基于PCA-BP神经网络的巷道通风摩擦阻力系数预测模型

根据实测巷道通风摩擦阻力系数数据的特点,建立了主成分分析PCA-BP神经网络预测模型。采用PCA法对影响巷道通风摩擦阻力系数的支护类型、断面形状、巷道宽、巷道高、支护部分周边长、巷道断面积和巷道长度7个因素进行降维。将降维后因素的贡献率进行排序筛选,得到3个主成分指标(F_(1)、F_(2)和F_(3)),作为BP神经网络输入层的神经元。利用实测数据对PCA-BP神经网络模型进行训练和测试,并将测试结果与支持向量机回归(SVM)模型和BP神经网络模型的测试结果进行对比,结果显示:全因素的BP神经网络预测模型和SVM预测模型的平均精度分别为92.9420%、93.0235%,而PCA-BP预测模型的平均精度达到了96.4325%。PCA-BP神经网络模型不但简化了网络结构,更提高了网络的泛化能力,使预测误差更小、精度更高,为更准确地获得巷道通风摩擦阻力系数提供了一种有效的方法。

基于改进PCA-BP神经网络模型的海宁市需水预测

需水预测是地区水资源规划中的重要部分,对于实现水资源合理有序开发,保障社会经济的可持续发展有重要的指导意义。采用改进PCA-BP神经网络模型对影响需水量的9个影响因子进行降维处理,并分别以海宁市2001~2014、2015~2020年数据作为训练样本和检验样本完成模型训练,其中,综合灰色预测模型GM(1,1)对降维后的影响因子独立预测,从而预测海宁市规划年需水量,并与传统定额法的需水预测结果进行对比分析。结果表明,人口、GDP、居民生活用水量、城镇公共用水量为影响海宁市需水量的主要因子;通过构建改进PCA-BP神经网络模型得到的2025、2030、2035年需水结果,比传统定额法更为真实、合理,进一步证实了预测模型的合理性,可为海宁市未来水资源规划提供指导。

基于PCA-BP神经网络的TOC测井评价方法研究

有机碳含量是评价烃源岩潜力的主要参数,常用的总有机碳含量(TOC)测井反演模型难以深度剖析测井曲线之间的复杂共线性关系,制约了多维测井信息的综合评价效果。利用玛湖凹陷三叠系白碱滩组泥岩的热解实验结果和常规测井曲线资料,建立了一种基于PCA-BP(Principal Component Analysis and Back Propagation)神经网络的有机碳含量智能预测方法。该方法以敏感测井曲线的加权平均值和TOC测试结果为原始数据集,首先利用方差膨胀因子检测测井曲线之间共线性,然后采用主成分分析PCA(Principal Component Analysis)技术对原始数据集进行去共线性和降维处理,确定出2个主成分,最后结合中子、自然伽马、密度、声波时差曲线值,建立出6个输入节点的3层BP(Back Propagation)神经网络预测模型,对研究区三叠系白碱滩组烃源岩潜力进行精细评价。3口取心井累积410m井段的预测结果表明,模型的决定系数高达0.879,预测结果平均绝对误差和均方误差分别为0.220和0.107,平均相对误差为16.1%。研究结果为准噶尔盆地勘探领域优选提供了可靠参考。

基于PCA-BP神经网络的既有建筑改造成本预测

既有建筑由于建造过程信息的缺失、损毁,缺乏造价定额资料等成本估算标准数据,导致决策阶段很难快速准确地计算出改造工程造价。针对该问题,提出了基于主成分分析(PCA)和BP神经网络的既有建筑改造成本预测的方法。通过案例与文献分析,识别并提炼出影响既有建筑改造成本的10个影响因子。利用主成分分析方法,对提取的10个因子进行降维,归纳出3个新的综合变量。采用BP神经网络对280个既有建筑改造成本进行分组训练、验证与测试。结果显示,PCA-BP神经网络模型基于降维且消除指标之间相关性数据为基础,提高了预测效率,方根误差、相关度均取得了较好的结果,实测数据与预测数据之间的综合误差为2.66%,为既有建筑改造工程造价快速测算提供了一种新方法。

