PCA-GRNN在综合气象短期负荷预测中的应用

为克服由气象因子较多且信息互嵌造成输入量多、预测时间长、预测精度低的缺点,引入主成分分析(PCA)提取气象因子特征量,与历史负荷数据共同作为建模对象;同时,针对BP神经网络动态性能的不足,建立基于广义回归神经网络(GRNN)的短期负荷预测模型。通过对实际电力负荷数据的预测,证明该方法与传统神经网络预测模型相比,明显提高预测精度和速度,具有实用性和有效性。

基于PCA的相似度方法在半导体产品分类中的应用

以传统的主元分析方法(Principal Component Analysis,PCA)为基础,利用负载矩阵构造SPCA相似因子(PCA Similarity Factor)和改进的相似因子SλPCA,通过衡量负载向量之间角度的大小对不同工况批次数据进行相似度比较,实现不同工况产品的分类.采用累计方差贡献率方法确定主元个数,将SλPCA应用到半导体间歇过程中进行数据分类.实验仿真结果表明:利用改进的相似因子SλPCA对半导体多工况数据的分类具有显著效果.

基于VMD-PCA和TCN模型的短期电力负荷预测

为提高电力负荷预测的准确性以降低后期电力备用储能建设的成本,需采取合理精确的预测模型预测未来负荷数据,文中提出一种基于变分模态分解(VMD)结合主成分分析(PCA)与时间卷积网络(TCN)组成的电力负荷预测模型。首先,为了提高抗噪性和分解效率,采用VMD对原始负荷序列进行分解,分解所得的模态分量通过计算样本熵值(SE)进行复杂度的近似分类,对新序列组分别建立预测模型;然后,采用主成分分析法做特征提取,提取出对预测目标影响较大的影响因素作为模型的输入向量。时间卷积网络作为深度卷积网络的改进算法,在预测精度和时间上都具有较大的优势,在深度学习领域得到了很多的关注,采用该模型进行短期电力负荷预测,最终结果同其他模型的结果相比误差最小,证明了该预测模型的精确可靠性。

便携式X荧光光谱结合主成分分析鉴别不同产地的绿松石

国内外研究成果表明,便携式X荧光光谱仪(PXRF)在文物矿料产源研究中具有一定的可行性。基于此,利用PXRF检测陕西洛南河口、湖北竹山、河南淅川等东秦岭5个不同产地绿松石样品,结果显示,不同矿点绿松石样品在某些元素含量方面存在差异。随之建立主成分分析(PCA)鉴别模型。建模结果表明,三个主成分因子累计方差贡献率达86%,样本在主成分空间中大体聚集为不同的区域,结合Ba、V、U元素的散点图,基本实现不同产地绿松石的鉴别。提取模型的载荷因子,分析显示,5个产地绿松石的差异主要在Sn、Sb、Te、Sr、Ni、Ba、V、Mo、U九种元素上。运用该方法初步判定洛南河口绿松石古矿可能是二里头遗址出土绿松石的矿源之一。研究结果表明PXRF结合PCA分析,可以一定程度实现不同产地绿松石的鉴别。

基于高光谱成像技术的大曲还原糖含量预测及其可视化

还原糖是大曲质量评价的重要指标,为进一步提高大曲还原糖含量的检测精度,提出了一种应用高光谱成像技术检测大曲还原糖含量的方法。采用高光谱成像系统,在900~1 700 nm采集大曲样本的光谱信息,并提取全部样本的平均光谱数据。首先,采用标准正态变量校正(standard normal variables, SNV)、卷积平滑、多元散射校正3种预处理方法对原始光谱进行预处理;然后,分别使用主成分分析(principal component analysis, PCA)荷载系数法、连续投影法(successive projections algorithm, SPA)和PCA荷载系数-SPA三种方法提取了大曲光谱数据的特征波段;最后,基于全波段和特征波段的光谱数据,分别建立了预测还原糖含量的偏最小二乘回归(partial least squares regression, PLSR)和最小支持向量机(least squares support vector machine, LS-SVM)模型。结果表明,对SNV预处理后的大曲光谱数据,采用PCA-SPA算法提取的特征波段建立的PLSR模型效果最佳,其中提取的特征波段数为26个,预测集相关系数为0.922 7,预测集均方根误差为0.455 6 g/100 g。基于最优的模型SNV+PCA+SPA+PLSR对不同发酵时期的大曲样本实现了还原糖含量的可视化。利用高光谱成像技术可实现大曲还原糖含量的快速检测和可视化分布,研究结果为大曲中还原糖含量的检测提供了一种新的方法。