基于拟似然估计方法的软件失效预测模型

软件缺陷预测是软件可靠性研究的一个重要方向。由于影响软件失效的因素有很多,相互之间关联关系复杂,在分析建模中常用联合分布函数来描述,而实际应用中难以确定,直接影响软件失效预测。基于拟似然估计提出一种软件失效预测方法,通过主成分分析筛选影响软件失效的主要影响因素,建立多因素软件失效预测模型,利用这些影响因素的数字特征(均值函数和方差函数)以及采用拟似然估计方法估计出模型参数,进而对软件失效进行预测分析。基于两个真实数据集Eclipse JDT和Eclipse PDE,与经典Logistic回归和Probit回归预测模型进行实验对比分析,结果表明采用拟似然估计对软件缺陷预测具有可行性,且预测精度均优于这两种经典回归预测模型。     

基于数据挖掘技术的企业财务困境预测建模

研究企业财务困境预测问题,影响财务困境的输入变量参数较多,存在输入维数和冗余信息,造成预测效率低。如何准确选择合理的输入变量参数是提高财务困境预测精度的关键。为了解决财务困境输入变量选择不合理导致预测精度低等难题,提出采用主成分-遗传-支持向量机(PCA-GA-SVM)的企业财务困境组合预测方法。先用主成分分析法(PCA)合理选取企业财务困境的输入变量,然后结合遗传算法(GA)利用训练集的数据对SVM最优参数寻优,得到企业财务困境预测模型,最后采用具体企业财务数据进行仿真。实验结果表明,PCA-GA-SVM的企业财务困境预测方法提高了财务困境的预测精度。     

基于PCA和IFOA-BP神经网络的股价预测模型

针对基于BP神经网络的股票价格预测模型在价格预测时存在较大误差的问题,在BP神经网络方法的基础上引入了主成分分析方法(PCA)和改进的果蝇算法(IFOA),提出一种基于PCA-IFOA-BP神经网络的股票价格预测模型。通过PCA对股票历史数据进行降维,减少冗余信息;采用改进的果蝇算法优化BP神经网络的初始权值和阈值;建立基于PCA和IFOA-BP神经网络的股票价格预测模型。对上证指数股票价格数据进行仿真验证,仿真结果表明:在股票价格预测中,该模型比BP神经网络、PCA-BP和PCA-FOA-BP的预测精度更高,是一种有效可行的预测方法。     

PCA-BP神经网络在降水预测中的应用研究

该文提出了一种基于主成分分析(PCA)与误差反向传播(BP)神经网络的降水预测模型。首先,通过主成分分析法对降水的主要影响因素进行主成分提取,选取贡献率大于85%的5个主成分来代替原来的14个影响因素,以消除原始输入数据的相关性,解决神经网络建模时输入变量过多、网络规模过大导致效率下降的问题;然后,以主成分分析结果为输入建立降水BP神经网络预测模型。仿真结果表明PCA-BP神经网络模型性能优于传统BP神经网络,能够满足降水预测的要求。     

煤矿瓦斯涌出量动态预测的PCA-MFOA-GRNN模型及应用

针对煤矿瓦斯涌出受许多因素的影响,为了克服瓦斯涌出中存在的复杂的非线性关系,从而实现稳定、可靠、精确的对煤矿综采工作面瓦斯涌出量进行动态预测,提出了主成分分析法（PCA）结合改进的果蝇算法（MFOA）优化GRNN的绝对瓦斯涌出量的预测手段。运用PCA算法对原始输入数据降维;并且对果蝇算法中的Si函数增加一个跳脱参数B,避免局部最优因子对预测模型的干扰;将MFOA算法对GRNN的平滑因子σ进行优化;将PCA结果作为模型的输入,建立了PCA-MFOA-GRNN算法的回采工作面瓦斯涌出量动态预测模型,结合实际矿井瓦斯涌出量监测的相关数据检验该模型,并将该模型的预测结果与未修正的FOA-GRNN算法、CIPSO-ENN算法、BP神经网络预测、Elman网络预测结果进行对比,结果表明：该预测模型对GRNN的参数优化后得到的预测模型较其他预测模型有更强的泛化能力和更高的预测精度。     

优化的GEP算法在爆破振动预测中的应用

结合主成分分析和基因表达式编程,提出了一种基于PCA的优化基因表达式编程的新算法,并将其应用在爆破振动峰值速度和主频率的预测。该算法首先利用主成份分析方法对影响爆破振动的参数进行预处理,有效地减少预测模型的输入量,消除输入数据间的相关性,而后通过基因表达式程序设计建立爆破振动预测模型。结果表明,基于PCA的优化基因表达式编程算法比BP神经网络等其他算法得到的结果具有更高的预测精度和稳定性。     