基于PCA-BP神经网络的水电站库区边坡稳定性分析

为检验神经网络在水电站库区边坡稳定性预测的可行性,通过结合原始数据PCA及神经网络的模式识别特性,构建神经网络模型,对38组实测数据进行PCA处理,选取32组数据作为神经网络输入端数据、6组数据验证神经网络的工作性能。结果表明,神经网络对水电站库区边坡稳定性模式识别率达到83.3%。训练良好的神经网络可以用于工程实践中的水电站库区边坡稳定性预测。

PCA-BP神经网络在矿山岩溶突水水源判别中的应用研究

肥城煤田奥陶系灰岩水和徐家庄灰岩水水质十分相近,因此,导致该煤田矿井突水水源难以判别,为了解决这一问题,选取突水水源中F,Br,I,Rn和H3BO3等微量元素以及化合物质量浓度作为判别指标,利用SPSS软件进行主成分分析,并将所得主成分代入MATLAB软件,建立PCA-BP神经网络判别模型,对比PCA-BP神经网络模型与BP神经网络模型、系统聚类分析判别模型、Fisher判别分析模型的收敛速度和输出精度。结果表明:PCA-BP神经网络模型判别准确率为100%,具有输出结果精度高、误差小、收敛速度快、训练次数少等优点。该模型对于识别水质相近的灰岩突水水源具有一定应用价值。

基于PCA-BP模型的粮食安全体系研究

粮食安全是全面推进乡村振兴的关键。为此,本文基于PCA-BP神经网络模型并利用灰色关联分析对粮食产量的主要影响要素进行定量分析。本文根据地理位置、气候、自然灾害等因素,选取对辽宁省粮食产量有影响的8个指标,初步确定影响要素后对不同指标数据进行预处理,将不同单位的指标数据均变化到0~1之间。采用主因子分析法,去除冗余的指标后最终选取5个指标,确定为主要影响产量的因素。然后利用PCA-BP组合神经网络预测模型,根据选取的5个指标作为BP神经网络的输入层,对未来5年粮食产量进行预测。并将8种指标分别与粮食总产量进行敏感度对比,判断出指标与粮食总产量的相关性大小。确定出特定的几种因素,帮助粮食在适合的环境中更好地生产,以达到增加产量的目的。

基于PCA-BP神经网络预测水工隧洞爆破效果

预测隧洞爆破效果是一个复杂的非线性问题,BP神经网络具有强大的非线性拟合能力。为了能够客观地预测隧洞爆破效果,笔者构建了PCA-BP神经网络模型,利用主成分分析法将神经网络输入端样本数据的特征变量由7个降到3个。研究结果表明:主成分分析法能够有效地精简神经网络拓扑结构;经过训练的、工作性能良好的BP神经网络能够较好地预测隧洞爆破效果。

基于PCA-BP神经网络的输电线路工程投资概算模型研究

传统输电线路(TTL)工程投资概算预测模型存在与实际造价偏差较大、概算管理工作效率低等问题。基于此,研究了基于主成分分析(PCA)和反向(BP)神经网络相结合的新型输电线路工程投资概算预测模型。首先,以影响输电线路工程投资的关键参数为初始输入变量,借助PCA对变量进行降维处理以简化输入数据的复杂性。其次,应用相关性剪枝算法优化BP神经网络节点数,进一步提升算法的快速性和准确性。最后,以河北省电力公司2018年01月—2020年01月输电线路工程投资概算数据为样本进行实例研究。结果表明:所设计基于PCA-BP神经网络的概算预测模型的预测准确率相比于支持向量机法(SVM)和BP神经网络法分别提升了70%和29%,具有更快的收敛速度及显著的工程应用价值。

基于PCA-BP神经网络的智慧建筑暖通空调能耗预测

智慧暖通空调受到通风、温度和湿度高维数据影响,存在数据高维、冗余、异常问题,影响能耗预测精度。为了获取精准预测结果,结合PCA-BP神经网络方法预测智慧建筑暖通空调能耗。采用PCA(principal components analysis)方法对通风、温度和湿度能耗数据降维处理,将三维特征样本点映射到二维平面,通过特征归一化处理,获取保留原特征低维能耗数据。加权平均处理能源数据,解决数据缺失、冗余等问题。对PCA降维矩阵做归一化处理,查找出异常数据,通过线性标量假设,去除其贡献率低的数据。利用BP神经网络(Back propagation neural network)非线性逼近特性,平滑处理能耗数据,取代异常点数据。构建能耗预测目标函数,避免BP神经网络陷入局部最优解,完成BP神经网络的动态预测。由实验结果可知,该方法制冷能耗波动范围为500-3750kW/月,制热能耗波动范围为650-3450kW/月,与实际数据一致,说明使用该方法具有精准预测结果。

