PLS在状态检测多元线性回归中的应用

系统的状态检测过程中,各影响因子之闻往往存在着多重相关性,给回归建模分析带来许多负面影响,采用偏最小二乘(PLS)回归建模分析可以很好地解决这个问题.在简述PLS原理的基础上,结合系统状态检测仿真数据,建立系统的状态检测的PLS模型,分别验证PLS回归预测模型用于多个自变量对单个因变量和多个自变量对多个因变量的回归模型...     

基于投影寻踪的非线性鲁棒偏最小二乘法及应用

来自工业现场的数据往往具有非线性特性且包含离群点, 利用非线性偏最小二乘(partial least squares, PLS)建模易受离群点的影响. 针对这一问题, 结合径向基函数(radial basis function, RBF)网络, 本文提出了一种基于投影寻踪的非线性鲁棒PLS方法. 该方法首先利用RBF变换将自变量与因变间的非线性关系转化为线性关系; 然后利用投影寻踪算法提取变换后自变量的鲁棒偏最小二乘法成分; 最后建立鲁棒PLS成分与因变量之间的鲁棒线性回归模型. 将该方法应用于湿法冶金萃余液pH值软测量建模问题, 结果验证了其有效性.     

融合随机森林的偏最小二乘法及其中医药数据分析

偏最小二乘方法在多元线性回归建模中存在着诸多优势,但其本质还是线性回归,难以满足中医药非线性的特性。而随机森林构建的回归模型是由多个多元线性片段构成,对非线性数据有良好的拟合效果。本文提出了一种融合随机森林的偏最小二乘方法,该方法主要是利用PLS不断提取主成分并累计,利用随机森林算法将这些主成分分别与原始被解释变量不断构建多棵决策树,直到满足精度条件为止。分别采用麻杏石甘汤君药止咳、平喘和UCI数据集的数据进行分析处理,实验结果表明,融合随机森林的偏最小二乘分析方法对中医药数据有很好的适应性。     

年用电量预测的PLS-LSSVM模型

偏最小二乘法通过提取主成分能有效地消除变量间的多重共线性,最小二乘支持向量机能很好地逼近变量间的非线性关系。偏最小二乘与最小二乘支持向量机相结合用于年用电量的预测,充分发挥了两者的优点。对四川省1978～2007年的用电量进行了实证分析,与PLS模型和LSSV模型的预测成果进行了对比,结果表明年用电量预测的PLS-LSSVM模型有较高的精度。     

基于非线性迭代PLS的人脸识别算法

主成分分析(PCA)是一种无监督的线性降维方法,能有效地提取模式的类内特征,当样本之间出现高度相关性或多重相关性时,PCA提取的主成分解释能力不够。鉴于PCA的缺点,采用一种有监督的鉴别特征提取法——偏最小二乘(PLS),在保留输入变量的最大信息条件下,先在输入和输出变量组中建立模型,再用非线性迭代法提取类间特征,直至隐变量收敛。在ORL人脸库和Yale人脸库中实验结果表明,该算法具有有效性。     

带有稳定学习的递归神经网络动态偏最小二乘建模

针对目前非线性动态偏最小二乘(PLS)建模方法在拟合较强非线性化工过程时存在的问题, 提出一种基于稳定学习的递归神经网络动态PLS建模方法. 该算法将递归神经网络与Hammerstein模型相结合, 对外部PLS提取的特征向量进行内部建模, 具有逼近较强非线性化工过程的能力, 改善了模型的适用范围. 此外, 采用带有稳定学习的参数更新算法对模型参数进行在线修正, 改善了模型的预测精度和自适应能力. 将此方法应用于氧化铝生产过程铝酸钠溶液组分浓度建模实验, 仿真结果表明, 本方法是可行有效的.     