基于PCA和PSO-ELM的煤与瓦斯突出软测量研究

针对煤与瓦斯突出预测效率和准确率不高这一问题,提出将主成分分析(PCA)法与改进的极端学习机(PSO-ELM)相结合的方法对煤与瓦斯突出进行预测。根据某煤矿地质动力区划方法,在划分活动断裂,岩体应力计算等工作基础上获取影响突出的相关数据;通过主成分分析法对原始数据进行降维处理,消除变量间的线性相关性;利用粒子群算法(PSO)对极端学习机(ELM)的输入权值和隐层阈值进行优化,建立PSO-ELM预测模型,将提取的主成分作为该模型的输入,煤与瓦斯突出强度作为模型输出。实验结果表明,该方法的预测精度高、结构简化,具有较强的泛化性能力强。     

粮食产量预测模型的应用与仿真研究

研究粮食产量精确预测问题,因粮食产量因子问存在着冗余信息,影响预测准确性.传统数学预测模型和神经网络模型不能地消除因子间的冗余信息,导致粮食产量预测精度低.为了提高粮食产量的预测精度,提出了一种基于主成分分析RBF神经网络的粮食产最预测模型.对影响粮食产量的6个影响因子进行主成分分析,消除各因子间的冗余信息,减少了RBF神经网络的输入维数,简化了神经网络结构,提高了粮食产量预测速度和精度.利用改进的模型对粮食产量进行仿真,实验结果表明,粮食产量预测模型有效,预测精度提高,可为粮食产量预测提供参考依据.     

基于PCA-PSO-LSSVM的温室大棚温度预测方法

针对温度预测的精度和效率问题,提出了在主成分分析(PCA)法的条件下,利用粒子群优化(PSO)算法优化最小二乘支持向量机(LSSVM)的温室大棚温度预测方法.采用PSO算法对LSSVM的模型参数进行优化,并以自动获取的最佳参数组合构建温度与其影响因子间非线性预测模型.利用搭建的温室大棚智能监控系统对人工温室中的6种环境参数进行采集,并利用所测数据对上述模型进行验证.实验结果表明:与PCA-LSSVM预测模型和PSO-LSSVM预测模型相比,所提预测模型预测效果良好.3种模型评价指标均优于其他预测方法.基于PCA-PSO-LSSVM温度预测模型在全局优化及收敛速度方面具有较大优势,具有良好的自学能力和自适应能力,预测精度高.     

一种基于比例因子的PCA人脸识别方法

主成分分析(PCA)是自动人脸识别的常用方法。在基于传统K-L变换的PCA人脸识别方法的基础上，提出了一种基于比例因子的PCA人脸识别的改进方法。研究表明，较之K-L变 换，基于比例因子的方法更有效，合理选取比例因子和主成分是提高识别准确率的关键。     

基于PCA优化的神经网络飞机燃油消耗预测方法

针对传统方法存在的不足,提出了基于主成分分析法优化的Elman神经网络飞机燃油消耗预测方法。利用主成分分析法降低神经网络输入维数。构建主成分分析与Elman神经网络模型,进行基于飞参数据的实例分析,并将几种神经网络的预测效果进行了对比;提出了基于K-S检验法预测结果冗余修正法并进行了修正。误差指标和预测图像表明与主成分分析结合后Elman神经网络对飞机燃油消耗的预测性能优于其他传统神经网络,且K S检验法能够有效实现对预测结果的修正。     

A two-stage mechanism for registration and classification of ECG using Gaussian mixture model

An automatic classifier for electrocardiogram (ECG) based cardiac abnormality detection using Gaussian mixture model (GMM) is presented here. In first stage, pre-processing that includes re-sampling, QRS detection, linear prediction (LP) model estimation, residual error signal computation and principal component analysis (PCA) has been used for registration of linearly independent ECG features. GMM is here used for classification based on the registered features in a two-class pattern classification problem using 730 ECG segments from MIT-BIH Arrhythmia and European ST-T Ischemia datasets. A set of 12 features explaining 99.7% of the data variability is obtained using PCA from residual error signals for GMM based classification. Sixty percent of the data is used for training the classifier and 40% for validating. It is observed that the overall accuracy of the proposed strategy is 94.29%. As an advantage, it is also verified that Chernoff bound and Bhattacharya bounds lead to minimum error for GMM based classifier. In addition, a comparative study is done with the standard classification techniques with respect to its overall accuracy.     

