基于PCA-BPNN模型的埋地管道腐蚀速率预测研究

为了更加准确可靠地预测埋地管道的腐蚀速率,融合PCA分析法和多隐层BP人工神经网络模拟方法进行研究.选取陕西省某油气公司的埋地输油管道,构建8维度外腐蚀指标体系,在PCA-多隐层BPNN模型中模拟训练得到结果.通过PCA预处理将外腐蚀指标体系降为3维,以便减少多元素信息带来的耦合影响,模拟得到隐藏层参数最优的BPNN模型,预测腐蚀速率,求出预测值精确度,统计得到改进后方法精确度大于95%的个数是单一BP方法的2.5倍.为了检验PCA-多隐层BPNN方法的鲁棒性,另取20组数据代入验证,再次证实了PCA-多隐层BPNN模型所得的误差更小,更能满足实际工程需要.

基于PCA-BP神经网络的跨境农产品供应链数字化转型风险预测

数字经济正在成为重组全球农业要素资源、重塑全球农业经济结构、改变全球农业竞争格局的关键力量。对于跨境农产品供应链(Cross-border Agri-food Supply Chains,CASCs),由于农产品自身具有易损易耗、季节性和周期性等特点,使得跨境农产品的链式结构相比其他供应链存在更大的脆弱性。推动跨境农产品供应链数字化转型,关键是有效识别和预测数字化转型过程中的风险因素。基于TOE框架归纳了企业数字化转型风险中的3个表现层面,在对跨境农产品供应链核心企业及其成员企业调研基础上,运用主成分分析(PCA)减少原始数据的维度,在此基础上构建反向传播神经网络(BPNN)用于预测CASCs数字化转型中的风险。结果表明,所选择的4个主成分是合理的,评价指标体系是有价值的。研究结果为跨境农产品供应链发展提供了新的思路。

PCA-BPNN在黄山毛峰茶贮藏时间检测中的应用

为了探索黄山毛峰茶贮藏时间的有效检测方法,利用电子鼻技术对4个不同贮藏时间下的3个等级黄山毛峰干茶叶进行了检测。根据电子鼻传感器阵列响应曲线变化特点,选取了特征变量,并通过主成分分析法提取出4个主特征变量。以主特征变量作为BP神经网络的输入,以茶叶贮藏时间作为输出,建立了黄山毛峰茶贮藏时间的PCA-BPNN预测模型。实验结果表明:PCA-BPNN预测模型的最大预测误差为38.5 d,预测误差超过10 d的样本最大比率为4.44%;与BPNN预测模型相比,PCA-BPNN预测模型性能更优。

基于PCA-BPNN对无机氢化物pK_a的QSPR研究

采用Chemoffice10.0中的MOPAC/AM1半经验算法,计算13个无机氢化物的6种量子化学参数:偶极距(μ)、分子电子能(EE)、分子最高占据轨道能(E homo)、分子最低未占据轨道能(E lumo)、分子总能量(TE)和非氢原子的净电荷(q),利用SPSS19.0软件的主成分分析模块和BP神经网络模块对样本数据集进行预处理,将得到的样本数据集输入人工神经网络,构建无机氢化物pK a的主成分-反向传播神经网络(PCABPNN)QSPR模型.结果表明:利用SPSS19.0软件快速实现PCA-BPNN模型取得了非常满意的结果,而且模型的相关系数高,所得结果均优于传统的多元线性回归方法.

