基于主成分分析的神经网络评价模型研究

根据供电企业的特点,建立了适用于评价供电企业营销效果的指标体系,综合运用主成分分析法和BP神经网络方法建立模型,对供电企业的营销效果进行了模拟综合评价。     

基于主成分分析与神经网络的非线性评价模型

针对评价过程的非线性特征,运用神经网络高度非线性映射能力,建立了一种非线性综合评价模型。采用主成分分析法对评价指标进行处理,形成了新的指标体系,有效的消除了原指标间的相关性,降低了神经网络的输入维数。利用Matlab软件对地区经济发展水平的综合评价进行实例分析和仿真,得到了较满意的结果,说明了该模型的有效性。     

基于主成分分析和优化神经网络的注水井吸水能力预测

针对渤海 P油田储层纵向非均质性较强的特点 ,提出基于主成分分析和优化神经网络(PCA- PSO- BP)的注水井吸水能力预测方法 ,以提高预测准确度 ,进而改善纵向吸水不均的问题 装 根据动 静态生产资料 ,通过皮尔逊线性回归对渗透率、泥质含量、含油饱和度、电阻率、孔隙度、注采井距、射 孔厚度共7 个因素进行相关性分析 ,结果显示渗透率与泥质含量、电阻率、孔隙度之间存在一定的线 性关系 装 通过主成分分析对这7 个因素进行降维处理 , 以重新生成的 3 个主成分作为模型数据集 , 并对其神经网络模型进行优化 ,最终建立 PCA- PSO- BP预测模型 装 通过注水井生产实例 ,验证了 此模型的良好效果     

一类相依回归模型参数的组合主成分改进估计

针对两个相依方程组成的一类回归模型,提出回归系数的一种组合主成分改进估计方法,在均方误差意义下讨论了这种估计量的优良性质,研究了此估计与主成份改进估计的关系.     

基于模糊RBF神经网络的主汽温控制系统

本文主要研究应用模糊神经网络实现主汽温控制系统,采用神经网络的学习能力来优化权值,在不同负荷下都取得了较好的控制效果.     

柴油调合RBF神经网络模型研究

南京炼油厂计划把原有的柴油手工调和工艺改为自动化调和工艺 ,实现对调合组分配方的优化控制。建立能适应调合工况变化、并能正确测定调和柴油质量指标的数学模型是关键。根据实测的南京炼油厂柴油调合生产数据 ,建立了以常二线、常三线、催化柴油和精制柴油 4路组分柴油的流量和倾点为输入参数 ,调和柴油倾点为输出参数的柴油调合RBF神经元网络模型。与回归模型和BP神经网络模型比较 ,RBF模型无论对训练数据集还是对检验数据集 ,均能更精确地预测实际生产过程的调合柴油产品倾点值 ,显示了良好的工程应用前景。     

基于改进QPSO算法的小波神经网络参数优化

暋针对传统的小波神经网络在参数优化过程中所采用的梯度下降法容易产生局部最优,提出了一种改 进的量子行为PSO 算法。新算法通过在最优平均值的全局搜索点中加入权重系数,用于改善粒子群的全局、局部搜 索能力和收敛速度,当粒子进化到后期,满足早熟条件时,粒子群在该维上发生变异,重新初始化后的位置均匀分布 在可行区域上,用于提高搜索精度。仿真实验结果表明,改进QPSO 算法比常规网络训练方法在寻优能力方面更加 有效。     

河北省经济可持续发展的全局主成分分析

以河北省经济可持续发展为出发点,制定相应指标衡量体系,采用基于时序立体表的因素分析方法—全局主成分分析方法,对河北省11个地市的数据进行经济、社会、资源、人口、环境和科技状况分析,研究比较不同地区间的经济可持续发展水平,为河北省制定经济可持续发展战略提供了量化依据.     

基于RBF神经网络的机械加工误差质量模型

针对机械加工过程中产生误差的复杂性,用传统的数学建模方法难以实现加工误差和工艺参数、系统刚度和加工过程变量之间的关系模型.采用RBF神经网络建立加工误差的质量模型,并通过实验仿真,取得了较好的仿真效果.证明了RBF网络模型具有很强的逼近能力,可用于各种质量建模,达到减少加工误差、指导生产的目的.     

基于RBF神经网络的非线性模型预测控制

提出了一种基于径向基函数(RBF)神经网络的非线性模型预测控制系统,利用RBF神经网络的非线性拟合性,构建一个神经网络预测器(NNP)来预测模型未来时刻的输出值.然后利用神经网络控制器(NNC)实现基于模型的预测控制.仿真结果表明此方法具有较好的控制效果,并且在有扰动和模型失配的情况下,表现了良好的鲁棒性.     

