基于转录调控网络研究的乳腺癌与系统性红斑狼疮免疫系统发病机理探寻

利用快速独立成分分析(FastICA)方法提取乳腺癌(BC)和系统性红斑狼疮(SLE)2种疾病的差异表达基因。在此基础上,结合转录因子对靶基因调控的生物学先验信息,利用网络成分分析(NCA)算法提取了转录因子在2种疾病中调控强度及对靶基因调控活性的变化情况,构建2种疾病均有显著变化的11个转录因子和18个靶基因的转录调控网络。该研究为进一步探寻BC和SLE的免疫发病机制和相应的分子生物学实验提供了新的方向和依据。     

基于集成主成分分析的故障检测方法

针对核主成分分析(KPCA)和主成分分析(PCA)的一些不足,提出一种基于集成主成分分析的故障检测方法。该方法将PCA与KPCA结合,利用KPCA描述过程的非线性信息并提取核主成分,再利用PCA对原始信息和核主成分一同提取线性主成分,通过构造统计量T2和SPE(或Q)进行故障检测。在TE(Tennessee-Eastman)过程上的仿真研究表明,本文提出的方法较PCA和KPCA有更高的故障检测精度。     

基于主成分分析的企业自主创新项目评价

在分析和构建企业自主创新项目评价指标体系的基础上,提出了一种基于主成分分析的企业自主创新项目评价模型.该模型利用主成分分析法能够剔除多指标间相关性及信息重叠的特点,对自主创新项目进行综合评价.应用该模型对10个创新项目进行实证分析,结果验证了其可行性与有效性.     

基于MPCA-RBFNN的神经网络在中长期电力负荷预测中的应用

利用改进的主成分分析(MPCA)方法对径向基函数神经网络输入空间进行重构,在降低输入空间维数的同时克服了传统主成分分析法的缺点,缩小了网络的结构,达到了提高网络泛化能力的目的。通过某省实例验证了该方法的有效性。     

基于主成分分析的风电场等值方法的研究

针对系统中含有多随机变量的问题,提出了采用主成分分析对多电源提取有效的主成分来进行等值,结合REI等值对网络进行化简的方法。算例分析中运用了主成分分析方法进行了多台风力发电机的主成分提取,将提出的主成分看成虚拟的等效风力发电机来替换原有的多台风电机组,实现了有效的简化替换,降低了系统分析的复杂性。     

基于PCA-RBF神经网络模型的航空备件预测方法

提出了基于PCA—RBF神经网络模型的备件预测方法．首先利用主成分分析去除原始输入层数据的相关性,以解决RBF神经网络模拟备件需求时输入变量过多、网络规模过大导致效率下降的问题,最后选择合适的径向基函数密度训练神经网络．通过结合实例进行分析,取得了较好的效果．     

基于水化学数据的矿山涌水水源识别:主成分分析与残差分析

涌水是矿山安全生产的重要威胁之一,掌握涌水的水源是预防这类灾害的重要依据。基于多期次的水化学监测数据,提出了利用主成分分析(PCA)和残差分析来识别涌水的水源数量和水源类型。主成分分析能够充分提取高维数据的结构信息,消除变量冗余。残差分析利用主成分分析结果,提取不同的主成分个数重构离子浓度,得出重构离子浓度和原始离子浓度之间的残差,利用残差的结构性信息来判断可能的涌水水源数量和水源类型。结果表明:随保留主成分个数的增加,重构离子浓度的精度越高,离子残差的结构性得到消除且表现出随机性。在实例应用中,通过利用5个主成分重构离子浓度消除了所有主要离子残差结构性,保证了信息的最大程度提取,因此,确定研究矿山涌水水源数量为5个; 同时,利用每个主成分对残差结构性的影响程度及离子相关性分析,确定了这5个水源类型为海水、第四系孔隙水、富钙基岩水、富镁基岩水和淡水。     

基于基因网络的产品形态设计研究

从产品基因网络的角度出发来研究产品形态的设计方法.借用基因调控网络的部分概念,以产品形态基因作为网络节点,各基因间的相关性作为节点的边,构建产品形态的复杂网络模型.在所得到的产品形态基因网络基础上,识别出产品形态基因网络中的不同节点类型,获得出节点集团,最终转化为设计策略.设计师可以根据自身需要有选择性的结合获得的节点类型和节点集团等信息对产品形态进行有针对性的设计,并对设计结果进行了对照实验验证.验证结果证明基于产品基因网络的研究方法能够辅助设计师进行产品设计.     