一种基于非线性规划的多项式PLS算法

在基于误差的多项式偏最小二乘(PLS)的基础上,提出了一种基于带约束的非线性规划的多项式PLS算法,利用罚函数法计算最优的输入权值和内部关系式的参数。对催化裂化主分馏塔侧线柴油95%点的软测量应用结果表明,该算法和基于误差的多项式PLS相比,模型拟合精度高而且计算量较小,能获得较高的累计方差贡献率,并具有良好的预报能力。     

一种基于非线性规划的多项式PLS算法

在基于误差的多项式偏最小二乘(PLS)的基础上,提出了一种基于带约束的非线性规划的多项式PLS算法,利用罚函数法计算最优的输入权值和内部关系式的参数.对催化裂化主分馏塔侧线柴油95%点的软测量应用结果表明,该算法和基于误差的多项式PLS相比,模型拟合精度高而且计算量较小,能获得较高的累计方差贡献率,并具有良好的预报能力.     

偏最小二乘回归模型的泛化能力改进研究

为了提高模型的泛化能力,提出了嵌入缩放思想的偏最小二乘回归(Partial Least-Squares Regression,PLS)建模方法。该方法通过对输入向量的缩放处理,将训练样本模糊化,缩小测试误差,从而提高了PLS的泛化能力。对原有的缩放法进行了改进,提出r算法。该算法可以找到合适的缩放因子,得到泛化能力更强的模型。仿真实验证明了所提方法的有效性。     

融入深度学习的偏最小二乘优化方法

偏最小二乘在多元变量分析中得到了广泛的应用。但偏最小二乘方法内部采用主成分分析,不能充分表达数据的非线性特征,对非线性数据的预测精度较低。提出了一种融入深度学习的偏最小二乘优化方法,该方法利用深度学习的稀疏自编码器对特征空间提取非线性结构,将提取的特征成分取代偏最小二乘中的成分,从而形成能适应非线性的模型。分别采用大承气汤、麻杏石甘汤、葛根芩连汤和UCI数据集的数据进行分析处理,实验结果表明,融入深度学习的偏最小二乘优化方法能较好反映中医药数据的特征。     

基于偏最小二乘的鱼类超微弱发光建模方法研究

针对鱼类超微弱发光信息建模中存在的信息降维、多重相关性和非线性问题, 提出了一种基于变量筛选与双层多项式非线性偏最小二乘的多维信息建模方法。该方法用偏最小二乘方法进行变量筛选, 然后采用双层多项式非线性偏最小二乘方法实现对多维信息的非线性建模。检测应用的结果表明, 该方法与偏最小二乘方法相比, 可以在少用拟合自变量的情况下, 预测准确度分别提高了562%和247%, 实现了对多维信息的有效降维与非线性建模, 以及鱼类超微弱发光的准确检测。     

局部惩罚加权核偏最小二乘算法及其应用

为改善软测量模型精度,提出了一种局部惩罚加权核偏最小二乘算法.该方法通过核映射将原始输入映射到高维特征空间实现对非线性问题的线性化处理,并通过偏最小二乘算法进行主成分提取,降低数据维数;对由主成分构成的新数据集,依据局部学习思想构建局部惩罚加权最小二采回归模型,降低模型对异常数据的敏感度、优化模型参数.鉴于多模型可以改...     

二维共轭正交偏最小二乘分析及图像识别应用

偏最小二乘（PLS）是一种有效的图像特征抽取方法。不同于其他的多元数据分析方法,PLS综合了PCA与CCA的优点,抽取对样本具有最佳解释能力的成分。讨论了偏最小二乘法建模思想及非迭代算法、共轭正交算法和基于2D特征抽取时的算法原理和特点,以及PLS用于图像识别时类隶属矩阵的构造。在ORL与Yale人脸库上的实验结果表明用2DCOPLS抽取的特征进行图像识别的效果更好,更稳定。     

基于改进型偏最小二乘法的高炉炼铁工序能耗预测方法

针对小样本环境下,具有自变量之间多重相关性特点的高炉炼铁工序能耗预测问题,从预测角度利用"舍一交叉"验证方法对偏最小二乘回归模型进行了改进,提出了应用改进型偏最小二乘回归建立预测模型的方法。以我国某钢铁厂高炉炼铁工序的能耗预测为例,说明了改进型偏最小二乘回归法与普通偏最小二乘回归法相比,预测误差平方和能够降低86.76%。     