用于神经网络说话人识别的PCA-GA研究

针对用于神经网络说话人识别的海量特征参数带来的识别率和网络训练稳定性的问题,提出了一种用于神经网络的基于语音特征参数的PCA新方法。该方法提取出的新特征参数在神经网络中的识别率和训练速度得到较大提高。结合GA能有效防止网络收敛于局部极小点,缩短训练时间,提高网络稳定性。从而全面提高了基于NN的说话人识别效果。

一种基于PCA-BP 神经网络的示例优选方法

在音频示例检索的研究中,针对示例数据量大而导致计算代价大、检索时间长和噪声鲁棒性差等问题,提出了一种基于主成分分析(PCA)和BP神经网络(BPNN)的示例优选方法。以信号鲁棒性评分为依据构建数据集合,使用主成分分析得到段级特征,消除数据冗余,减少输入变量,最后利用BPNN对保留成分进行建模预测。用PCA-BPNN模型对实验数据进行了验证性测试和分析,结果表明,该方法可以准确而高效地从一段音频中选取鲁棒性好的示例。

基于PCA的太阳辐射观测算法研究

研究太阳辐射对认识气候变化有重要影响,而中国地面台站的太阳辐射观测数据不足,质量不佳。针对提高太阳辐射观测的精确度,提出利用主成分分析法(PCA)对影响太阳辐射观测的多个气象要素进行降维处理,剔除冗余变量,结合遗传算法(GA)获取BP模型的最优权值阈值,并用实测数据加以验证该模型的可行性,充分提高模型性能以实现对太阳辐射的观测研究。结果表明:基于PCA的GA-BP网络模型的观测精度高于传统BP模型,该模型有效地提高模型的泛化能力,具有一定的可行性及指导意义。

基于MSE-PCA的脑电睡眠分期方法研究

针对传统的自动睡眠分期准确率不足问题,提出一种将多尺度熵(MSE)和主成分分析(PCA)联合使用的自动睡眠分期方法。以8例受试者睡眠脑电(EEG)监测数据及专家人工分期结果作为样本,首先使用MSE表征受试者脑电信号不同睡眠期的非线性动力学特征;然后使用PCA的前两个主成分向量代替MSE特征进行降维,实现降低数据冗余的同时保留绝大多数EEG非线性特征;最终将新向量的特征参数输入到反馈神经网络(BPNN)分类器中实现MSE-PCA模型的脑电睡眠状态的自动识别分类。实验结果表明,自动分期准确率可达到87.9%,kappa系数0.77,该方法能提高脑电自动睡眠分期系统的准确率和稳定性。

维数约简用于BPNN的核事故源项估算方法

为在核事故后果评价中准确估算放射性物质源项,优化误差反向传播神经网络(BPNN)核事故源项估算模型,用主成分分析(PCA)法选取累计贡献率大于85%的6个主成分,代替原模型源项的10个影响因素,建立PCA-BPNN模型;用随机森林(RF)算法计算源项各影响因素的重要性,去除风向和混合层高度这2个重要性较小的影响因素,构建RF-BPNN估算模型;对比分析上述3个模型的估算效果。结果表明:与BPNN模型相比,PCA-BPNN模型与RF-BPNN模型估算时间较短,误差较小,可如实反映事故的源项信息;RF-BPNN模型相比于PCA-BPNN模型,精度及稳定性更优。

基于主成分分析法优化神经网络的滆湖组黏性土抗剪强度预测

为了研究苏锡常地区滆湖组黏性土抗剪强度特性,建立抗剪强度参数预测模型;以研究区711组滆湖组黏性土物理力学试验数据为载体,运用主成分分析(principal component analysis,PCA)方法,从样本11个指标中提取影响目标变量的主成分;将其作为反向传播神经网络(back propagation neural network,BPNN)模型的输入层,建立基于PCA-BPNN算法的滆湖组黏性土抗剪强度预测模型。结果表明:当主成分数量为3时,主成分累计贡献率达93.4%;第一、二主成分贡献率分别为52.1%和36.6%;PCA算法即保留了样本大部分信息,又实现了对多维变量的降维。第一主成分可归纳为土体孔隙特性,与黏聚力和内摩擦角均呈负相关关系;第二主成分可归纳为土体水稳性,与黏聚力和内摩擦角均呈正相关关系;土体孔隙特性越显著,水稳性越弱,抗剪强度越低。建立了滆湖组黏性土抗剪强度参数PCA-BPNN预测模型,模型抗剪强度拟合优度为0.85,内摩擦角拟合优度为0.72;模型可靠性总体较高。可见PCA-BPNN预测模型即可降低解释变量间的多重共线性,简化了模型,又能够提升模型的泛化能力;为运用数学方法研究土体工程地质参数提供了参考。

