基于主元分析的径向基神经网络预测模型研究

结合主元分析(PCA)和径向基函数(RBF)神经网络,建立了地下水动态模拟与软测量预测模型。通过主元分析法提取主要成分,实现数据预处理;将选取的主要成分作为RBF神经网络的输入;采用k均值聚类算法确定RBF网络隐含层参数,并用递进最小二乘法确定输出层权值。仿真结果表明,该模型优化了网络结构,提高了预测精度。     

酸性磷铵料浆浓缩过程中氟含量的预测模型

在磷铵生产过程中,料浆的氟含量预测对生产具有重要意义。本文将径向基函数网络(RBFN)与循环子空间回归(CSR)相结合,设计了RBFN—CSR建模方法。RBFN—CSR方法在确定隐含层结构和参数时,将隐单元数取为训练样本数,径向基函数中心矢量取相应样本值,宽度参数根据样本分布情况采用尝试方法选取,隐含层到输出层的网络权系数运用CSR求解。CSR求解过程包容了最小二乘回归(LSR)、主成分回归(PCR)、偏最小二乘回归(PLSR)以及很多中间的回归方法,它可在非常广泛的范围内根据某一准则选择最优的网络结构参数。运用RBFN—CSR方法建立了酸性磷铵料浆浓缩过程中氟含量的预测模型,交叉验证表明,该模型具有较高的预测精度和良好的稳定性能,有一定的实际应用价值。     

非线性偏最小二乘建模方法及在近红外光谱建模上的应用

偏最小二乘算法(PLS)是常用的线性光谱建模方法。针对汽油在线调合中具有非线性特点的辛烷值、干点等属性应用PLS方法建立模型误差较大问题,本文提出了残差-递阶偏最小二乘的建模方法,该方法对已经提取成分后的自变量中剩余的信息再提取主成分,并将该主成分作为新的自变量参与回归建模。仿真验证结果表明:残差-递阶偏最小二乘方法建立的模型中验证集的样本数据误差均在正负0.2之间。残差-递阶偏最小二乘方法与偏最小二乘、递阶偏最小二乘叫-PLS)两种方法比较,残差-递阶偏最小二乘建立的模型有的更高的精度和模型适应性。     

用KPCA-LSSVM预测变压器油击穿电压

击穿电压是变压器油品质的重要参数,针对变压器油击穿电压难测试问题,提出基于核主元分析和最小二乘支持向量机的预测方法。为了提高变压器油击穿电压的软测量预测精度,本文选取与击穿电压关联性强的4个参量建立核主元分析模型进行特征提取,消除数据的相关性,得到的4个主成分的方差累计贡献率达96.84%,以此4个主成分作为最小二乘支持向量机软测量模型的输入;采用交叉验证法选取最小二乘支持向量机的惩罚参数和径向基核函数参数,建立核主元分析的最小二乘支持向量机变压器油击穿电压的预测模型,与BP神经网络和最小二乘支持向量机方法进行比较,采用平均相对误差和均方根误差来评价模型的性能指标。实验结果表明,本文提出的预测模型预测精度高、泛化能力好,能够满足变压器油击穿电压的测量需求。     

基于偏最小二乘回归的军用飞机效能预测

作战飞机效能的预测是防空作战中的重要问题,简述了效能预测的各种方法.分析了影响飞机效能的参数,提出用最小二乘回归方法来预测飞机效能值.该方法对变量进行主成分分析、典型相关分析和多元线性回归,在处理存在多重线性相关的小样本多元数据方面效果很好.通过实例与神经网络法的结果进行了比较,结果表明偏最小二乘回归更精确和简单.     

基于KPCA-LS-SVM的工业锅炉烟气含氧量预测

排烟含氧量是评价燃烧过程好坏和锅炉优化运行的重要指标,也是调节最佳风煤比的主要依据。针对工业锅炉氧量计使用受限的问题,提出一种混合的软测量方法:。为了提高烟气含氧量的软测量预测精度,本文分析与烟气含氧量有关的锅炉运行变量,从中确定8个,并采用核主成分析法进行参数处理,整合冗余,降低维数。经处理后得到的6个主成分,其累计贡献率达95.522%,以此作为最小二乘支持向量机软测量模型的输入。在此基础上,通过划分网格来改进交叉实验法,进而优化最小二乘支持向量机的2个参数。经优化得到的误差参数γ和径向基核函数参数σ~2分别为90.3和239.6,模型具有较高的训练精度。最后对某循环流化床锅炉进行建模仿真,利用采集的数据,分别建立最小二乘支持向量机、核主成分分析的最小二乘支持向量机和BP神经网络3种模型。应用3种模型对烟气含氧量进行预测,并采用3个模型性能指标进行对比分析。结果:表明,基于核主成分分析的最小二乘支持向量机的工业锅炉烟气含氧量模型,在小样本条件下学习更加有效,建模采样过程更快,预测精度更高。该模型有助于实现工业锅炉烟气含氧量在线软测量。     