基于PCA-BP神经网络的EDXRF分析测定地质样品中铁、钛元素含量的应用研究

为实现地质样品中元素含量的准确预测,提出了基于主成分分析(PCA)的改进型BP神经网络模型。采用X荧光光谱法,对新疆西天山地质样品中Fe,Ti,V,Pb和Zn等元素进行测量,将得到的X荧光计数作为输入变量,应用该模型对未知地质样品中Fe和Ti元素进行定量预测。结果表明:主成分分析与改进型BP神经网络模型取得了较好的预测效果,预测结果与化学分析值的相对误差小于3%,为地质样品元素含量预测提供了一种新型有效的方法。

基于BP、PCA-BP和PLS算法对城市降水量的预测研究

降水量预报对农业生产、城市经济和防控城市内涝等具有重要意义.本文应用BP神经网络、基于主成分分析的BP神经网络和偏最小二乘(PLS)算法建立了三种降水量预测模型.通过比较三种模型的MSE和MAE值,发现PLS模型的预测能力优于其它两种模型.在PLS模型中,采用PLS算法所提取主成分的因变量总方差比例为0.899,这就说明模型具有很好的稳定性和预测能力.通过对PLS模型进行分析,发现极端最低气温(X_1)、极端最高气温(X_2)、降水距平百分率(X_3)、平均气温(X_4)是影响城市降水量的主要因素,且降水量随着X_1、X_2、X_3、X_4的增大而增大.

基于?PCA-BP?神经网络的无车承运人合作伙伴选择研究

随着我国物流创新能力的不断提高,无车承运模式越来越受到国家和社会的重视,对无车承运人合作伙伴理论研究意义重大。在阐述无车承运人的业务模式及无车承运人选择合作伙伴重要性的基础上,从物流服务质量、物流成本、财务风险、技术能力、合作兼容性和企业柔性等6个方面构建无车承运人合作伙伴选择评价指标体系,并运用PCA-BP神经网络建立无车承运人合作伙伴选择评价模型,最后通过实例对模型进行求解验证。结果表明,该评价模型可以为无车承运人选择合作伙伴提供理论依据。

改进PCA-BP神经网络模型在公路客运量预测的应用

用PCA-BP神经网络模型对公路客运量进行预测,预测精度与收敛速度都不是很理想,为克服PCA-BP神经网络算法存在的非线性逼近、迭代次数过多,易陷入局部极值等不足,提出将PCA-BP神经网络模型与动态陡度因子、附加动量因子和动态调整学习率算法结合的方法,给出具体的网络学习方法,并结合实际调查数据进行对比测试,分析结果证明了改进型PCA-BP神经网络模型对公路客运量预测有效性.

基于PCA-BP神经网络的光谱消光法颗粒粒径反演算法研究(英文)

光谱消光法广泛应用于颗粒粒径测量领域,在利用光谱消光法对颗粒粒径进行反演的过程中,由于颗粒的消光系数存在理论复杂、计算繁琐、收敛速度慢以及求解不稳定等问题,很大程度上影响了整个反演过程的快速性和准确性。且在众多波长的消光数据中,存在较多重复冗余的信息,也很大程度上增加了反演算法的时间。针对光谱消光法粒径反演算法计算繁琐、反演效率低的问题,提出了基于主成分分析(PCA)和BP神经网络的光谱消光颗粒粒径分析方法。基于Mie散射理论对不同粒径、不同波长下的光谱消光值进行了仿真计算,通过对光谱消光数据集的主成分分析及各个波长综合载荷系数的计算,实现了最优特征波长的选取,利用降维后的光谱消光数据训练了PCA-BP神经网络模型,并利用该网络模型计算了粒径颗粒分布。通过仿真计算,比较了PCA-BP神经网络模型与传统的BP神经网络模型的预测精度,并分析了波长数目对两种神经网络模型预测结果的影响。针对训练得到的PCA-BP神经网络模型开展光谱消光法粒径参数反演算法的验证实验,搭建了光谱消光法颗粒粒径参数测量实验系统,测量了粒径范围在0.5~9.7μm内的6种不同粒径参数的聚苯乙烯标准颗粒。仿真和实验结果表明:基于主成分分析方法可确定各个波长向量之间的相关性,利用综合载荷系数选取最优特征波长对应的消光值对整体的光谱数据具有较好的代表性,可实现光谱数据的降维。相比传统的BP神经网络模型,基于PCA-BP神经网络模型的颗粒粒径分布的分析方法预测精度更高,对于较分散颗粒系的分布参数的预测有更加明显的优势。而且,被选取的波长数较少时,PCA-BP神经网络模型依然有较高的预测精度。利用训练好的PCA-BP神经网络模型对颗粒粒径参数进行实验验证,预测结果可瞬时输出,颗粒粒径分布误差在5%以内,验证了该算法的可行性。