黄山毛峰茶贮藏时间电子鼻检测方法研究

利用电子鼻对6个贮藏时间5个等级的黄山毛峰茶进行检测,首先获取反映茶叶香气的原始特征向量,再通过主成分分析法(PCA)提取出前5个主成分作为主特征向量,然后以主特征向量作为BP神经网络(BPNN)的输入,建立黄山毛峰茶贮藏时间预测模型(PCA-BPNN)。结果表明:PCA-BPNN对于贮藏0 d的茶叶,最大预测误差为11 d,5个(6.67%)样本预测误差超过13 d;对于贮藏60 d的茶叶,最大预测误差为13d,4个(5.33%)样本预测误差超过10 d;对于贮藏120 d的茶叶,最大预测误差为16 d,7个(9.33%)样本预测误差超过10 d;对于贮藏180 d的茶叶,最大预测误差为19 d,8个(10.67%)样本预测误差超过10 d;对于贮藏240 d的茶叶,最大预测误差为21 d,8个(10.67%)样本预测误差超过10 d;对于贮藏300 d的茶叶,最大预测误差为14 d,6个(8.00%)样本预测误差超过10 d。该研究所建立的PCA-BPNN预测模型可用于检测黄山毛峰茶贮藏时间,且与以原始特征变量作为输入的BPNN模型相比,性能更好。

基于可见/近红外光谱技术的茄子叶片灰霉病早期检测研究

应用可见/近红外光谱技术对茄子叶片进行灰霉病害还未在叶片表面出现病症时的早期检测.采用化学计量学方法建立早期检测模型.主成分分析用于对光谱数据进行降维,得到若干个最重要的主成分.但直接从聚类图中无法进行是否染病的鉴别.因而将其作为变量输入BP神经网络,从而减少了计算量,提高了建模精度.检测结果显示,模型具有良好的检测效果,能够达到100%的识别率,正确率也能达到88%.说明运用可见/近红外光谱技术能够实现当病症还未在叶片表面出现时的快速准确的早期检测,为灰霉病早期检测提供了新的途径.

基于可见/近红外光谱技术的番茄叶片灰霉病检测研究

利用可见/近红外光谱技术对感染灰霉病的番茄叶片感染程度进行了检测。提出了主成分分析结合BP神经网络的数据处理方法。采用主成分分析进行数据的降维,减少了计算量,提高了建模精度。通过主成分分析中的载荷值,定性地分析了不同波段对病害程度检测的重要性。将得到的最主要的几个主成分输入BP神经网络进行建模,预测结果显示,当主成分数为8,隐含层结点数为11的时候,病害程度的检测模型对未知样本预测的相关系数达到0.930,SEP为0.0687,模型具有良好的检测效果。说明基于光谱技术和化学计量学方法的灰霉病检测模型具有很好的检测能力,为光谱技术应用于病害检测提供了新的方法。

实用仿生电子鼻在黄酒检测中的应用

研究开发了具有仿生特性的电子鼻系统,并将其应用于黄酒的品质检测中,结合主成分分析(PCA)、判别因子分析(DFA)以及误差反向传播(BP)神经网络作为模式识别方法,对不同产地、不同酒龄的黄酒进行了检测。结果表明,该电子鼻系统对不同产地和古越龙山不同标注酒龄的黄酒区分效果良好,同时可对产地和酒龄进行很好的预测。

Real-Time Face Tracking and Recognition in Video Sequence

A framework of real time face tracking and recognition is presented, which integrates skin color based tracking and PCA/BPNN (principle component analysis/back propagation neural network) hybrid recognition techniques. The algorithm is able to track the human face against a complex background and also works well when temporary occlusion occurs. We also obtain a very high recognition rate by averaging a number of samples over a long image sequence. The proposed approach has been successfully tested by many experiments, and can operate at 20 frames/s on an 800 MHz PC.