基于核主成分分析的特征提取方法

为了证实核主成分分析在特征提取中的优越性,利用支持向量机作为分类器,以主成分分析和核主成分分析作为特征提取的工具,以分类器的分类性能作为方案优劣的评判标准设计了六种实验方案进行实验分析。实验数据表明,对特征选择后的数据集利用主成分分析和核主成分分析进行特征提取,可将数据投影到一个更低维的特征空间,实现数据维数的约简和分类器性能的提高。同时还发现,在对数据进行特征提取的能力上,核主成分分析优于主成分分析。     

最大自相关因子方法及其在遥感影像分析中的应用进展

最大自相关因子方法是一种基于遥感影像空间相关性和主成分分析的多元图像统计计算方法.对多元遥感影像进行最大自相关因子变换,可生成波段间互不相关的、按空间相关性大小排序的数据分量.介绍了最大自相关因子方法的数学原理,以高光谱影像数据处理为例展示了最大自相关因子相对于主成分分析的优势,综述了近年来最大自相关因子方法在遥感影像分析应用中的研究进展.并对该方法在多时相雷达影像后向散射系数变化检测等研究方向的应用前景进行了展望.     

基因调控网络中的癌症标记物预测方法

基于多组学的癌症标记物识别对癌症分子机制的研究具有重要的意义,但是当前大部分工作都是结合蛋白质相互作用数据进行的,故提出一种新型的基于多基因调控网络和多组学数据的研究方法,用于分析癌症的分子机制以及预测生物分子标记物。该方法首先整合多组学数据,以胃癌和食管癌为例,分别构建了胃癌和食管癌的癌症特异性网络;然后在这两个网络上进行加权共表达网络分析,采用层次聚类划分模块,计算模块的第一主成分和所有已知癌症标记物的关系,以此为据筛选出癌症特异的模块;最后再提取疾病特异的生物通路,使用相似性评估方法识别潜在的癌症标记物。实验结果表明,该方法预测的特异性模块具有功能特性,并且在模块内部使用皮尔逊相关系数法进行预测的结果更准确。     

一种基于主成分分析法的图像质量评价方法

该文提出的评价方法通过相关系数矩阵的特征向量将评价指标线性变化成彼此独立的主成分,根据主成分累计贡献值确定主成分的取用维数,由主成分方差确定权重。其优点是：可以消除由于指标间的相关性带来的偏差,降低计算维数,从而降低指标选择的难度,提高评价结果的可信度;此外,可以消除人为确定指标权重引起的弊病,使评价结果更具客观性和准确性。     

基于主成分分析的图像哈希算法

提出了一种基于主成分分析的图像哈希算法.采用主成分分析对样本进行降维,取位于变换矩阵顶端最具有识别信息的少量特征向量构造投影矩阵,再对降维后样本进行局部保持映射,同时,对主成分分析投影矩阵进行随机旋转,形成多个小投影矩阵,采用矩阵拼接方法将小投影矩阵合并构造编码投影矩阵;最后,将训练样本投影到编码投影矩阵,得到降维样本,并对其进行哈希编码,得到最终的二进制编码.实验结果证明,同其他经典算法相比,该算法具有较好的稳定性,可降低内存消耗,并提高效率.     

