基于PCA-SVM结合共聚焦拉曼光谱的特级初榨橄榄油掺伪压榨菜籽油定量分析

为了促进国内橄榄油市场的健康发展,对掺伪同样存在天然类胡萝卜素的低温压榨菜籽油的特级初榨橄榄油进行了定量鉴别研究。采用共聚焦拉曼光谱技术对不同掺伪浓度油样进行测试,基于密度泛函理论对油样的拉曼光谱峰的归属进行了理论分析,并对拉曼光谱数据进行主成分分析(PCA),然后利用支持向量机(SVM)构建PCA-SVM模型。另外,对PCA-SVM模型的检出限进行了研究。结果表明:特级初榨橄榄油与低温压榨菜籽油的拉曼光谱存在一定差异,最明显的光谱差异主要集中在谱峰1008、1161、1528 cm^(-1)和谱段2800~3000 cm^(-1)内,与密度泛函理论对不同油样拉曼光谱峰的分析一致;不考虑类胡萝卜素特征信号建立的PCA-SVM模型决定系数大于0.989,均方根误差小于2.990%,检出限为2%(低温压榨菜籽油体积分数);在特级初榨橄榄油掺伪定量分析中,考虑类胡萝卜素的特征信号有助于提高模型预测精度,但仅限于掺伪低价植物油中无类胡萝卜素存在的情况;PCA-SVM模型在不考虑类胡萝卜素特征信号的情况下依然具有良好的定量预测效果。综上,所建立的PCA-SVM模型可以用于掺伪2%以上低温压榨菜籽油的特级初榨橄榄油的定量鉴别。

基于RS-PCA-SVM的建筑项目安全预测模型

为了减少建筑项目安全事故的发生,文章提出一种基于RS-PCA-SVM建筑项目安全组合预测模型,采用粗糙集理论(rough set,RS)对数据进行属性约简,剔除交叉和冗余信息,降低输入变量维数和计算复杂度,减少训练时间;利用主成分分析(principal component analysis,PCA)法进行降维处理,除去贡献率较低的主成分,将剩余主成分作为支持向量机(support vector machine,SVM)的输入变量,并选择自适应权重粒子群优化算法(particle swarm optimization,PSO)优化SVM的参数,避免参数选择的盲目性。结果表明:该模型的平均预测准确率为93.78%,相比传统方法预测精度高、计算速度快。

基于PCA-SVM的磨煤机在线智能诊断系统研究

针对电厂燃煤机组磨煤机故障频发、人工监测实时性差等问题,提出了一种基于主成分分析法-支持向量机(PCA-SVM)的故障诊断方法。首先,构建基于PCA-SVM的磨煤机故障诊断模型,将采集的正常数据代入模型训练,得到数据集的特征值,并根据特征值进行智能诊断与预测。之后通过测试集对该模型进行准确率验证,实验表明,准确率可达99.6%,该方法在磨煤机智能诊断与预测中具有较高的准确性和可靠性。同时,在现场实际应用中通过在线更新参数实现了对磨煤机的在线诊断功能。

基于NIRS和PCA-SVM算法快速鉴别4种含铁矿物药

目的基于NIRS和PCA-SVM算法快速鉴别磁石、自然铜、蛇含石、赭石。方法采集各样品的近红外光谱(NIRS),分别采用不同方法进行光谱预处理及PCA降维,通过网格搜索法寻优建立SVM模式识别模型。对比不同预处理方法及所建PCA-SVM模型的预测准确率,确定最佳预处理方法和最佳主成分,建立4种含铁矿物药快速鉴别模型。结果光谱最佳预处理方法为矢量归一化法(VN),最佳主成分为PC1和PC2。所建模型对训练集和验证集样品预测准确率均达到100%,模型五折交叉验证准确率亦达100%。结论所建的4种含铁矿物药NIRS的PCA-SVM鉴别模型预测能力强,可用于上述4种含铁矿物药的快速鉴别。

基于主成份分析和支持向量机的PCA-SVM储层识别模型研究

储层识别是油气勘探开发中所面临的关键问题和难点之一。针对传统储层识别方法预测精度较低这一问题,提出了基于主成份分析和支持向量机的PCA-SVM储层识别模型,较好地解决了传统学习方法在非线性预测中的小样本、过学习、局部极小点等问题,同时消除了出入变量之间的多重相关性,减少了输入变量的个数,提高了预测精度和收敛速度。通过对长庆中部气田马五1段储层的实例应用,PCA-SVM模型的预测精度达到100%,优于SVM模型(93.6%)和Fisher判别模型(96.3%)。这表明PCA-SVM模型具有更高的预测精度,为致密储层的准确识别探索了又一新方法。

基于PCA-SVM的软测量建模方法与应用

主元分析 (PCA)能够有效地提取数据的特征信息 ,消除变量间的共线性 ;而将基于统计学习理论的支持向量机 (SVM)用于数据建模具有显著的优点。本文提出了将PCA与SVM相结合的软测量建模方法 ,并利用该方法建立了工业萘初馏塔酚油含萘量软测量模型 。