电子舌在黄酒检测中的应用

运用Astree型电子舌对不同的黄酒样品进行了检测,并结合PCA、DFA及BP神经网络,对3个厂家不同酒龄的9个样品进行分析。结果表明,电子舌不仅可以区分不同厂家的产品,同时也可以很好地区分同一厂家不同陈酿时间的黄酒样品。对古越龙山品牌3个酒龄各8个批次的样品进行了理化指标的分析,并将数据与电子舌传感器数据信息建立BP神经网络模型,结果显示除氨态氮含量的拟合与预测较为准确外,总酸、p H值等其他理化指标的拟合与预测效果都不理想。

基于主成分分析和BP神经网络的微铣刀磨损在线监测

为提高微铣刀磨损在线监测系统的预测精度,尝试通过主成分分析法对微铣削振动信号的时域和频域特征进行降维,将降维后的特征输入改进型BP神经网络模型,实现微铣刀磨损特征分类。结果表明,提出的微铣刀在线监测方法能够准确识别微铣刀的各种磨损状态,此外,和其它分类算法相比,提出的基于遗传算法的BP神经网络模型在分类精度和计算效率方面具有综合优势,对微铣刀磨损的其它在线监测方法具有一定的指导意义和借鉴价值。

基于主成分分析和BP神经网络的柑橘黄龙病诊断技术

柑橘黄龙病的传统诊断方法主要依赖于人眼经验及生化技术,前者凭经验,诊断快,但准确性低;后者准确性高,但效率低和成本高.本文采用高光谱成像技术,获取5种症状柑橘叶片的高光谱图像,采用基于主成分分析和BP神经网络相结合的方法,对370-988nm波段范围内的柑橘叶片高光谱图像进行了病状的无损检测.研究结果表明,柑橘叶片的高光谱图像存在很大冗余,前四个主成分累积方差贡献率达到97.42%.数据建模分类得表明：BP神经网络的分类准确率达85%以上,经主成分后再利用BP神经网络的分类准确率绝大部分达到90%以上.因此,利用高光谱成像技术进行柑橘黄龙病的早期诊断具有较高的可行性.

城市高架路沿侧细颗粒物的垂直分布特征研究

以上海市高架路为对象,通过移动设备开展数据采集,建立广义加性模型,对高架路细颗粒物(PM_(2.5))浓度的垂直分布及其与微观尺度下的交通、气象、位置等因素之间的关系进行了系统研究,并将原始影响因素的主成分分析结果作为输入变量,提出基于主成分分析法(PCA)的高架路交通污染物浓度垂直变化的神经网络预测模型(PCA-BPNN).结果表明:高度、相对湿度和交通流量对PM_(2.5)浓度垂直变化有着显著影响;PCA-BPNN模型能够较好地处理污染物扩散的非线性问题,消除变量间多重共线性,有效弥补污染物垂直扩散模型在道路微观尺度上预测的不足.

主成分和BP神经网络在粮食产量预测中的组合应用

粮食产量的变动受到多种因素的共同影响,各因素之间往往具有十分复杂的非线性关系,传统的预测方法大多无法反映这种变化规律而影响了预测的准确性.BP神经网络模型具有很好的非线性逼近能力,对中国粮食产量能实现比较准确的预测;主成分分析可以对具有模糊关联的变量数据进行降维,其与BP神经网络的组合能优化模型的网络结构,提高预测精度.实证结果表明,组合模型预测结果的精度提高了3%,网络训练的收敛速度和效率也得到不同程度的改善.