偏最小二乘回归在气温预测中的研究与应用

气温的预测要考虑多重气象因子,然而各气象因子间的多重相关性导致普通的多元回归模型失真,预测精度降低。为了解决以上问题,本研究采用偏最小二乘回归(Partial Least Squares Regression,简称PLS)建模,根据实际建模需要对算法进行改进。为了验证该模型,本研究以成都市10月份气温场为预报场,并结合成都市13个自动站气温数据,提取预报所需主要因子,进行PLS回归建模。实验表明该模型有较好的预测能力。     

MIV方法在苹果糖度近红外分析中的应用

针对苹果糖度近红外光谱数据的特点,分析了基于BP神经网络和偏最小二乘PLS的苹果糖度定量预测模型建立方法:,将平均影响值方法:(mean impact value)引入到近红外波长选取的过程中来,并与联合区间偏最小二乘法结合,达到波长优选的目的:。首先,利用联合区间偏最小二乘算法,筛选出与苹果的糖度相关度较大的光谱波长数据,再利用PLS-BP方法:建立预测模型。在此模型基础上,使用平均影响值方法:,对参与建模的每个波长数据进行评价,选取影响值最大的一系列波长点,重新建立模型。模型变量数为124,校正均方根误差(RMSEC)为0.1740,验证均方根误差(RMSEP)为0.4565。结果:表明,校正均方根误差,利用平均影响值与联合区间偏最小二乘方法:结合,对光谱数据进行波长的筛选,可以降低模型复杂度,同时提高模型预测精度。     

改进块式递推偏最小二乘建模方法及应用

针对传统偏最小二乘(PLS)模型的在线更新问题,提出了带有自适应遗忘因子的块式递推PLS建模方法.通过Hotelling-T2和Q统计量确定遗忘因子的大小,并且进行模型递推更新,确保模型跟踪过程特性的变化.将所提出的方法应用于管坯斜轧穿孔能耗过程,表现出较强的模型在线更新能力.测试结果表明,带有自适应遗忘因子的块式递推PLS方法的性能优于传统的迭代偏最小二乘方法的性能.     

偏最小二乘法同时测定食醋的有效成分和防腐剂的含量

偏最小二乘方法建立近红外光谱与组分浓度的多元校正模型,用于同时快速测定食醋的有效成分(总酸)和防腐剂(苯甲酸)含量。采用透射模式,样品不经任何处理测定近红外光谱。用17个食醋样品建立偏最小二乘法(PLS)模型,用3个样品作为预测样品以评估PLS模型。结果:食醋中的总酸和苯甲酸在2 125～2 325 nm区域之间,与光谱有良好的线性关系,总酸的PLS模型中,隐变量为3时,预测均方根误差0.038 7 g·L~(-1),总酸含量与光谱的线性相关系数达到0.999 7,相对预测误差5.89%;苯甲酸的PLS模型中,隐变量为6时,预测均方根误差降至0.013 8 g·L~(-1),苯甲酸含量与光谱的线性相关系数达到0.999 8,相对预测误差降至4.29%。     

基于PLS特征提取的网络异常入侵检测CVM模型

为改善网络安全防护水平,提出一种基于偏最小二乘(PLS)法和核向量机(CVM)的组合式异常入侵检测方法.首先,采用PLS算法提取网络数据的主成分,构建特征集;然后,利用CVM构建特征集的异常入侵检测模型,进而完成异常入侵检测和判定.仿真实验结果表明,所提出的方法具有CVM的大规模数据快速处理能力,而且检测性能与L1-SVM和L2-SVM大致相当,尤其主成分数 为1538时能保持相对较高的检测水平,验证了将其用于异常入侵检测的有效性和可行性.     

正交信号校正的自回归模型及其在动态过程监测中的应用

针对采样数据的自相关性, 提出一种基于自回归(AR) 模型的动态过程建模方法. 首先, 利用正交信号校正(OSC) 消除用于AR模型回归的两数据集间的正交不相关信号; 然后, 在处理过的数据上进行偏最小二乘(PLS) 回归建模. 该方法对模型潜隐成分和残差信息同时进行在线监测, 并借鉴贝叶斯推理方法将多个监测指标进行融合, 以易化触发故障警报的决策过程. 最后通过在田纳西-伊斯曼(Tennessee Eastman, TE) 过程上的仿真实验验证了所提出方法的有效性.