基于主成分回归模型的建筑人工单价预测研究

定额人工单价的主要影响因素与某一时期的劳动力市场供求关系、社会经济发展水平、物价增速、人口结构及就业偏好等因素有关。通过对定额人工单价影响因素的识别,确定影响建筑劳务单价的特征指标变量。结合特征指标变量标准化、适用性检验、提取主成分、主成分因子的计算等主成分分析法的实施,采用SPSS软件对选取的指标数据进行初步回归分析及多重共线性诊断,建立市场人工单价主成分回归预测模型并对2021年前三季度的市场人工单价进行预测。结果表明,预测值与实际值相对误差<3%,模型精度满足要求,该主成分回归预测模型可用于建筑行业市场劳务单价的预测工作。     

基于主元独立性分析与混合核RVM的复杂过程区间预测方法研究及应用

近年来,随着化工过程日趋复杂,对过程监控及关键变量预测提出了更高的要求。传统意义上的点预测已不能满足化工过程上的实际需求,且点预测无法描述过程上的不确定性问题,因此不能很好地把握预测变量的趋势。由此,提出了一种基于主元独立性分析（principal component independent analysis,PCIA）与混合核相关向量机（RVM）的区间预测方法。首先,结合核主元成分分析（KPCA）和独立元分析（ICA）对复杂过程原始变量进行主元成分提取和独立性分析,形成独立主元;其次,将高斯核函数与多项式核函数相结合形成混合核,与RVM结合对得到的独立主元进行回归建模预测,并运用T分布对预测值进行区间估计;然后,构造区间评价综合函数对区间估计结果进行优劣分析,在分析预测区间覆盖率（PICP）及预测区间宽度（NMPIW）的基础上,引入累积偏差（AD）提高区间评判的合理性。最后,将所提方法应用到TE仿真过程进行区间预测分析,仿真结果表明,提出的区间预测方法对实际生产过程具有较高的预测精度和区间估计质量,可以有效地预测关键变量的趋势。     

基于辅助变量KNN分析的软测量建模方法

提出一种基于辅助变量最近邻（KNN）分析的软测量建模方法,该方法将KNN算法应用于辅助变量分类,根据分类结果,应用核主成分分析（KPCA）和支持向量回归机（SVR）相结合进行软测量建模。KNN分析独立于后继回归模型,却又直接影响模型结构,KPCA作为中间层,在KNN分类结果指导下提取不同类别包含辅助变量高阶信息的特征主元,然后使用SVR建立特征主元和主导变量之间的回归模型。用该方法建立粗汽油干点软测量模型,结果表明KNN-KPCA-SVR（KKS）模型的预测精度和泛化能力优于线性PLS、RBF核函数SVR和KPCA-SVM模型。     

主成分分析在化学中的应用及在可编程序计算器上的实现

主成分分析(又叫主分量分析)是多元统计中比较重要而实用的一种,它是将一系列有n个变量的随机向量通过变换组合形成P个主成分(P相似文献   

基于ReliefF的主元挑选算法在过程监控中的应用

传统的主成分分析（principal component analysis,PCA（算法选取包含大部分方差信息的成分作为主元,并将其应用到过程监控中。但是故障信息不一定会投影到方差较大的成分上,使用方差贡献度挑选主元会导致严重的信息丢失和监控效果的恶化。因此使用ReliefF-PCA算法,其中ReliefF算法从故障角度出发,挑选出在区分正常样本和故障样本上权重更高,效果相对更好的成分作为主元。这样挑选出的主元避免了传统PCA算法在主元挑选过程中出现的主观性、盲目性以及重要信息的丢失。ReliefF-PCA算法在过程监控中主要有两个优势,第1,监控效果更好;第2,对原始数据降维效果更好。随后,基于ReliefF-PCA算法,提出一种加权的故障变量贡献图方法。最后,通过Tennessee Eastman（TE（仿真实验测试,ReliefF-PCA算法达到了预期效果。     

