基于改进遗传算法-偏最小二乘回归的大坝变形监测模型

【目的】针对常规大坝变形监测回归模型中存在的因子多重相关性干扰和模型拟合效果欠佳问题,进行偏回归模型优化方法研究。【方法】将改进的遗传算法引入大坝变形监测偏回归模型,利用遗传算法强大的自适应全局优化搜索功能,对偏最小二乘回归模型进行优化,建立了基于改进遗传算法-偏最小二乘回归的大坝变形监测模型。【结果】工程实例研究与对比分析表明,改进遗传算法-偏最小二乘回归模型在一定程度上改善了原偏回归模型存在的拟合效果不佳的问题。【结论】改进遗传算法-偏最小二乘回归模型具有较好的拟合与预测能力,有较强的工程实用性。

基于小波变换-遗传算法-偏最小二乘的草莓糖度检测研究

采用近红外漫反射光谱分析技术,对草莓糖度进行了无损检测研究。利用便携式近红外光谱仪采集草莓样品在600~1100 nm波段内的漫反射光谱数据。首先利用小波变换(WT)多分辨率方法对光谱数据进行去噪预处理,然后利用遗传算法(GA)优选特征波长,最后运用偏最小二乘法(PLS)建立草莓糖度的WT-GA-PLS校正模型。该模型校正集的相关系数R C为0.9395,校正集的均方根误差RMSEC为0.1615,预测集的相关系数R P为0.9652,预测集的均方根误差EMSEP为0.5042。与全光谱模型(FS-PLS)和小波变换模型(WT-PLS)相比,该模型预测能力更强,稳健性更优。

遗传算法-偏最小二乘法用于卵巢癌血清蛋白质组数据的特征挑选

统计学t检验结合引入的变量筛选方法——遗传算法-偏最小二乘法(GAPLS)对卵巢癌SELDI-TOF MS数据进行特征筛选,从15154个原始变量中筛选得到4个特征质荷比值,采用支持向量机(SVM)模型的留一法交叉验证结果为95.26%.结果表明这4个质荷比值具有重要的生物学意义,它们或许可以作为卵巢癌的生物标记物,同时GAPLS可以作为一种有效的蛋白质组数据的特征筛选方法.

基于遗传算法的偏最小二乘回归模型在大坝安全监测中的应用

偏最小二乘回归能较好地解决自变量之间严重的相关性问题,遗传算法作为一种新的全局优化搜索方法,具有智能性搜索、并行式计算、鲁棒性强等优点。本文在偏最小二乘回归分析的基础上引入遗传算法,依靠其有效的自适应全局搜索优化功能,对偏回归模型中的回归系数进行重新评估,建立基于遗传算法的偏回归模型。实例分析表明:基于遗传算法的偏回归模型有良好的拟合效果和预测精度。

基于遗传算法结合偏最小二乘的潮土碱解氮高光谱特征及含量估测

提取土壤碱解氮特征光谱是利用高光谱数据进行其含量估测的关键。对山东省典型潮土土壤样本测试高光谱并进行变换;采用遗传算法（GA）结合偏最小二乘法（PLS）,在筛选潮土碱解氮含量特征谱区的基础上,构建潮土碱解氮含量偏最小二乘（PLS）回归估测模型;优选最佳模型并与相关分析、逐步回归分析和单纯偏最小二乘回归分析的模型进行比较。结果表明：潮土碱解氮特征波段为449~469 nm,988~1001 nm,1065~1078 nm,1716~1736 nm,1912~1925 nm,2213~2233 nm,2262~2275 nm;基于各输入光谱特征谱区构建的估测模型决定系数R2均较高,其中基于反射率一阶导数光谱筛选的特征谱区,构建的模型精度最高,数据点（147个）为原始全谱的7.17%,建模R2达到0.97,均方根误差RMSE为4.78 mg/kg,验证R2为0.95,RMSE为5.49 mg/kg,对潮土碱解氮含量具有较好的预测准确性;在光谱变换形式中,反射率的一阶导数表现最佳;方法比较显示采用遗传算法结合偏最小二乘（GAPLS）获得较高预测精度的同时,可简化模型。说明遗传算法结合偏最小二乘法（GA-PLS）,可有效筛选土壤碱解氮的特征波段,减少模型参与变量,提高估测精度。

