基于主成分分析的股票指数预测研究

预测中输入变量的选取影响预测的速度和精度，传统方法选取输入变量主观性强，预测效果欠佳。本文使用主成分分析法选取输入变量，计算量小，预测效果更好。以沪市综合指数预测为例进行仿真计算，仿真结果表明了使用主成分分析法选取输入变量的有效性，它明显减少了预测时间，改善了预测精度。     

基于主成分分析和BP 神经网络的气体识别方法研究

本文将主成分分析法与BP算法相结合应用于气体传感器阵列信号的处理,并以一个由4个SnO2气体传感器组成的阵列为例,对其受到不同浓度的汽车、酒精二元气体的响应信号进行了分析,结果表明,主成分分析能够在保留测试数据量大量信息的前提下,给数据有效降维和预分类,以消除样本间的相关性。然后,再将所产生的新的样本空间作为BP网络输入,使之减少网络的输入数,简化网络结构,并在保持相同正确率的前提下,大大提高网络的学习速率。     

主成分分析法神经网络及其在瑞培林片剂测定中的应用

介绍了主成分分析法神经网络的基本原理，对瑞培林片剂进行了测定，回收率令人满意，讨论了此法在复方制剂多组分同时测定中的优越性，并研究了网络拓扑结构、学习速率等对结果的影响。     

基于主成分分析与BP神经网络的供应商选择模型

供应商选择是企业进行决策的重要内容,也直接影响着企业竞争力。在科学合理的构建供应商评价指标体系的基础上,首先对供应商评价的数据进行主成分分析,然后建立基于BP神经网络的供应商评价模型,最后以实例验证。这两种方法相结合不仅简化了模型结构,而且较好的克服评价指标主观性强的问题,为供应商选择提供了一种新的、实用的评价方法。     

主成分分析与神经网络结合的黄山毛峰茶品质检测

研究了利用主成分分析与BP神经网络结合的方法对黄山毛峰茶进行品质检测。首先应用主成分分析法对反映茶叶香气信息的原始特征变量进行分析,提取出前5个主成分,再以这些主成分作为BP神经网络的输入,建立3层BP神经网络预测模型。试验结果表明,该模型相对于未经过主成分分析的BP神经网络模型,建模效率大大提高,判别准确率也由92.5%提高到97.5%。说明主成分分析与BP神经网络结合应用于黄山毛峰茶品质检测是有效的。     

基于主成分的模糊神经网络

结合神经网络(NN)、模糊控制(FC)和主成分分析(PCA)各自的优点,提出基于主成分分析的模糊神经网络(FNN)模型。当输入因子较多且自变量之间相关性较大时,引入主成分分析对多指标的原始变量进行事先分析,以原始变量的主成分作为网络输入。减少了输入维数,同时消除各变量间的相关性,从而提高了网络的收敛速度、稳定性,以及简化了网络结构。进一步发挥了FNN自适应、自学习的功能。     

基于主成分的遗传神经网络股票指数预测研究

数据预测在金融投资领域占有重要地位,预测中输入变量的选取影响着预测的速度和精度,传统方法选取输入变量主观性较强,预测效果欠佳。将遗传算法与BP网络结合,利用GA的全局搜索优化BP网络的结构参数,有效克服BP算法的局部收敛等问题。使用主成分分析法选取输入变量,并将GA—BP混合建模应用于沪市综合指数预测中。实验结果表明,该方法改善了预测精度,达到了较好的预测效果。     

主成分分析与遗传神经网络在制冷系统故障诊断中的应用

针对低温试验系统制冷设备测点多、数据间存在强相关性等特点,将主成分分析法和遗传神经网络智能识别方法进行组合,引入制冷系统的故障诊断中;结合专家经验和主成分分析客观地对多传感器信息进行了科学合理的故障特征优选,从而确定了神经网络的输入空间;为了克服神经网络易陷入局部最小的缺陷,利用遗传算法的全局搜索能力,对神经网络的初始权值和阈值进行了优化;运用该方法对制冷系统各故障状态进行识别,结果表明,简洁有效的网络结构不仅缩短了训练时间,而且提高了网络的稳定性和分类精度,为监测系统提供了一种有效的故障诊断方法。     

基于聚类和主成分分析的神经网络预测模型

提出一种基于聚类和主成分分析的神经网络模型,用于高炉运行指标的实时预测.首先采用谱系聚类将特性分散的样本划分成不同的子类,然后采用主成分分析方法对影响目标数据的众多变量进行降维处理,在此基础上,构建了高炉运行指标的神经网络预测模型,大大改善了预报的精度和效率.通过对采集的高炉数据进行测试,表明本文提出方法的有效性.     

