主成分分析与神经网络结合的黄山毛峰茶品质检测

研究了利用主成分分析与BP神经网络结合的方法对黄山毛峰茶进行品质检测。首先应用主成分分析法对反映茶叶香气信息的原始特征变量进行分析,提取出前5个主成分,再以这些主成分作为BP神经网络的输入,建立3层BP神经网络预测模型。试验结果表明,该模型相对于未经过主成分分析的BP神经网络模型,建模效率大大提高,判别准确率也由92.5%提高到97.5%。说明主成分分析与BP神经网络结合应用于黄山毛峰茶品质检测是有效的。     

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。     

主成分分析与BP网络结合的教学质量评价

为了进一步提高教学质量评价精度,提出了一种基于主成分分析和BP神经网络相结合的教学质量评价模型。首先利用主成分分析对教学质量评价体系中的12个评价指标的原始特征变量进行分析,然后作数据降维处理,提取出前4个主成分,再以这些主成分作为BP神经网络的输入,构建了3层神经网络评价模型。仿真结果表明:与标准BP神经网络相比,PCA-BP网络模型的结构更为简化,收敛速度更快,评价精度更高且泛化能力强。     

基于主成分的BP神经网络共享单车骑行预测

共享单车数据预测是近十年来城市交通出行大数据的重要关注点。本文建立基于主成分的BP神经网络模型，较好地预测了共享单车租借数据，并与全因素的BP神经网络模型进行对比分析。结果表明基于主成分分析的BP神经网络模型，在精度损失较小的条件下，大幅降低了输入变量的维度，提高了模型训练和预测的效率，对于多因素大数据预测分析，能兼顾效率与精度。     

神经网络在电力负荷预测中的应用研究

研究电力负荷预测问题,针对精确测量电力负荷,由于影响电力负荷因素之间存在着菲线性,因素之间存在冗余信息,传统的数学模型在电力负荷预测中精度较低,为了有效提高电力负荷的预测精度,提出了一种主成分分析(PCA)和BP神经网络相结合的电力负荷预测方法.利用PCA对电力负荷的影响因素进行特征提取,以BP神经网络对经过PCA处理得到的新的变量进行训练建模,采用PCA - BP神经网络模型对河南某地区的电力负荷进行了仿真.结果表明,相对于参比模型,可有效地消除因素间的冗余信息,降低了BP神经网络的输入维数,简化了网络的结构,加快了学习速度,显著提高了电力负荷预测精度,证明提出的预测模型在电力负荷预测中是有效.     

数据挖掘技术在经济预测中的应用

研究区域经济预测准确率问题,区域经济变化具有高度非线性,各影响因子存在信息冗余,系统存在随机性,造成传统预测方法的预测准确率较低。为了提高区域经济预测准确率,利用数据挖掘中主成分分析的BP神经网络优势,组成一种新的区域经济预测模型。首先对区域经济影响因子进行主成份分析,消除各影响因子之间的冗余信息,减少了BP神经网络的输入变量,加快了学习速度,最后通过某地区1985-2005年经济数据对模型性能进行验证性测试,实验结果表明,新模型提高了区域经济预测的准确率,研究成果具有一定的推广和应用价值。     

基于改进的BP神经网络税收预测模型的研究

因为税收数据的非线性、冗余性等特点,传统的税收预测模型的精度都不高.为了提高税收预测的精度,提出了一种主成分分析和BP神经网络相结合的税收预测模型.首先利用主成分分析法对影响税收的8个因子进行处理,消除重复的信息,结果保留了2个主成分作为神经网络的输入,达到了降维的目的,加快了网络训练的收敛速度.然后用BP网络对样本进行训练,仿真结果表明,通过不同模型之间的对比,发现PCA-BPNN模型的预测精度更高,可用性更好,是一种高效的预测方法.     

主成分分析在小麦条锈病预测中的应用

影响因子过多,不但会引起数据"维爆炸",而且会降低预测精确度,为了解决该问题建立了基于主成分分析的BP神经网络模型.首先阐述了主成分分析法的原理与步骤,然后分析了陕西省汉中地区1974～1997年小麦条锈病病情及相关气象资料,得出影响其流行的主要成分,最后利用得到的主要成分作为BP神经网络的输入,对汉中地区1994～1997年小麦条锈病流行情况进行预测,并与未进行主分分析而建立的全要素BP网络模型进行比较.实验结果表明,该模型可以快速准确地预测小麦条锈病的流行程度,有效地减少小麦产量损失.     