基于小生境遗传算法的Hi-PLS回归模型优化

在以递阶偏最小二乘法建立回归模型的基础上,利用小生境遗传算法的快速、全局搜索优化功能对模型中的回归系数进行重新评估,建立了基于小生境遗传算法的递阶偏最小二乘大坝安全监控模型。工程实例与模型对比分析结果表明,经小生境遗传算法优化的递阶偏最小二乘回归模型不仅比原模型提高了拟合精度,且增强了预测能力。

偏最小二乘回归分析法在黄芩抑菌谱-效关系及数学模型研究中的应用

以黄芩药材指纹图谱及其对金黄色葡萄球菌抑菌率为基础数据,采用偏最小二乘回归分析法(PLS)进行数据的谱-效相关性分析,并建立数学模型。结果表明,黄芩中有5个成分对抑菌率的影响较大,建立模型的药效预测值偏差在10%以内,能够较好地预测药效。该方法及所建立的数学模型能成为预测黄芩抑制金黄色葡萄球菌的药效作用的一种有效的手段。

偏最小二乘回归在美式-亚式期权定价中的应用

利用蒙特卡罗模拟得到几何布朗运动环境下标的资产的价格路径样本,然后应用偏最小二乘回归给出了美式-亚式期权的价格.与基于扰动分析估计的随机近似方法及普通最小二乘回归方法相比,在保证精度的前提下,该方法具有更好的稳定性和更快的收敛速度.

偏最小二乘回归在美式-百慕达-亚式期权定价中的应用

本文利用蒙特卡罗模拟得到标的资产的价格路径样本,然后应用偏最小二乘回归给出了美式-百慕达-亚式期权的价格。与最小二乘回归方法相比,该方法在保证精确度的前提下,具有更快的收敛速度。

基于主成分回归分析和偏最小二乘回归法的樱桃糖度检测的研究

选用烟台大樱桃为研究对象,采用便携式光谱仪对樱桃糖度进行检测,利用极差标准归一化方法和小波滤波,对其可见-近红外光谱数据进行预处理,分别运用主成分回归分析（PCR）法和偏最小二乘回归（PLSR）法建立了樱桃糖度定量分析模型,并对两种模型进行了比较。实验结果表明：在600～1 100nm波段范围内对樱桃糖度进行检测是可行的,并且PLSR模型的性能优于PCR模型。

量子GA-PLS特征选择算法及其应用

为进一步提高遗传算法-偏最小二乘法的计算速度和计算效率,将量子算法融合到遗传算法-偏最小二乘法中,提出一种新的特征选择方法;量子遗传算法-偏最小二乘法(Quantum genetic algorithm-partial square least,QGA-PLS)算法。该方法利用量子态和叠加态原理对染色体进行编码,采用量子旋转门进行遗传操作,以实现参数的更新和增强种群多样性.同时,用量子计算重新构建了偏最小二乘法回归模型来计算个体适应度,以充分发挥快速收敛和全局优化能力.将方法应用于函数极值优化和Iris数据集的特征选择,实验结果表明,QGA-PLS在特征选择、运算时间和分类准确率方面优于QGA和GA-PLS,从而验证了QGA-PLS算法的有效性.

基于最小二乘支持向量回归的鹅肉弹性的可见-近红外光谱测定

为简化鹅肉弹性的可见-近红外光谱模型和提高预测精度,采用联合区间偏最小二乘法(synergyinterval partial least square algorithm,siPLS)结合遗传算法(Genetic algorithm,GA)提取可见-近红外光谱特征波长,用最小二乘支持向量回归(least square support vector for regression,LSSVR)建立鹅肉弹性的预测模型。试验以万能试验机获取恢复距离S作为鹅肉弹性实际值。在模型建立过程中,先利用sym8小波的2层分解对原始的可见-近红外光谱进行光谱预处理;然后用siPLS优选出4个特征光谱子区间(分别为第3、5、9、13子区间),在这4个特征光谱子区间内继续用GA优选出74个特征波长,并建立基于LSSVR的鹅肉弹性的预测模型。模型预测集的决定系数(R2)和预测均方根误差(root mean squarederror of prediction,RMSEP)分别为0.9096和0.0588。试验结果表明,siPLS结合GA法能够有效提取光谱中的鹅肉弹性对应的特征波长,有利于提高LSSVR模型预测鹅肉弹性的精度。