主成分分析与神经网络的结合在多变量序列预测中的应用

目前预测方法的研究主要集中在单变量时间序列上,本文建立起一种针对多元变量非线性时间序列建模和预测的方法框架.首先,同时考虑序列状态间的线性相关性和非线性相关性,建立初始延迟窗以包含充分的预测信息;然后,利用主成分分析(PCA)方法寻找不同变量在数据空间中的最大方差方向,扩展PCA应用于提取多个变量的综合信息,重构多元变量输入状态相空间;最后,利用神经网络逼近不同变量之间以及当前状态和将来状态之间的函数映射关系,实现多元变量预测.对Ro¨ssler混沌方程和大连降雨、气温序列的预测仿真说明了本文方法的有效性,为多元变量时间序列分析提供了一条新的途径.     

Filtering method of rock points based on BP neural network and principal component analysis

Filtering is an essential step in the process of obtaining rock data. To the best of our knowledge, there are no special algorithms for use in the point clouds of rock masses. Existing filtering methods remove noisy points by fitting the surface of the ground and deleting the points above the surface around a range of values. This type of methods has certain limitations in rock engineering owing the uniqueness of the particular rockmass being studied. In this paper, a method for filtering the rock points is proposed based on a backpropagation (BP) neural network and principal component analysis (PCA). In the proposed method, a PCA is applied for feature extraction, and for obtaining the dimensional information, which can be used to effectively distinguish the rock and other points at different scales. A BP neural network, which has a strong nonlinear processing capability, is then used to obtain the exact points of rock with the above characteristics. In the present paper, the efficiency of the proposed technique is illustrated by classifying steep rocky slopes as rock and vegetation. A comparison with existing methods indicates the superiority of the proposed method in terms of the point cloud filtering of rock masses.     

基于主成分分析和BP神经网络的煤岩界面识别

针对现有煤岩识别方法由于提取的时域参数过多,存在识别速度慢、实时性差等问题,提出了一种基于主成分分析和BP神经网络的煤岩界面识别方法。该方法首先提取采煤机滚筒扭矩的时域信号,然后利用主成分分析方法对该时域信号进行压缩,最后将得到的最终信号输入到BP神经网络进行煤岩识别。仿真结果表明,该煤岩识别方法不仅满足了识别率,还提高了识别速度,为提高滚筒调高响应速度奠定了基础。     

利用人工神经网络技术预测期货行情

通过对期货市场的研究,以盈利为目标,设计了一套基于BP神经网络的期货行情预测系统,经过实例测试和分析证明此系统为一套实用的系统,并提出了进一步改进的方向。     

基于PCA和神经网络的识别方法研究

在计算机集成制造系统环境下,质量控制图是统计过程控制的重要工具,实际应用中最困难的是识别出控制图中由于异常因素造成的不同异常模式。针对这一问题展开研究,用主成分分析法作为前处理过程进行样本集的选择与优化,提出了基于PCA_改进BP算法的控制图模式智能识别方法。     

乙醇脱氢酶氨基酸组成和最适温度均匀设计的神经网络模型

构建了乙醇脱氢酶氨基酸组成和最适温度的神经网络模型,并运用均匀设计优化神经网络结构。结果表明,当最小训练率为0．12,动态参数为0．6,Sigmoid参数为0．98,隐含层结点数为9时,神经网络的拓扑结构为最优。所得样本误差为0．00999,模型对温度预测的平均绝对百分比误差为5．13%,均方根误差为5．12℃,平均绝对误差为3．82℃,优于逐步回归计算的结果。     

基于PCA的GABP神经网络入侵检测方法*

为克服BP算法易陷入局部最小的缺点,同时为减少样本数据维数,提出一种基于主成分分析(PCA)的遗传神经网络方法。通过降维和去相关加快收敛速度,采用改进的遗传算法优化神经网络权值,利用自适应学习速率动量梯度下降算法对神经网络进行训练。MATLAB仿真实验结果表明,该方法在准确性和收敛性方面都优于BP算法,应用于入侵检测系统中的检测率和误报率明显优于传统方法。     

基于BP神经网络的主分量分析人脸识别算法

提出了基于BP神经网络的主分量人脸识别算法。该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间,将人脸图像在特征空间的投影作为BP神经网络的输入,由BP神经网络和后验概率转换器构成人脸识别器。针对ORL人脸库的实验结果表明该方法具有较高的识别率。     

反向传播神经网络的蛋白质质谱高通量分析方法研究(英文)