主成分回归荧光光谱法同时分析多组分混合体系

采用主成分回归和荧光光谱结合技术,解析光谱重叠严重的多组分光谱数据,对混合体系中的蒽和芘进行同时测定;采用Mtalab7.0编程进行主成分回归分析,用光谱矩阵建立校正模型,并预测未知样品。实验结果表明,主成分回归荧光光谱法对各组分的平均回收率为99.825%~108.86%,可以不经分离进行多组分定量分析,结果满意。     

主成分回归法同时测定白油中单环及多环芳烃含量

采用主成分回归紫外分光光度法分析白油中单环芳烃和多环芳烃的含量,运用计算机VB语言对实验数据进行回归分析。结果表明,主成分回归分光光度法对样品各组分的平均回收率在92.41%~99.28%,取得了满意的分析结果。     

主成分回归法在PU物理性能关系分析中的应用

采用主成分回归法、利用聚氨酯（PU）物理性能间存在的相互制约关系，预测PU的撕裂强度，并与实测值进行比较。结果表明，采用主成分回归法可以较为精确地预测PU的撕裂强度以及其它物理性能，对配方的优化设计具有重要意义。     

基于动态主元分析的统计过程监视

针对时序相关观测数据 ,提出了一种动态主元分析过程 .仿真计算结果表明 ,过程观测数据的动态主元分析可看作是扰动“驱动”信号的提取过程 ,分析得到的主元变量实际上是驱动扰动的估计 .对CSTR过程的仿真监视研究 ,验证了基于动态主元分析的统计过程监视的有效性 .     

主成分回归在PU弹性体物理性能测量中的应用

物理性能参数间存在着相互关系，该文将以撕裂强度为例对其进行探讨。采用了最小二乘回归和主成分回归，对撕裂强度受其他物理性能的影响关系进行详细的分析，并给出两种方法的结果分析，来体现主成分回归的优越性。其他物理性能之间的关系可以用相同的方法得到。     

基于加权互信息主元分析算法的质量相关故障检测

质量相关的故障检测已成为近几年研究热点,它的目标是在过程监测中,对质量相关的故障检测率更高,对质量无关的故障少报警或不报警。传统主元分析算法的故障检测会对所有故障均报警,不能达到上述要求。另外,在实际工业生产中,质量变量通常难以实时获得,需要后续分析或延时得到。为此,提出一种融合贝叶斯推断与互信息的加权互信息主元分析算法。首先利用贝叶斯推断的加权方法将度量过程变量和质量变量之间相关关系的互信息进行融合,选出包含质量变量信息量最大的一组过程变量。然后对过程变量利用主元分析（principal component analysis,PCA）进行统计建模,再次根据加权互信息选出包含质量变量信息量最大的主元,建立统计量进行故障检测。最后,通过实验验证该方法的可行性和有效性。     

常压塔产品质量在线估计的非线性主元分析方法

提出一种新的软测量方法,通过建立过程变量非线性主元得分与产品质量参数之间的三层前向神经网络模型,得到产品质量参数的预测值。实际应用表明,该方法比常规的线性主元分析方法和神经网络方法具有更好的预测性能。     

磷铵水分预测的非线性主成分神经网络模型

磷酸一铵是目前国内产量最大的一种磷肥,具有一定的吸湿性,容易结块,因此在生产中控制磷酸一铵产品的水分含量具有重要意义;从影响磷铵产品的水分含量的诸多因素中,利用非线性主成分分析法处理原始样本数据减少变量数目,然后用所得主成分作为输入变量,建立了神经网络磷铵水分预测模型.     

基于主元独立性分析与混合核RVM的复杂过程区间预测方法研究及应用

近年来,随着化工过程日趋复杂,对过程监控及关键变量预测提出了更高的要求。传统意义上的点预测已不能满足化工过程上的实际需求,且点预测无法描述过程上的不确定性问题,因此不能很好地把握预测变量的趋势。由此,提出了一种基于主元独立性分析(principal component independent analysis,PCIA)与混合核相关向量机(RVM)的区间预测方法。首先,结合核主元成分分析(KPCA)和独立元分析(ICA)对复杂过程原始变量进行主元成分提取和独立性分析,形成独立主元;其次,将高斯核函数与多项式核函数相结合形成混合核,与RVM结合对得到的独立主元进行回归建模预测,并运用T分布对预测值进行区间估计;然后,构造区间评价综合函数对区间估计结果进行优劣分析,在分析预测区间覆盖率(PICP)及预测区间宽度(NMPIW)的基础上,引入累积偏差(AD)提高区间评判的合理性。最后,将所提方法应用到TE仿真过程进行区间预测分析,仿真结果表明,提出的区间预测方法对实际生产过程具有较高的预测精度和区间估计质量,可以有效地预测关键变量的趋势。     