酸性和碱性酶模式识别的研究

了解酸性和碱性酶稳定性机理及在此基础上建立基于序列的模式识别方法对探讨其构效关系及酶的改造具有重要意义。本文采用主成分分析、偏最小二乘回归和BP神经网络3种方法对酸性和碱性酶进行模式识别。结果表明,基于主成分分析和偏最小二乘回归建立的线性方程能有效解释酸性和碱性酶稳定性机制,3种方法对训练集拟合的平均正确率分别为73.2%、87.0%和98.0%,建立了1种基于数学模型解释酶适应不同pH的分子机制及识别酸性和碱性酶的新方法。     

小波分析和偏最小二乘法相结合用于示波计时电位同时测定铅和铊中的研究

提出了基于小波分析和偏最小二乘(Partial Least Squares,PLS)基础上的化学计量学方法用于示波计时电位同时测定铅和铊的研究。利用小波变换可方便地从dE/dt-E信号中滤噪,提取与去极剂浓度变化有关的信号,获得利于多组分测定的示波图。该方法为示波过程分析奠定了一定的基础。     

基于改进型偏最小二乘法的高炉炼铁工序能耗预测方法

针对小样本环境下,具有自变量之间多重相关性特点的高炉炼铁工序能耗预测问题,从预测角度利用"舍一交叉"验证方法对偏最小二乘回归模型进行了改进,提出了应用改进型偏最小二乘回归建立预测模型的方法。以我国某钢铁厂高炉炼铁工序的能耗预测为例,说明了改进型偏最小二乘回归法与普通偏最小二乘回归法相比,预测误差平方和能够降低86.76%。     

基于径向基神经网络的局域预测法及其应用

一般的加权一阶局域预测法是利用最小二乘法求解模型,从而对混沌时序进行预测。基于径向基神经网络的局域预测法是在加权一阶局域预测模型的理论基础上,应用径向基神经网络代替加权一阶局域预测模型构成了基于径向基神经网络的局域预测模型。通过对Logistic映射以及Lorenz系统的3个分量的混沌时间序列的预测仿真,表明该预测方法对混沌时间序列的预测具有较好的效果。     

基于RBFN-PCR方法的制浆蒸煮终点预测模型

实现制浆蒸煮终点的精确预测是稳定纸浆质量的关键，也是制浆行业一直未能很好解决的难题。利用径向基函数网络(RBFN)的最佳逼近性能和主成分回归(PCR)的空间变换技术，提出了一种径向基函数网络-主成分回归(RBFN-PCR)的建模方法。RBFN-PCR方法在确定隐含层结构和参数时，将隐单元数取为训练样本数，径向基函数中心矢量取相应样本值，宽度参数采用尝试方法选取，隐含层到输出层的网络权系数运用PCR求解。RBFN—PCR方法既保留了径向基函数网络的结构，又用数学方法直接求解，免去了冗长的训练过程和其它诸多欠缺。将RBFN-PCR方法用于间歇制浆蒸煮终点预测的建模，并通过实际生产数据对模型进行验证，结果显示模型的平均预测相对误差为6．2l％，与文献上的10．62％相比，预测精度提高了许多。     

自构造RBF神经网络及其参数优化

径向基函数神经网络的构造需要确定每个RBF的中心、宽度和数目。该文利用改进的聚类算法自动构造RBFN,考虑样本的类别属性,根据样本分布自动计算RBF的中心和宽度,并确定RBF的数目。所有的网络参数采用非线性优化算法来优化。通过IRIS分类问题和混沌时间序列预测评价自构建RBFN的性能,验证参数优化效果。结果表明,自构造RBFN不但能够自动确定网络结构,而且具有良好的模式分类和函数逼近能力。通过对网络参数的非线性优化,该算法明显改善了网络性能。     

Financial distress prediction by a radial basis function network with logit analysis learning

This paper presents a financial distress prediction model that combines the approaches of neural network learning and logit analysis. This combination can retain the advantages and avoid the disadvantages of the two kinds of approaches in solving such a problem. The radial basis function network (RBFN) is adopted to construct the prediction model. The architecture of RBFN allows the grouping of similar firms in the hidden layer of the network and then performs a logit analysis on these groups instead of directly on the firms. Such a manner can remedy the problem of nominal variables in the input space. The performance of the proposed RBFN is compared to the traditional logit analysis and a backpropagation neural network and demonstrates superior results to both the counterparts in predictive accuracy for unseen data.     

Genetically evolved radial basis function network based prediction of drill flank wear

The most important factor that governs the performance of a radial basis function network (RBFN) is the optimization of the network architecture, i.e. determining the exact number of radial basis functions (RBFs) in the hidden layer that can best minimize the error between the actual and network outputs. This work presents a genetic algorithm (GA) based evolution of optimal RBFN architecture and compares its performance with the conventional RBFN training procedure employing a two stage methodology, i.e. utilizing the k-means clustering algorithm for the unsupervised training in the first stage, and using linear supervised techniques for subsequent error minimization in the second stage. The validation of the proposed methodology is carried out for the prediction of flank wear in the drilling process following a series of experiments involving high speed steel (HSS) drills for drilling holes on mild-steel workpieces. The genetically grown RBFN not only provides an improved network performance, it is also computationally efficient as it eliminates the need for the error minimization routine in the second stage training of RBFN.     

