黏土微结构参数的相关分析和主成分分析

将统计学中的相关分析和主成分分析方法引入到对土微结构参数的研究之中,并给出了具体分析方法。从而不仅可以消除不同微结构参数在反映土体内部机理方面存在的"部分信息重复"现象,而且可以大大降低微结构参数的维数。根据对累积贡献率的要求不同,可以用不同数目的主成分近似表达所有微结构参数携带的大部分信息,这使得微结构参数的广泛应用成为可能。降维得到的主成分指标,可以用来建立本构方程、强度准则等土力学关系,以反映土微结构特征与宏观力学现象之间的固有联系;并可以利用建立的关系研究土微结构再造过程。对由64幅SEM照片组成的黏土样本进行的域微结构分析表明,微结构参数之间存在明显的"信息重复"现象,2个主成分就可以反映6个原始微结构参数95.28%的信息,从而达到了降维目的。     

基于主成分分析的荧光分子断层成像

随着全角度非接触式成像系统的开发与应用,较大规模的多投影荧光数据能够降低荧光分子断层成像(FMT)重建问题病态性,提高重建图像质量,已广泛应用于逆问题。但采用如此大规模的数据进行重建需要消耗大量的计算内存和花费较长的计算时间。为了解决该问题,采用主成分分析对原始FMT投影数据降维,在此基础上结合稀疏正则化算法进行重建。设计了圆柱仿真实验和数字鼠仿真实验。实验结果表明,在不影响重建结果的前提下,经过主成分分析降维后投影数据规模减小,FMT的重建时间缩短大约10倍。     

随机森林在阿尔茨海默病患病分析中的应用

基于随机森林算法能够对阿尔茨海默病患病的情况进行分析。通过去除常量、基于有监督学习的特征选择及相关数据检测,对人体各项指标的数据进行合理的降维处理。创建基于随机森林的分类器,将其应用于阿尔茨海默病患病分析,利用降维后有效的特征属性得到的结果可以反应患病情况和诊断状况。     

无监督特征选择算法的分析与总结

高维无标记数据的出现不仅使数据处理的时间和空间复杂度增加,同时还会使训练模型出现过拟合,因此对高维无标记数据降维变得越来越必要。特征选择是数据降维的有效方法,本文给出了几种具有代表性的无监督特征选择方法,并指出了这些算法的优缺点,为进一步研究基于无监督的特征选择提供了理论基础。     

泛化能力改善的神经网络方法在空调负荷预测中的应用

本文针对神经网络方法进行负荷预测时存在的泛化能力较差的缺点,提出了对历史数据进行相关性分析和输入数据主成分分析以提高神经网络泛化能力.实例分析结果表明:历史数据的相关性分析为空调负荷预测神经网络模型输入参数的合理选择提供了依据,主成分分析方法在降低神经网络模型输入维数、提高该方法泛化能力方面有较好的作用.     

基于主成分分析的中国主食营养成分研究

本文利用主成分分析方法,以中国传统主食为研究对象,选择小麦粉、稻米、玉米面、高粱等14种原料,查找其能量、蛋白质、脂肪、钙等7种营养相关因素的含量,通过SPSS软件进行降维分析,得出四种主成分第一主成分称作脂肪维E因子,第二主成分称为能量碳水化物因子,第三主成分称为钙铁因子,第四主成分称为蛋白质因子。它们解释了样本所研究的营养因素总数的93.931%,较好地概括反映了样本的营养值。主食营养对人们身体健康的影响不容忽视,本文提出了改善主食结构,加强主食营养的建议。     

燃气管网降维故障诊断方法的实验研究

阐述燃气管网降维故障诊断方法的原理,探讨了运用和验证降维故障诊断方法的实验方法。     

基于GRU神经网络的太阳辐照度短期预测

随着新能源技术的不断发展,光伏发电已逐渐成为电力供应的重要来源。由于太阳辐照度变化受诸多因子影响,其不确定性仍然给光伏发电并网带来了极大挑战。鉴于门限单元(gated recurrent unit, GRU)神经元特殊的门结构对周期性变化的数据结构具有较好的学习能力,建立了一种基于GRU神经网络的辐照度短期预测模型。对历史气象数据及卫星数据进行主成分分析(principal component analysis, PCA)降维处理后输入上述模型,实现对太阳辐照度的短期预测,从而提高太阳辐照度的预测精度。对同一模型不同预测时长进行对比,得到24 h预测效果最好,其均方根误差(root-mean-square error, RMSE)仅为0.356。将该模型预测的结果与传统的反向传播(back propagation, BP)神经网络的预测结果进行对比,RMSE减少了34%。最后利用晴空指数划分不同的天气情况分别对GRU预测结果误差进行分析研究,探究了误差产生的原因。     

基于SDAE-DNN的网络异常检测方法

本文针对传统的异常检测方法在处理海量高维度数据时检效果不佳的问题,提出一种融合栈式去噪自编码器(SDAE)和深度神经网络(DNN)的网络异常检测方法。首先,利用栈式去噪自编码器对数据进行特征降维,实现从高维数据到低维数据的非线性转换;然后用深度神经网络对数据进行分类。采用NSL-KDD数据集的实验结果表明,与与其他异常检测方法相比,SDAE-DNN模型性能要优于其他方法,取得了更好的检测效果。     

一种三维散乱点局部降维Delaunay网格自动生成算法

本文在对以往三维三角网重建算法研究的基础上,提出了一种基于局部降维原则的改进算法。该方法通过输入一系列不提供拓扑结构等附加信息的无组织散乱点而得到一个流型三角网。算法首先将数据点空间分块,然后在局部块中搜索k邻域,构建最小二乘切平面,并将坐标由三维转化成二维将三角剖分建立在二维上。通过将采样点投影到局部的切平面上,再对投影点进行三角化,最后将这些投影后点的连接关系直接映射回三维空间。本文创新性地利用局部降维方法,利用OPENGL编程实验证明,整个系统运行良好,可以为真三维三角面片自动构建提供新思路。