企业财务预警PCA-SVM模型研究

将主成分分析(PCA)和支撑向量机(SVM)结合,提出了一种分行业、适用小样本空间的财务预警模型:PCA-SVM模型。以传统财务指标为基础,通过主成分分析,简化输入向量,并利用SVM作为判别企业状态的工具。该文利用了SVM提取优秀企业各比率之间的内在相关知识,作为评判企业状态的依据,克服了以往在区分企业状态方法上线性判别的局限性,也克服了小样本条件下BP网络推广能力不强的缺陷。

基于PCA-SVM的滚动轴承故障诊断研究

针对滚动轴承振动信号的时域指标之间存在很强的关联性,冗余信息较多,采用主成分分析结合支持向量机实现了滚动轴承故障的准确诊断。首先在故障模拟试验台测量振动信号,然后提取振动信号的12个时域特征,对12个基本时域特征进行主成分分析,提取累计贡献率≥95的特征值信息作为主成分。最后将提取的精简特征作为支持向量机的输入,实现对不同轴承故障的分类识别。实验结果证明针对四种轴承状态,识别率达到90%,提出的结合PCA-SVM是一种有效的滚动轴承故障诊断方法。

基于PCA-SVM的廉租房PPP融资风险预测

为提高廉租房PPP融资风险预测的精度,提出一种基于PCA-SVM的廉租房PPP融资风险预测模型。首先应用主成分分析(PCA)对廉租房PPP融资风险指标进行降维处理,消除指标间的冗余;进而将降维后的指标作为支持向量机(SVM)的输入,运用支持向量机完成对廉租房PPP融资风险预测。工程实例证明该模型可提高支持向量机的泛化能力、训练速度及精度。

中国海外上市公司的PCA-SVM财务危机预警研究

在支持向量机(Support Vector Machine,SVM)方法的基础上融入主成分分析(Principal Compo-nent Analysis,PCA)方法,可构建PCA-SVM财务危机预警模型。以我国海外上市公司为研究对象,运用PCA提取出对财务危机具有显著影响的特征指标,进而通过训练集在不同核函数下对SVM进行训练,最后运用测试集对经过训练得到的SVM财务危机预警模型进行性能验证与评价。实证研究结果表明,PCA-SVM财务危机预警模型在线性、多项式、径向基和sigmoid四种核函数下都具有良好的预测能力,而径向基核函数下的PCA-SVM财务危机预警模型具有更加优越的学习能力与泛化推广能力。

基于PCA-2KPCA-SVM的pod入侵高精度检测方法

为精确识别具体的攻击行为,提高入侵行为的识别率,提出一种基于PCA-2KPCA-SVM的pod入侵高精度检测方法。根据样本的不同分布特点选择不同的PCA方法,进行特征抽取和降维预处理;对于所有入侵行为样本,将pod入侵样本同其它入侵行为样本及正常样本做一对一分组;所有小组均使用PCA-PSO-SVM方法训练,将训练效果不佳的小组使用2KPCA-SVM方法训练,根据每个小组的训练方法对测试样本进行检测。实验结果表明,该方法可以精确识别pod入侵行为,可推广到对其它入侵行为的高精度检测。

基于价值投资的PCA-SVM股票选择模型研究

为了顺应股市价值回归趋势和引导理性投资,在价值投资理论指导下,采用PCA-SVM方法建立了基于价值投资的股票选择模型.根据股票的价值特征集,采用主成分分析方法实现对股票价值特征的提取.采用多组不同的训练样本对支持向量机进行训练,并对训练成功的支持向量机进行样本内和样本外测试.利用该股票选择模型对上证180指数的成分股票进行识别.结果证明PCA-SVM股票选择模型具有良好的选股能力.

基于网格搜索的PCA-SVM道路交通标志识别

针对现有识别方法对交通标志的识别精度和算法效率不高的问题,提出了一种基于网格搜索的主成分分析-支持向量机(PCA-SVM)道路交通标志识别方法。该方法首先采用主成分分析(PCA)法对交通标志进行降维处理,提取出交通标志的主元特征,然后利用网格搜索法(GS)对支持向量机(SVM)进行参数优化,最后利用参数优化好的支持向量机分类器实现对交通标志的识别。通过实验仿真,并与现有的其他交通标志识别算法进行分析对比,实验结果表明,本文方法在保证较高识别精度的同时,算法效率得到显著提高。

感染性腹泻周发病例数的PCA-SVM回归预测研究

提出一个使用PCA-SVM进行感染性腹泻周发病例数回归预测方法,有效避免了BP神经网络模型存在局部极值、多重共线性的问题。以上海市2005年至2008年感染性腹泻周发病例数为样本,建立PCA-SVM回归模型。首先用PCA从统计气象因子中提取气象主成分因子,去除预报因子多重共线性,得到最终模型的解释变量,其次采用SVM方法构建上海市感染性腹泻周发病例数预测模型。为了说明该模型有更佳的预测效果,与BP神经网络模型比较拟合及预测结果。数据结果显示PCA-SVM回归模型预测的平均相对误差MAPE、均方误差平方根RMSE(数值分别为0.2694,33.113)均小于BP神经网络(数值分别为0.3745,49.909),而决定系数R2(数值为0.9089)较BP神经网络(数值为0.8590)更趋近于1。证明PCA-SVM回归模型在感染性腹泻周发病例数预测中具有较高的预测精度和较强的泛化能力,模型对于感染性腹泻周发病例数的预测可靠,对于向公众发布腹泻预报有更好的实用价值。