基于小波包变换和GA-PLS算法的故障特征选择方法

为了提高故障诊断的分类精度,减小分类运算时间等问题,需要从原始特征集合中选择出更为优化的特征子集合,因此,提出了一种基于小波包变换和GA-PLS算法的特征选择方法。首先,采用小波包变换对提取出的振动信号进行分解,从而得到小波包的分解系数;其次,运用遗传算法-偏最小二乘法从原始信号和小波包系数的统计学特征中选择出最优特征集;最后,将最优特征集作为输入,输入到支持向量机中以实现对不同故障的诊断与识别。应用于轴向柱塞泵故障诊断中,与现有特征选择方法对比,实验结果验证了本研究特征选择方法的有效性。

基于EMD与GA-PLS的特征选择算法及应用

针对振动信号非平稳性和特征优化选择的问题,提出一种基于EMD和GA-PLS的特征选择算法。在该算法中,首先,采用EMD方法将振动信号分解成多个固有模态函数(Intrinsic Mode Function,IMF),对IMF分量建立自回归(AR)模型,以AR模型系数和残差作为初始特征向量,然后,遗传算法与偏最小二乘法相结合(GA-PLS)的算法对初始特征向量进行筛选得到新的特征向量,最后,以新的特征向量为输入,建立分类器,用来识别手动换向阀的工作状态和判断故障类型。实验结果表明,采用该特征选择算法能准确地选择出特征,并能应用于手动换向阀的故障诊断。

基于遗传优化偏最小二乘支持向量机的税收预测研究

由于我国税收收入存在高度的非线性、耦合性和多因素的影响,故而对其进行预测是传统的预测方法难以胜任的。首先,提出偏最小二乘支持向量回归对我国税收收入进行预测的思路。其次,由于参数集(C,σ2)直接影响支持向量技术的预测优劣,故采用改进的遗传算法对参数集进行全局寻优,这样既保证了处理非线性的优势,又确保了支持向量回归模型的稳定性与精确性。结果表明,预测精度有着显著提高,说明了该模型的有效性与实用性。

基于偏最小二乘回归法分析药用紫草抗肿瘤谱效关系

目的研究药用紫草高效液相色谱-质谱-多反应监测(UHPLC-QTRAP-MS/MS(MRM))特征轮廓谱与抗肿瘤活性的谱效关系,为明确紫草抗肿瘤作用物质基础提供依据。方法(2018年5月至2019年12月,数据来源于嘉应学院医学院客家药用生物资源研究所)采用UHPLC-QTRAP-MS/MS(MRM)技术建立药用紫草的特征轮廓谱,以A549细胞抑制率为药效指标,采用偏最小二乘回归法分析其谱效关系,并对部分化合物进行活性验证。结果分析辨识了24个与紫草抗肿瘤作用具有重要影响的成分,其作用相关性由高到低依次为峰59、9、66、32、62、45、46、58、43、71、13、63、41、44、5、39、34、65、49、21、12、3、22和60。验证结果显示紫草呋喃A(19.86±0.55)μmol/L、紫草素(1.10±0.05)μmol/L、紫草呋喃E(22.60±0.92)μmol/L、乙酰紫草素(2.53±0.11)μmol/L、去氧紫草素(5.43±0.24)μmol/L、异丁酰紫草素(2.16±0.10)μmol/L、β,β-二甲基丙烯酰紫草素(3.50±0.16)μmol/L和α-甲基丁酰紫草素(0.74±0.03)μmol/L对A549细胞均有一定抑制作用,其IC50值为0.74~22.60μmol/L,而阳性药紫杉醇的半数抑制浓度(IC50值)为(3.45±0.16)μmol/L。结论紫草的抗肿瘤药效是多种成分共同作用的结果,该研究初步明确了紫草抗肿瘤药效物质基础,为紫草后续研究和开发提供了科学依据。

