分析,根据16个谷子品种在干旱胁迫和自然降水条件下的抗旱相关性状对其抗旱性进行综合评价。【结果】主成分分析结果表明,6个综合主成分可代表谷子抗旱性90.71%的原始数据信息量。利用抗旱性度量值进行模糊聚类,可将16个谷子品种的抗旱性划分为3类,聚类结果可以较好地反映这些谷子品种的选育和种植区域的干旱特点,其中冀谷18和豫谷1号抗旱性强且稳定性好。【结论】利用主成分分析,结合模糊聚类的方法进行谷子的抗旱性综合评价,不仅可以避免单一指标的片面性和不稳定性,而且可以较好地揭示谷子抗旱相关性状与其抗旱性的关系。

基于主成分分析及系统聚类的县域电网综合评价方法

对多个县域电网进行统筹优化建设时,县域电网评价体系会直接影响建设方案的制定。传统电网评价体系常常表现为细致度不够、主观性较大,因而现实指导性不强。因此,建立了一套县域电网评价体系,该评价体系利用主成分分析(Principal component analysis,PCA)进行微观剖析,应用系统聚类分析(Hierarchical cluster analysis,HCA)实现宏观引导。其中,通过主成分分析实现对多元评价指标进行降维、去相关性处理,对各评价指标赋予不含主观因素的主成分权重,从而建立县域电网综合评价体系,并得出能反映县域电网在安全性、经济性、可靠性、适应性、优质性这五个性质上优劣程度的分数及排名。再利用系统聚类分析法对这些得分逐性逐层地进行聚类,以不同层面的系统聚类结果回溯定位于与之相应的由主成分分析法得出的排名,从而对县域电网不同指标模块的薄弱所在聚类研究,并结合当地县域负荷及经济发展情况制定相应的发展路径。应用结果表明,将主成分分析法及系统聚类分析法有机结合来对县域电网进行综合评价是切实有效的。

玉米自交系抗旱相关性状的主成分分析与模糊聚类

采用主成分分析(Principal Components Analysis,PCA)和模糊聚类(Fuzzy Clustering,FC)分析,对51个玉米自交系在正常灌溉和干旱胁迫条件下的主要农艺形状及部分生理指标进行分析并对其抗旱性进行综合评价。主成分分析结果表明,4个综合主成分(2012TMC:丰产性因子-雄穗发育性因子,光合调控性因子,生长发育性因子,繁茂性因子;2012HT:丰产性因子-生长发育性因子,光合调控因子,繁茂性因子,雄穗发育因子)可代表两个地区(2012TMC和2012HT)玉米自交系抗旱性91.05%的原始数据信息量。利用抗旱性度量值进行模糊聚类,可将51个玉米自交系的抗旱性划分为4类,即耐旱、中度耐旱、中度干旱敏感和干旱敏感。其中H201、H21、英64、吉842、早49、吉8415、东46和沈137抗旱性强且稳定性好。利用主成分分析,结合模糊聚类的方法进行玉米自交系的抗旱性综合评价,不仅可以避免单一指标的片面性,而且可以较好地揭示玉米自交系抗旱相关性状与其抗旱性的关系。

基于主成分分析的河流洪水系统聚类法

进行河流洪水聚类的目的是根据洪水特征的相似程度划分洪水类别,研究同类洪水的规律性以及应对措施.但是,洪水特征选择过多往往会增加计算的复杂程度,同时特征之间的相关性也使得信息大量重叠,导致计算结果失真.为此,提出基于主成分分析的河流洪水系统聚类法.该法首先将所选的洪水特征综合成少数几个不相关的主成分,然后计算出每场洪水在各主成分上的得分值并将该值作为新的洪水特征值,最后根据这些新特征值进行洪水聚类.三门峡水库入库洪水聚类实例证明了该方法的可行性.