PCA-BP算法在DMF微量水工艺中的应用

建立PCA-BP模型可以克服BP算法收敛较慢的特点,样本数据经过PCA处理后,维数被大大降低,其收敛性、逼近精度等可以达到工程应用的需要。利用PCA对数据样本预先进行降维处理,消除数据间的强耦合性,然后再作为BP的输入样本。在分析的基础上,利用Visual Basic实现PCA-BP算法编程,以达到进行实际应用的目的。

PCA-BP算法在地面爆破振动中的应用

为了更加准确地预测地面爆破的质点峰值振动速度,提出应用一种PCA-BP算法,该算法首先利用主成分分析对爆心距、高程差、总药量、炮孔深度、单段最大药量等地面爆破振动影响因素进行研究,然后结合BP神经网络算法对其爆破质点峰值振动速度进行预测。结果显示:利用PCA-BP算法的预测结果更接近工程实测值,平均相对误差为7.748%,远小于用传统萨道夫斯基经验公式进行预测的平均相对误差32.654%,说明将PCA-BP算法应用到爆破振动工作中是比较可行的,对评估地面振动危害有一定的指导意义。

基于PCA-BP神经网络的装甲车辆柴油机状态评估

针对装甲车辆柴油机摩托小时不能真实反映实际技术状况的问题,通过提取气缸压缩压力、加速时间、减速时间、供油提前角、振动能量和平均燃油流量等状态参数,运用主成分分析和BP神经网络相结合的方法构建了一种柴油机状态评估模型;该模型首先利用主成分分析方法将多个参数简化为两个综合参数,并根据综合参数的散点图对柴油机的状态进行初步划分,得到BP神经网络的训练数据;最后通过建立BP神经网络进行状态评估;评估结果表明,该模型准确度高,具有较好的应用和推广价值。

中小物流企业联盟伙伴选择——基于PCA-BP神经网络

文章在分析当前中小物流企业联盟伙伴选择研究及实践中存在的问题基础上,从物流服务质量、企业成本、财务风险、企业发展潜力、企业柔性以及合作兼容性六个方面建立了较为系统全面的联盟伙伴选择的指标体系。基于传统决策方法无法消除众多影响因素之间的相关性、计算效率低、预测精度不高等问题,建立了基于PCA-BP神经网络的中小物流企业联盟伙伴选择模型。通过对指标数据进行主成分分析,消除各因素间的冗余性,对数据进行降维,简化了网络拓扑结构,能够提高联盟伙伴选择的训练速度和预测精度。最后,用浙江YL联盟的实例进行了验证,实验结果表明该指标体系和评价模型的可行性和有效性,是中小物流企业联盟伙伴选择中简便灵活、可操作性较强的方法。

基于PCA-BPNN的学生写作成绩预测模型研究

针对传统学生英语写作成绩预测方法准确率偏低的情况,提出一种基于主成分分析(PCA)和BP神经网络相结合的写作成绩预测模型。首先,用PCA对所建立的学生写作评价体系作数据降维处理,提取前3个主成分,构建了新的样本矩阵,再对BP神经网络进行训练和泛化能力测试。仿真结果表明:单一的BPNN预测最大相对误差为-2.165%,PCA-BPNN预测最大相对误差仅为-0.824 2%,PCA-BPNN简化了网络结构,提高了单一BPNN的训练速率、预测精度和泛化能力,验证了所提出的模型的有效性。