基于多尺度主元分析方法的统计过程监视

基于主元分析和小波变换结合的基本理论，对Bakshi提出的MSPCA算法进行改进，提出一种新的多尺度主元分析方法（MSPCA）．MSPCA应用小波变换将每个变量信号依次分解成逼近系数和多个尺度的细节系数，把各个尺度的系数聚集在单独的矩阵中，在各个尺度建立相应的PCA模型，进行多尺度过程监视．针对TE过程的两种干扰，分别应用PCA和MSPCA两种方法做仿真试验．仿真实验结果表明：与PCA相比，MSPCA能有效地检测和识别过程中不同频率故障，减少误报警，提高了过程监视的可靠性．     

一种用于低维光谱空间构造的非负主成分分析法

针对经典主成分分析法进行多光谱图像数据降维会使重构光谱反射比出现负值的问题,提出一种非负主成分分析法,并用该法构造低维光谱空间,实现高维多光谱数据与低维光谱空间的转换.首先分析主成分分析法产生非光谱反射比数据的原因,据此对主成分分析模型增加非负约束,建立迭代方程,求出一组线性无关的非负主成分权向量;然后用该组向量构造低维光谱空间;最后用非线性优化技术确定高维数据在低维空间中的投影值.实验表明,新方法与经典主成分分析法相比,能使重构光谱反射比数据限制在[0,1]范围内,保持了光谱反射比的物理意义,同时所构造低维光谱空间的精度能与经典主成分分析法保持一致.     

基于二维广义主成分分析的人脸识别

针对人脸识别中的特征提取问题，提出了一种基于二维广义主成分分析（2DIMPCA）的人脸识别方法.有别于传统的人脸识别算法需要将二维人脸图像矩阵压缩成一维向量，该方法直接采用二维图像矩阵来构建方差矩阵，通过在水平和垂直2个方向上顺序执行2次广义主成分分析（IMPCA）运算，消除了人脸图像行和列的相关性，大大压缩了特征的维数.选用二维最小近邻分类法进行分类，计算识别率.在AT&T人脸库以及Yale人脸库上的测试结果表明，与主成分分析（PCA）和IMPCA相比，该方法具有更高的识别率和更快的识别速度.     

基于PCA的BP神经网络分类器

由于入侵检测处理的多为高维数据,为了提高入侵检测的效率和准确率,提出了一种基于主成分分析(PCA)的特征提取方法,对数据源进行特征降维,将获得的主成分作为BP神经网络的输入进行数据识别.同时介绍了M atlab中相关函数,并与传统入侵检测方法进行了比较.实验结果表明:基于主成分分析的特征提取方法在简化BP神经网络规模的同时,显著提高了入侵检测识别效果.     

基于因果拓扑图的工业过程故障诊断

基于因果拓扑图的工业过程故障诊断方法,将过程知识与数据驱动故障诊断方法结合,有效解决了故障定位和故障传播路径辨识问题。 在因果拓扑图的基础上,基于偏相关系数提出一种相关性指标(correlation index, CI)定量衡量因果拓扑中变量间的相关性,实现变量间因果性和相关性的良好结合。为得到准确的故障检测结果,采用概率主元分析(PPCA)对CI指标进行监测。在检测出故障后,应用重构贡献图(reconstruction-based contribution, RBC)和因果拓扑图,并引入加权平均值的概念辨识出最可能的故障传播路径。将提出的方法用于带钢热连轧过程,结果表明,基于因果拓扑图的故障诊断方法能够准确地定位故障源,辨识故障传播路径。     

基于点云数据的主成分分析重构表面算法

提出一种基于三维点云数据的主成分分析重建三维表面模型的方法,该方法利用基于主成分分析的动态聚类方法对三维扫描数据进行聚类,进而对点云数据重构一点片,研究在局部利用二维三角网构网技术构建三角网,然后在考虑局部三角网边缘一致性的基础上组合成整体三维表面模型的算法。应用实例表明,该算法能有效地完成重建物体三维表面模型。     

基于稳态循环谱特征的通信辐射源识别方法

为实现低信噪比环境下多种通信辐射源的高精度识别,提出了一种基于稳态循环谱特征的通信辐射源识别方法,利用循环谱频域截面谱对高斯噪声的强鲁棒性,提取不同辐射源成形滤波器间的本征差异进行识别.首先对接收到的稳态信号提取循环谱频域截面谱并利用主成分分析方法降维,之后分别采用皮尔逊相关系数法、概率神经网络、弗雷歇距离法等判决方法进行辐射源类别判决.仿真实验显示,该特征使用概率神经网络判决和皮尔逊相关系数法判决,显著优于传统循环频率域的切片特征,证明有一定应用价值.