基于主元回归方法的多变量控制系统性能评估

针对最小方差评价方法利用不切实际和不期望的指标进行性能评价所造成的性能评估缺陷,提出基于主元回归（PCR）的性能评价方法。该方法通过对输入输出数据进行建模可以得到比较符合实际的理论方差,以此理论方差与实际输出方差求出的控制系统性能指标,更能客观地反映控制系统的真实性能,且主元回归性能评价方法在性能计算中不需求解关联矩阵问题,极大地简化了求解的复杂度。最后通过仿真实例验证了主元回归性能评价方法更能客观反映控制系统真实性能和计算相对简易的优点。     

基于主曲线的软测量方法及其在精馏塔上的应用

为解决工业过程软测量中的变量维数高、数据相互耦合、非线性强等问题,提出了基于主曲线的软测量方法。其中的基于主曲线的非线性回归模型借鉴了PLS的基本思想,采用主曲线提取隐变量信息的同时考虑了自变量与因变量的相关性;在隐变量空间中,采用多项式函数拟合隐变量之间的非线性关系。在实例研究中,分别采用纯函数数据和氯乙烯精馏塔实时运行数据对该模型进行了验证。仿真结果表明,该模型所需要的隐变量数目比传统的PLS模型更少,并且能够实现更为精确的预测,可较好地处理工业过程中存在的数据高耦合度以及强非线性问题。     

基于主成分分析和PLS算法的弧线管污垢特性研究

搭建了弧线管污垢特性实验平台,用于测量相应的污垢参数。基于主成分分析理论和偏最小二乘算法(PLS)建立了弧线管的污垢特性方程。该方程以弧线管的出入口温度、壁温及流速等参数作为模型的自变量,以污垢热阻值作为因变量。利用交叉验证原则以提取最佳主成分个数。通过对预测方程的检验,结果表明:所建5自变量预测方程能较好地实现对弧线管污垢特性的预测,而且明显优于6自变量模型。     

一种改进的动态核主元分析故障检测方法

针对复杂工业系统动态非线性故障检测过程精度低和计算量大的问题,提出了一种改进的动态核主元分析故障检测方法，该方法首先利用不可区分度剔除相关程度较小或者不相关变量,减少数据量，然后通过观测值扩展对筛选后的新数据构建增广矩阵，并对矩阵使用核主元分析提取变量数据的非线性空间相关特征，最后通过监测T ²和SPE 两种统计量诊断出系统发生故障及识别故障变量。仿真实验证明，该方法能对风力发电机故障进行有效监测和诊断，与KPCA方法相比，改进的动态核主元分析方法对微小故障更为敏感。     

基于主成分分析的熟料生产线运行质量影响因素综合评价

主成分分析是一种多变量数据统计分析方法,用于分析变量个数较多的复杂问题研究。熟料生产线运行质量涉及的影响因素较多,想要得到全面的分析结果较为复杂,本文是基于主成分分析的方法对影响某熟料生产线运行质量的因素进行综合评价,找到了各因素之间的最佳配合点,为提高熟料生产线的运行质量提供了方法参考。     

基于故障敏感主元的多块PCA故障监测方法

为了解决传统主元分析(PCA)故障监测方法中主元选择不合理问题,提出一种基于故障敏感主元的多块PCA故障监测方法。该方法基于正常工况数据集进行PCA分解,得到投影方向与特征值;定义一种故障敏感程度系数作为新的主元排序准则,以选择出每个变量方向上故障监测最敏感的主元;并建立相应的子模型,计算其监测统计量,利用贝叶斯信息准则(BIC)对监测结果进行融合。通过对田纳西伊斯曼(TE)过程和高炉炼铁过程中的应用仿真,结果表明所提方法有效地选取了主元,并且提升了故障监测模型的精度。