Predicting the blast-induced vibration velocity using a bagged support vector regression optimized with firefly algorithm

Ground vibration is the most detrimental effect induced by blasting in surface mines. This study presents an improved bagged support vector regression (BSVR) combined with the firefly algorithm (FA) to predict ground vibration. In other words, the FA was used to modify the weights of the SVR model. To verify the validity of the BSVR–FA, the back-propagation neural network (BPNN) and radial basis function network (RBFN) were also applied. The BSVR–FA, BPNN and RBFN models were constructed using a comprehensive database collected from Shur River dam region, in Iran. The proposed models were then evaluated by means of several statistical indicators such as root mean square error (RMSE) and symmetric mean absolute percentage error. Comparing the results, the BSVR–FA model was found to be the most accurate to predict ground vibration in comparison to the BPNN and RBFN models. This study indicates the successful application of the BSVR–FA model as a suitable and effective tool for the prediction of ground vibration.

     

一种MPEG-2到H.264转换编码方案

提出了MPEG-2到H.264的转换编码方案。该方案中，帧内预测使用了8×8块的DCT-HT的变换域转换，然后在HT域进行Intra模式判决得出最优模式，从而得到理想的帧内预测；帧间预测重用了MPEG-2码流中变字长解码得到的运动矢量MV，作为H.264的PMV，通过重新设定运动预测模式以及搜索范围，从而获得较好的预测效果。实验结果说明该方案是可行的。     

对乙硼烷分子中“氢桥键”的重新认识

为了弄清B_2H_6分子中氢桥键的本质,应用MP2/6-31++G(D,P)方法,分析并对比了C_2H_4,C_2H_6~(2+),B_2H_4~(2-)和B_2H_6四个分子的电子结构。结果显示,在某种程度上,B_2H_6分子中的氢桥键可以看成一个双中心双电子的离域π键(或者叫定域π键)电子云吸附2个带正电的质子构成。这种多中心多电子的离域键电子云吸附质子的现象被进一步推广到含有环形离域键的B_3H_5和B_4H_6分子中,并且得到了验证。本文得出的结论对正确理解氢桥键的本质有一定的促进作用。     

C22 BxNy(x+y=2)全部异构体和分子离子芳香性的研究

用拓扑共振能(TRE)和百分拓扑共振能(%TRE)方法,研究从富勒烯C24(D6)产生异质富勒烯C22N2,C22B2和C22BN的所有异构体,研究阳离子和阴离子的芳香性.分析C22BxNy中杂原子取代位置和稳定性之间的关系.结果,中性状态和阳离子状态中,各异构体的TRE都为负数具有反芳香性.但它们的高价阴离子的TRE都为正数则有芳香性.中性状态中,稳定性顺序为:C22N2(1-19)>C22BN(39-64)>C24>C22B2(20-38).形成闭壳层结构时稳定性顺序为:C22B8-2(20-38>C6-24>C22BN6-(39-64)>C22N4-2(1-19).无论在中性状态还是闭壳层结构,当N原子取代C2类碳原子,B原子取代C1类碳原子时最稳定.理论上,预测C22BxNy的高价阴离子有合成的可能性.     

基于TF-IDF算法的P2P贷款违约预测模型

针对目前P2P贷款违约预测模型受限于借贷双方信息不对称性,未考虑投资人之间差异性的问题,提出了基于信息检索词频-逆文本频率（TF-IDF）算法的P2P贷款违约预测模型。首先以投资效用理论为基础,利用投资人历史投资收益率、贷款利率出价等信息,建立基于投资人效用的贷款违约预测模型;然后,借鉴信息检索TF-IDF算法,构造投资人逆向投资比例因子,对投资人差异性进行量化度量,优化模型中投资人权重计算因子。实验结果表明,该模型预测准确度与其他模型相比平均提高了6%左右,并在不同的测试数据集上都保持最优。     

Transforming input variables for RBFN based on PCA-ASH multivariate correlation analysis and its application

The mutual information (MI) based on averaged shifted histogram (ASH) probability density estimator is considered as a good indicator of relevance between input variables and output variable. However, it cannot deal with redundant input variables problem. Therefore, a method integrates principal component analysis (PCA) with MI is proposed for radial basis function network (RBFN) to improve the predicting performance of RBFN. Firstly, PCA is employed to characterize the PCs from original variables, among which there is non-correlation. Secondly, MI based on ASH is applied to select the several closest correlation PCs with output variable as the new input variables. Finally, PCA-ASH-RBFN is employed to develop the housing price model based on the Boston housing data set. The result shows that PCA-ASH-RBFN has better prediction and robust performance than PCA-RBFN and RBFN integrating with robust feature selection for input variables.