肿瘤是一种多基因参与、多步骤发展、内外环境交互作用下形成的复杂疾病,临床研究显示,对恶性肿瘤而言早期诊断的意义远大于现有的任何一种治疗方案,因此,如何提高肿瘤的诊断率,尤其是早期诊断率已被公认为是改善其疗效和预后的关键。由于蛋白质而并非核酸才是生命活动的具体执行者和体现者,因此,对有关肿瘤的蛋白质质谱数据进行深入研究、挖掘和分析,以期实现肿瘤的早发现,早治疗,在当前显得尤为重要与迫切。因此,本文基于反向传播神经网络对蛋白质质谱数据进行了分析。首先,对蛋白质质谱数据进行了标准化处理,由于蛋白质质谱数据在每个质荷比上的丰度值可能存在较大差异,为防止参与特征提取的各丰度值由于其非均衡性带来的不利影响,因此,在对高维丰度值进行特征提取前,需要对每个丰度值进行标准化处理。又由于质谱数据维数较高,利用主成分分析对数据进行了降维处理,主成分分析属于代数特征分析方法,是模式识别领域中一种经典的特征抽取和降维方法。主成分分析在最小协方差意义下给出了模式样本的最优表示,其优点是消除了模式样本之间的相关性以及实现了模式样本的维数压缩。然后利用反向传播神经网络训练了降维后的数据并进行分类识别。反向传播神经网络的学习规则分为两个阶段:第一阶段(模式顺传播)输入信息从输入层经隐含层逐层计算各单元的输出值,第二阶段(误差逆传播)将输出误差逐层向前算出隐层各单元的误差,并用此误差来修正前层权值。在训练的过程中,即网络的连接权值和闭值被逐步调整,在训练结束之后,网络从输入样本中获得信息并存贮在连接权值和闭值中,根据这些参数和实际样本输入,就可以得到所需要的预测值。本文以卵巢癌质谱数据集为例,通过3个实验来验证本文方法在肿瘤早期发现上的有效性。卵巢癌质谱数据集包含两类,即正常与异常两类。正常类中包含91个样本,每个样本包含两种数据,即质荷比数据以及其对应的丰度值;异常类中包含162个样本,每个样本也包含质荷比数据以及其对应的丰度值两种数据。在实验1中,从正常类的质谱数据中选取10个样本作为训练样本,5个样本作为测试样本;从异常类的质谱数据中也选取10个样本作为训练样本,5个样本作为测试样本,实验结果显示随着投影轴数的增加,本文方法的识别率总趋势也在不断地提高,最终达到了100%的识别率。这是由于不仅质谱数据集的规模较小,而且在反向传播神经网络中,训练样本数较之测试样本数较多,反向传播网络得到了很好的训练。在实验2中,从正常类的质谱数据中选取30个样本作为训练样本,30个样本作为测试样本;从异常类的质谱数据中也选取30个样本作为训练样本,30个样本作为测试样本,实验结果显示在训练样本与测试样本数都是60个的情况下,随着投影轴数的增加,其识别率的变化趋势。尤其在15个投影轴下,其识别率最高,在此之后,识别率会随着投影轴数的增加而有所降低。在实验3中,从正常类与异常类的质谱数据中各选取前一半样本作为训练样本,后一半样本作为测试样本;在整个卵巢癌质谱数据集上的分类实验结果显示了本文方法在在整个卵巢癌质谱数据集下的识别率,可以看出其识别率是比较高的,且算法是稳定的。这也验证了本文方法在蛋白质质谱高通量分析中的有效性,为蛋白质质谱高通量分析提供了新的方法与支撑。     

基于BP神经网络的pH对解淀粉芽孢杆菌Q-426发酵影响的研究

为控制解淀粉芽孢杆菌Q-426发酵过程,研究了在3.7 L发酵罐中pH对菌株Q-426发酵过程的影响。选取发酵时间、pH作为自变量,菌体浓度、底物浓度、发酵产物活性作为目标量,通过构建自变量矩阵和参考序列,构建了基于BP神经网络的菌株Q-426发酵过程的预测模型。通过运用MATLAB神经网络工具箱进行训练,得出优化网络模型,并根据建立的模型进行预测。将预测值与实测值对比,拟合及预测的平均相对误差均在4%以内,说明该模型有较好的适用性。     

基于TEEN协议和BP神经网络的WSN数据融合模型

针对无线传感网感知数据中含有大量无效或冗余数据的现象,本文提出了一种基于TEEN协议和BP(Back Propagation, BP)神经网络的数据融合模型。该模型利用三层BP神经网络描述簇结构,通过TEEN阈值过滤非必要信息,在簇结构信息传输过程中运用神经网络功能函数处理大量感知数据,从中提取感知数据的特征值并转发至汇聚节点。实验仿真表明,该模型无论在数据通信量、使用寿命及网络消耗上都优于TEEN协议,在降低网络通信量和网络能耗的同时提升了网络的使用寿命,大大提升了数据采集的效率和性能。