基于层次聚类法和主成分分析法的铜陵市大气降尘污染元素来源解析研究

本文采用层次聚类法和主成分分析法对有色金属矿山城市-铜陵市的大气降尘中污染元素,主要是重金属元素的来源进行了识别,并分析了各来源所占的比例。结果显示,铜陵市大气降尘中污染物主要来源于冶金和采矿,其次为燃煤、交通和土壤扬尘等,其贡献率分别为冶金源+采矿源43.29%,燃煤源32.23%,交通源和土壤源10.53%,其他源13.94%。因此,优先控制冶金尘、采矿尘和燃煤尘,可以有效降低铜陵市大气降尘中污染元素的含量。

基于聚类和主成分分析的神经网络预测模型

提出一种基于聚类和主成分分析的神经网络模型,用于高炉运行指标的实时预测.首先采用谱系聚类将特性分散的样本划分成不同的子类,然后采用主成分分析方法对影响目标数据的众多变量进行降维处理,在此基础上,构建了高炉运行指标的神经网络预测模型,大大改善了预报的精度和效率.通过对采集的高炉数据进行测试,表明本文提出方法的有效性.

光谱结合主成分分析和模糊聚类方法的样品聚类与识别

针对紫外光谱结合化学计量学方法快速测定渣油烃族组成模型适应性问题，对渣油光谱进行主成分分析，以主成分得分作为聚类的特征变量进行模糊聚类，建立了光谱结合主成分分析和模糊聚类方法的样品聚类与识别方法。采用这种方法对3种常见渣油（常压渣油、减压渣油和加氢渣油）进行了成功的分类和识别，为光谱结合化学计量分析方法中校正模型的正确选择提供了依据。

基于主成分分析和FCM聚类的行驶工况研究

在定义了运动学片段的基础上,对典型道路上采集的大量工况试验数据进行划分,从而获得大量运动学片段.用主成分分析法对12个表征道路运行特征的参数(包括加速比例、减速比例、匀速比例、怠速比例、平均速度、平均运行速度、最大速度、平均加速度、最大加速度、最小加速度、速度标准偏差和加速度标准偏差)进行压缩,得到4个主成分.利用模糊C均值聚类技术对所有运动学片段的第一和第二主成分得分进行分类,根据相关系数的大小及各类别的时间长度比选取合适片段,最终拟合出代表性工况.通过对特征参数和速度、加速度联合概率分布的误差分析可知,所提出的构建方法精度较高,拟合工况能综合反映合肥市实际道路的交通状况.

集群数据下因子分析模型K-Means聚类

集群数据刻画了不同研究对象在群内的动态关系,在经济学、社会和医学等领域被广泛应用。经典的聚类分析方法常用来刻画样本之间的相似性,进而对样本或者指标进行聚类,对于集群数据子群之间的聚类研究较少。本文对集群数据建立因子分析模型,通过主成分法,产生群组各异的集群数据,使用K-means聚类方法对集群数据群聚类。随机模拟用因子分析模型主成分法产生集群数据,模拟表明了聚类方法的有效性。实例分析对集群数据群进行聚类,使用轮廓系数对聚类进行评价。评价结果表明,运用机器学习K-means算法对集群数据子群聚类效果较好。Cluster data characterizes the dynamic relationships among different research objects within a cluster, and is widely used in fields such as economics, society, and medicine. Classic clustering analysis methods are commonly used to characterize the similarity between samples and cluster samples or indicators, but there is relatively little research on clustering between subgroups of cluster data. This article establishes a factor analysis model for cluster data, generates cluster data with different groups through principal component analysis, and uses K-means clustering method to cluster the cluster data. Random simulation uses factor analysis model principal component analysis to generate cluster data, and the simulation shows the effectiveness of the clustering method. Case analysis is used to cluster data groups and evaluate the clustering using silhouette coefficients. The evaluation results indicate that the use of machine learning K-means algorithm has a good clustering effect on subgroups of cluster data.