红外光谱法结合偏最小二乘回归法测定干混砂浆中的聚合物含量

采取来自不同厂家和不同型号的干混砂浆产品组分,通过改变灰砂比和掺入添加剂,制备一系列聚合物有效含量不同的干混砂浆标准样品。取干混砂浆实际样品20份和所配制的标准样品80份,用衰减全反射-傅里叶变换红外光谱法测得其所含聚合物的光谱数据,用偏最小二乘回归法对数据进行校正。分别采用连续小波变换、Savitzky-Golay平滑和求导方法对光谱信号进行预处理,提高所建模型的精密度,其中以信号平滑的效果最好。结合蒙特卡洛无信息变量消除方法优化所建模型,建模集和验证集测定值的均方误差分别由0.213和0.217下降至0.170和0.180,验证集数据的相关系数为0.991。该方法与国家标准方法之间具有很好的相关性。

基于遗传算法的RBF-PLS方法在辐射源识别中的应用

RBF-PLS是一种有效的径向基网络构造方法,较好地解决了隐单元数和各中心的取值问题,但宽度系数和PLS成分数难以选定。为此,该文提出采用混合编码遗传算法,以径向基网络的拟合性能和泛化能力为目标,优选宽度系数和PLS成分数,以此建立RBF-PLS-GA模型。将该方法用于雷达辐射源识别,效果良好,明显优于其他网络模型。

嵌入式粒子群-遗传算法的水质COD检测特征波长优化算法

基于紫外-可见光谱法的水质测量中,光谱信号易受到系统噪声干扰、悬浮物散射干扰,且存在信息冗余、多重共线性等特征,导致水质COD测量中特征波长的选取产生较大偏差。因此,提出了基于嵌入式粒子群-遗传(EPSO_GA)算法的水质COD检测特征波长优化算法,以提高波长选择精度。为验证检测特征波长优化算法的可行性,采集了某高校池塘水样、生活污水和排水沟水样的光谱数据,利用EPSO_GA算法对预处理后的光谱数据选取特征波长。EPSO_GA算法采用实数编码方法实现了粒子群(PSO)优化算法和遗传(GA)优化算法的统一编码,在PSO算法中更新粒子时嵌入GA算法的选择、交叉、变异等操作,改善了这两种算法各自在光谱波长特征选取问题上的局限性。将EPSO_GA算法选取的特征波长结合偏最小二乘法(PLS)构建了EPSO_GA_PLS的水质COD预测模型,并且与传统的PS O算法、GA算法选取特征波长建立的PSO_PLS、GA_PLS和全光谱构建的PLS水质COD预测模型做了对比。结果表明:与PSO_PLS,GA_PLS和全光谱构建的PLS水质COD预测模型相比,EPSO_GA改善了PSO算法和GA算法在光谱特征波长选择中早熟和收敛速度慢的问题,降低了全光谱构建PLS水质COD预测模型的复杂度,提高了模型的预测精度。基于EPSO_GA算法建立的EPSO_GA_PLS水质COD预测模型,均方根误差降到了0.2123,预测精度增加到0.9993,可以快速定量检测水质COD,为紫外-可见光谱法测COD提供了更好的预测模型。

基于偏最小二乘回归的洪水预报方法

针对常规多元回归模型无法克服预报因子间复相关性的问题,提出了基于偏最小二乘回归的洪水预报方法.通过结合遗传算法与偏最小二乘回归来进行因子筛选,对筛选后的因子采用Bootstrap方法进行检验,再建立基于偏最小二乘回归的预报模型.实例分析结果表明,该方法建立的洪水预报模型结构简单,能依据给定目标进行因子筛选,有助于克服水文要素间复杂的多重相关性,具有较高的预报精度.