基于RBF神经网络的水处理模型辨识方法

目的使用RBF（径向基函数）神经网络辨识臭氧氧化、生物活性炭水处理过程的机理模型．方法在一定原水CODM条件下,分析臭氧投量和生物活性炭塔停留时间对出水CODM的影响作用,建立神经网络模型．结果仿真结果表明改进自组织算法能够合理配置RBF网络中心点集,神经网络模型输出能够有效逼近实验数据样本．结论RBF神经网络模型能够准确描述臭氧氧化、生物活性炭水处理过程中的参数关系,为水处理过程的深入研究提供了新途径．     

基于主成分分析的自动文本分类模型研究

提出了一种基于BP神经网络和主成分分析的文本分类模型。该模型利用主成分分析实现对特征矩阵的降维，通过大量的模拟实验逐步优化BP网络的各项参数。在20_newgroups数据集上的模拟实验表明，该模型具有较好的性能并能得到较高的分类精度。     

基于主成分分析的自动文本分类模型研究

提出了一种基于BP神经网络和主成分分析的文本分类模型。该模型利用主成分分析实现对特征矩阵的降维，通过大量的模拟实验逐步优化BP网络的各项参数。在20_newgroups数据集上的模拟实验表明，该模型具有较好的性能并能得到较高的分类精度。     

基于RBF神经网络的人脸识别研究

针对人脸识别技术中存在的高维问题、小样本问题和非线性问题展开研究.围绕人脸特征提取,采用基于主成分分析和Fisher线性鉴别来克服在人脸识别中的小样本问题,同时将人脸图像从高维空间映射到低维空间从而解决了高维问题;在分类识别方面,采用具有很强的非线性映射功能的RBF神经网络进行模式分类,能够解决人脸识别中的非线性问题.在ORL人脸数据库上进行的仿真实验表明,该方法进行人脸识别具有较高的识别率.     

基于特征加权模块双方向二维主成分分析的人脸识别

对模块双方向二维主成分分析(Two-directional two-dimensional principal component analysis,(2D)2PCA)人脸识别算法进行了改进,提出了基于特征加权模块(2D)2PCA的人脸识别算法。首先对图像进行分块及(2D)2PCA特征提取。然后依据每一子图像块的特征对识别的贡献程度分配特征权重。最后对测试样本采用加权距离进行最近邻分类。该算法无需任何先验知识,依据子图像块在特征空间中的信息比重确定其贡献程度,从而实现自适应权重分配。试验结果表明:本文算法能够有效地提高人脸识别的正确率。     

基于改进的ICA和RBF神经网络的人脸识别

为了提高人脸识算法的训练识别速度以及准确率,提出一种改进的人脸识别算法。将独立成分分析(independent component analysis,ICA)与径向基函数(radial basis function,RBF)神经网络相结合,利用ICA算法对人脸图像进行特征提取,采用牛顿迭代法提升其迭代性能;引入松弛因子,在保证收敛速度的前提下,放宽对初始权值选取的局限性。将特征信息作为RBF神经网络学习输入,采用监督聚类方法对神经网络进行构建和初始化,利用线性最小二乘法调整输出层连接权值,梯度下降法调整隐含层中心以及高斯宽带,通过训练学习获得最终的人脸识别分类结果。对比实验结果表明,改进的人脸识别算法训练速度和识别速度更快,准确率更高。     

基于主成分分析的神经网络算法对期权价格预测研究

采用基于主成分分析的神经网络算法对华夏上证50ETF期权价格进行预测,并使用期权数据验证该方法的有效性。比较传统Black-Scholes期权定价、单个BP神经网络算法和基于主成分分析的BP神经网络算法对期权价格的预测精度,结果表明:基于主成分分析的BP神经网络算法预测精度最高,传统的Black-Scholes期权定价方法其预测精度最低。     

基于微人工鱼群算法优化RBF神经网络

在人工鱼群算法的基础上提出了一种新的优化算法——微人工鱼群算法,作为径向基神经网络（RBFNN）的训练算法.微人工鱼群算法利用两个鱼群（寻优鱼群和库存鱼群）来寻优,寻优鱼群使用人工鱼群算法来寻找全局最优解,库存鱼群保证了寻优鱼群的多样性,微人工鱼群算法使RBFNN的隐中心位置和相应的宽度值同时得以优化,提高了RBFNN的泛化能力.将微人工鱼群算法优化后的RBFNN应用于双螺旋和IRIS分类,试验结果表明,相对于K-means以及人工鱼群算法,本文方法在泛化能力上得到提高.