基于PCA和随机森林的故障趋势预测方法研究

故障预测和健康管理技术(PHM)在现代工程系统中能够在系统具备较高复杂度的情况下,有效保障其可靠性和安全性。在机械故障诊断中对于采集到的原始数据的高维特征量的处理较为复杂,并且在实际应用中趋势预测的精度要求较高,针对该问题提出一种基于主成分分析(PCA)与随机森林算法的轴承故障趋势预测方法。该方法利用PCA对提取的原始轴承数据特征量进行线性降维,并选取其中主成分特征量,输出非线性时间序列数据。原始数据经过PCA处理得到非线性时间序列,将该序列作为随机森林算法的输入进行故障趋势预测,并把预测结果与BP神经网络模型预测的结果进行对比,结果表明随机森林在故障趋势预测上在精度相较于BP神经网络有显著提高,是一种有效的故障趋势预测方法。     

基于PCA和案例推理的煤与瓦斯突出动态预测

为了实现对煤与瓦斯突出快速、准确和动态预测,提出了一种基于主成分分析(PCA)和案例推理(CBR)的煤与瓦斯突出预测方法。考虑煤与瓦斯突出多种影响因素,利用案例推理技术对煤与瓦斯突出危险性进行预测。同时采用一种基于PCA的案例描述特征权值确定方法,以提高案例检索效率以及煤与瓦斯突出预测准确率。利用实测数据对所提方法进行验证,实例验证结果表明,所提方法预测结果的准确性和稳定性更高,预测平均误差和最大误差分别仅为0.154%和0.77%,远小于模糊神经网络方法和专家给定权值的案例推理方法。     

PCA-改进RPROP方法的BP算法在音乐信号分类中的应用

针对标准的BP神经网络仅从预测误差负梯度方向修正权值和阈值,学习过程收敛缓慢,并且容易陷入局部最小值,导致泛化能力不足的问题,提出了一种基于学习经验变学习速率改进的RPROP方法作为BP神经网络权值和阈值更新方法,并与主成分分析法(Principal Component Analysis,PCA)相结合,形成了PCA-改进神经网络算法。同时,采用Matlab软件对四类音乐信号进行分类实验。实验结果表明,改进算法比标准算法的稳定识别率提高2.6%,当稳定识别率达到90%时,用时节省75%,表明该算法可以加快网络的收敛过程,提高泛化能力。     

铜转炉吹炼终点预报模型研究

铜转炉吹炼终点预报是转炉生产的一个重要环节,直接影响转炉的生产效益.其吹炼工艺相当复杂,影响生产因素众多且因素之间相互耦合,使得用来预测吹炼终点的模型极其复杂.针对这个问题,利用主元分析法将影响因素重组,在此基础上,提出一种基于遗传算法的Elman神经网络模型对铜转炉吹炼终点进行预测.仿真结果表明,建立的预报模型具有较高的自学习及泛化能力,预报结果具有较高的精度.     

Order estimation of multivariable ill-conditioned processes based on PCA method

Ill-conditioned multivariable processes exhibit significantly strong interactions among system variables and large gain directions from the system inputs to the outputs, which makes the identification and control a challenging task. The objective of this paper is to develop an order estimation algorithm for model identification of ill-conditioned processes using subspace methods. In this paper, the order is determined from noise-corrupted samples with high accuracy based on the principal component analysis (PCA) method. To excite each direction in the ill-conditioned process, test signals are designed carefully based on the system characteristics. Using the PCA modeling, the model prediction error is first reconstructed, and the Akaike Information Criterion (AIC) is then used to examine the modeling error bound and thus to determine the process order. A new weighted direction variable is proposed to strengthen the interactions along the small gain directions, thus improving the identifiability and accuracy of the ill-conditioned model. The effectiveness of the proposed method is confirmed by an application study on a high purity distillation column process under noise conditions.     

用于近红外校正模型的训练样本选择

近红外(near-infrared,NIR)校正模型建立时传统的训练样本选择方法只考虑光谱欧氏距离的同类就近选取,不考虑光谱特征异常的训练样本的影响.基于主元分析(principal component analysis,PCA)残差,在同类就近取样的基础上引入异常光谱剔除技术进行训练样本的二次提取,用于建立偏最小二乘(partial least squares,PLS)回归模型.实验结果表明,该方法比传统方法的预测精度有较明显的提高.     

PCA-SVM在芳香族化合物生物降解性QSBR研究中的应用

定量结构-生物降解性能关系(QSBR)通过分析有机物结构与其生物降解性之间的定量关系,实现生物降解性的定量预测。针对影响生物降解性的基团结构多、传统方法难以消除基团数据之间的冗余,导致预测精度较低的问题,提出了一种基于主成分分析(PCA)-支持向量机(SVM)相结合的预测方法。首先利用主成分分析消除对该类化合物生物降解性影响较大的基团结构之间的冗余,降低数据维数,获取样本集主要信息;然后利用网格-交叉验证法优化后的支持向量机,建立预测模型。并与全要素的SVM模型及BP网络模型进行了比较,结果表明,该模型预测精度较高,具有通用性。