基于核主元分析的神经网络控制图模式识别

针对异常特征之间存在较大的相似性而带来的网络结构复杂和识别精度不高的问题,提出一种基于核主元分析的神经网络控制图模式识别方法。先通过核方法将低维空间中的非线性特征转化为高维空间中的线性特征,再将其进行线性组合并向低维空间投影,然后用BP神经网络分类器对控制图模式进行识别。通过仿真进行验证,结果显示该方法对控制图各个模式能够有效聚类,并且识别精度得到提高。     

径流时间序列的网络拓扑模态研究

为揭示径流时间序列的复杂动力学特征和非线性规律,借助可视图方法将径流时间序列转化为复杂网络,利用网络拓扑分析理论对网络的点强度、中间中心性、平均路径长度、聚类系数等参数进行分析,探明径流时间序列的网络拓扑特征与模态。采集北江流域石角站和赣江流域外洲站的水文数据,对北江与赣江径流时间序列的网络拓扑模态进行验证分析。结果表明：北江与赣江径流时间序列网络的聚类系数均较大而平均路径长度均较小,2个网络均具有小世界特性和无标度网络特性,中心性大的节点均对应年中月径流,北江与赣江的径流时间序列非线性动力特征及拓扑模态基本相似。从新的维度刻画径流时间序列的结构特征以及内在动力学特性,更有利于揭示径流时间序列的多维度非线性特征。     

湖北省水资源压力与经济发展脱钩的时空演化

以水资源压力指数为指标,采用Mann-Kendall检验分析2011—2020年湖北省水资源压力的变化趋势及突变点,并利用Tapio脱钩模型揭示水资源压力与经济发展脱钩关系的时空演化规律。结果表明：除2016年与2020年外,湖北省水资源压力整体偏大,空间上呈现鄂西最大、鄂东居中、鄂中最小的态势;湖北省水资源压力整体呈下降趋势,突变点在2012年与2019年前后;全省水资源压力与经济发展之间的脱钩关系因水文特征波动,在时序上从2012—2016年的强脱钩发展到2017—2019年的扩张负脱钩,再到2020年的衰退脱钩;因自然气候及发展战略差异,在空间上各区域的平均脱钩率从2012—2016年鄂西最低、鄂东居中、鄂中最高,发展到2017—2019年鄂东最低、鄂中居中、鄂西最高,2020年趋于平衡。为此,湖北省未来应重视制定基于水文波动的水资源压力变化应对预案,并对鄂东和鄂中地区实施产业结构调整。     

长江流域水资源-经济-生态系统的耦合协调及影响因素研究

长江流域水资源、经济与生态之间协调发展有待提高,亟待探索水资源、经济与生态之间的协调关系及其影响因素,助力长江流域可持续发展。以2011—2020年长江干流10省市为研究对象,首先建立水资源-经济-生态（water-economy-ecology, WEE）系统耦合协调度模型;其次利用趋势面映射耦合协调度全域分布,并探究长江流域耦合协调度发展的局部特征;再利用空间自相关分析,解析耦合协调度全局和局部相关性;最后采用因子探测器,探究耦合协调度的影响因素。结果表明：长江流域水资源子系统、经济子系统、生态子系统两两之间的耦合协调度逐年上升,但上升趋势存在显著差异;WEE系统耦合协调度全域呈现“U”型变化的态势,局部表现为“中游＜上游＜下游”;WEE系统耦合协调度空间集聚水平不断提高,局部空间相关性逐年向好;WEE系统耦合协调度主要影响因素可概括为水资源开发利用、水资源条件、经济发展水平、城镇化水平、污染排放及治理。长江流域未来可依据耦合协调度分布及影响因素贡献率,改善地区相应影响因素的现状,拓宽长江流域各省市高质量发展空间。     

融合PLS监督特征提取和虚假最近邻点的数据分类特征选择

在高维数据分类中,针对多重共线性、冗余特征及噪声易导致分类器识别精度低和时空开销大的问题,提出融合偏最小二乘(Partial Least Squares,PLS)有监督特征提取和虚假最近邻点(False Nearest Neighbors,FNN)的特征选择方法:首先利用偏最小二乘对高维数据提取主元,消除特征之间的多重共线性,得到携带监督信息的独立主元空间;然后通过计算各特征选择前后在此空间的相关性,建立基于虚假最近邻点的特征相似性测度,得到原始特征对类别变量解释能力强弱排序;最后,依次剔除解释能力弱的特征,构造出各种分类模型,并以支持向量机(Support Vector Machine,SVM)分类识别率为模型评估准则,搜索出识别率最高但含特征数最少的分类模型,此模型所含的特征即为最佳特征子集。3个数据集模型仿真结果:均表明,由此法选择出的最佳特征子集与各数据集的本质分类特征吻合,说明该方法:有良好的特征选择能力,为数据分类特征选择提供了一条新途径。     

基于最大熵NN的教学质量评价模型及仿真

教学质量评价是教学管理中的重要工作,其关键是建立影响教学质量的众多指标与评价结果间的复杂非线性关系模型.BP神经网络虽能建立相关模型,但却在建模过程中未考虑由专家经验知识所积累的各评价指标与评价结果的不确定性分布信息,导致模型预测的评价结果准确性差且模型泛化性能弱.为此,本文选用具备刻画不确定性分布信息功能的最大熵准则替换BP算法中的均方误差准则,从而获得教学质量的最大熵神经网络评价模型.数据仿真和重庆理工大学50名教师评价实例均显示,改进模型的预测评价结果相对误差均在6％内,且明显优于传统BP神经网络模型.表明了改进模型的评价结果具有很高的可信性和较强的泛化能力,从而为实现教学质量的准确评价提供了一个可行方法.