叶绿素荧光PCA-SVM分析的黄瓜病虫害诊断研究

为了对植物病虫害进行快速准确检测,采用荧光光谱技术并结合支持向量机分析方法建立了黄瓜病虫害诊断模型。通过Savitzky-Golay平滑法(SG),SG平滑法+快速傅里叶变换(FFT)和SG平滑法+一阶导数变换(FDT)三种方法对原始光谱进行降噪处理,并利用主成分分析法(PCA)对降噪后的光谱进行降维,根据累积贡献率选取7个主成分进行分析。将样本数据随机分为训练集和预测集,利用四种核函数条件下的支持向量机算法建立了预测模型,并进行预测。以训练集交叉验证的分类准确率最大值为指标,对四种核函数模型进行参数优化,并对比其分类性能,结果表明,经SG+FDT+PCA预处理后,具有多项式核函数的支持向量机对黄瓜病虫害的鉴别准确率达到98.3%,具有很好的分类和鉴别效果。

基于PCA-SVM模型的饲料企业财务精细化管理研究

在经济体制改革与财政职能不断转变背景下,实行财务精细化管理成为饲料企业降本增效、可持续发展的主流方向。文章将2020年深沪两市20家饲料上市企业t-3年财务数据作为研究样本,探究PCA-SVM模型应用于饲料企业财务精细化管理的适配性。检验发现,PCA-SVM模型有效融合PCA与SVM模型优势,可消除样本数据存在的线性相关,实现降维,显著增强饲料企业财务精细化管理的分类能力与泛化性。且PCA-SVM模型对于高维数据、小样本饲料企业财务精细化管理水平测度具有良好的适用性,可为财务管理人员提供参考。因此,饲料企业应加强现代信息网络技术应用、完善技术嵌入制度、强化全流程管控,提升PCA-SVM模型在财务精细化管理中的应用水平。

基于遗传优化的PCA-SVM控制图模式识别

针对SVM和PCA-SVM进行质量控制图模式识别时泛化能力不足和识别精度不高的问题,提出一种基于遗传优化的PCA-SVM控制图模式识别方法。该方法的基本思想是首先基于特征子空间降维方法,运用PCA算法对原始特征样本进行主元分析,有效降低原始特征样本维数并突出聚类,提取各模式之间的主元特征;然后把此特征看成遗传算法中一组染色体,对支持向量机分类器核参数和惩罚因子进行二进制编码,通过对随机产生的一组染色体进行模式识别,并将此识别率作为遗传算法的适应度函数,通过选择、交叉和变异操作,对其参数进行自适应寻优;最后用优化的支持向量机分类器进行控制图模式识别。通过仿真进行验证,结果显示基于遗传优化的PCA-SVM分类器模型的控制图模式泛化能力强、识别精度高,可适用于生产现场质量控制。

金属矿采空区危险性判别的PCA-SVM模型研究

为了有效合理地判别金属矿采空区的危险性,引入主成分分析法(PCA)及支持向量机(SVM),建立了PCA-SVM判别模型。搜集国内金属矿40组采空区失稳资料,首先利用主成分分析法对采空区失稳因素进行降维处理,消除各因素之间的冗余,获取样本集主要信息。然后利用支持向量机对保留的主成分数据进行建模,并引入遗传算法对SVM模型参数进行优化,改善SVM模型的判别效果。对判别模型进行训练及检验,结果表明,该模型对训练样本和检验样本的判别精度分别达到100%及90%。最后将该模型运用于工程实际中,其判别结果与实际情况相符,表明该模型在工程实际中具有一定的应用价值。

PCA-SVM模式分类方法在心电信号分析中的应用

为了给医生在心血管疾病诊断方面提供更精确的参考依据,提高心血管疾病诊断效率,提出了一种基于PCA-SVM模式分类的心电信号分析方法。通过对麻省理工心率失常数据库中8类心搏心电数据分别运用支持向量机以及PCA-SVM模式分类方法进行分析处理,比较最终的分类准确率。发现当支持向量机选择线性核函数时,SVM的分类准确率为97.812 5%,PCA-SVM的分类准确率为99.0625%,PCA-SVM相对于SVM的分类准确率更高,能够满足心血管疾病临床诊断需求。

基于PCA-SVM的油气管道腐蚀速率预测技术探讨

油气管道腐蚀问题对于油气管道的应用有非常重要的作用,一定程度上关系到管道的使用效果和使用寿命。针对管道腐蚀速率进行研究,能够做好管道腐蚀的有效控制。本文笔者研究了PCA-SVM方法在油气管道腐蚀速率预测中的应用,文章研究了管道腐蚀的危害和腐蚀速率预测技术发展现状,并提出PCA-SVM尤其管道腐蚀速率预测技术的具体应用。