炼焦生产过程综合生产指标的改进神经网络预测方法

针对炼焦生产过程综合生产指标 (焦炭质量、产量和焦炉能耗)检测的严重滞后问题,提出一种改进BP神经网络预测方法.首先基于相关过程参数的主元分析和灰色关联分析,确定出预测模型的输入输出变量;然后采用基于改进差分进化算法的BP神经网络建立预测模型,并与基本BP神经网络预测模型进行比较;最后,对改进BP神经网络预测模型进行了验证.实验结果表明,改进BP神经网络预测模型具有较快的收敛速度和较高的预测精度,模型的预测效果可以满足生产工艺要求.     

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。     

遗传神经网络在近红外光谱煤质分析中的应用研究

针对BP神经网络收敛速度慢及容易陷入局部最优解的缺点,结合遗传算法全局搜索的特点,提出了一种基于遗传算法和BP神经网络建立近红外光谱煤质分析模型的方法;并利用主成分分析法提取煤炭样品的主成分值,有效地压缩了数据。实验对比了BP模型与GA-BP模型,结果表明,GA-BP模型能有效地减小测试集的预测值与真实值之间的误差平方和,相关系数也得到了提高,有效地提高了预测精度和分析速度。     

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。     

基于PCA-BP神经网络的装甲车辆柴油机状态评估

针对装甲车辆柴油机摩托小时不能真实反映实际技术状况的问题,通过提取气缸压缩压力、加速时间、减速时间、供油提前角、振动能量和平均燃油流量等状态参数,运用主成分分析和BP神经网络相结合的方法构建了一种柴油机状态评估模型;该模型首先利用主成分分析方法将多个参数简化为两个综合参数,并根据综合参数的散点图对柴油机的状态进行初步划分,得到BP神经网络的训练数据;最后通过建立BP神经网络进行状态评估;评估结果表明,该模型准确度高,具有较好的应用和推广价值。     

基于PCA-LSTM的多变量矿山排土场滑坡预警研究

针对矿山排土场滑坡的过程是一个动态、大延迟、情况复杂的特性问题,影响矿山排土场滑坡的因素众多,各个特性指标间相互影响,而关于排土场滑坡预警并没有严格的划分标准,本文提出主成分关联长短期记忆（PCA-LSTM）网络模型,利用主成分分析和关联性分析,挖掘出所有特性指标当中的第一主成分,与第一主成分关联性较强的其它特性指标,将得到的其它特性指标和第一主成分作为预测排土场滑坡的主要特性指标,利用长短期记忆网络（LSTM）在处理时间序列问题能够将现有输入的信息与历史信息相互结合的特点;采用LSTM网络模型通过多个其它特性指标对第一主成分地表位移指标进行预测,并取得了较好的效果.     

煤与瓦斯突出的PCA-BP神经网络预测模型研究

通过主成分分析法对煤与瓦斯突出的主要影响因素进行主成分提取,选取贡献率大于85%的3个主成分来代替原来的7个影响因素,以此来确定BP神经网络的输入参数为3个。根据煤与瓦斯突出的类型,建立了煤与瓦斯突出预测的PCA-BP神经网络模型。选用典型突出矿井的煤与瓦斯突出实例作为学习样本,对PCA-BP网络进行训练。以云南某煤矿的煤与瓦斯突出实例作为预测样本,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,能够满足煤与瓦斯突出预测的要求。     

主成分在输电线路可听噪声预测中的应用研究

针对超高压输电线路可听噪声BP网络预测模型影响因素多的问题,运用主成分分析算法（PCA）对影响可听噪声的环境因素、地理参数、导线结构参数等14个因素进行简化,建立PCA-BP网络预测模型。选取甘肃省内多条750 kV、330 kV输电线路的可听噪声的实测资料为样本集,采用Matlab神经网络工具箱进行模型训练与预测,并与BP网络模型预测结果比较。结果表明：主成分分析方法在可听噪声影响因素的简化中不适用,预测结果没有BP网络模型预测结果理想。分析了主成分在可听噪声影响因素简化中不适用的原因。     

基于BP神经网络的教学质量评价模型研究

在现有评教体系基础上,结合问卷调查和主成分分析法,简化评价指标,并运用BP神经网络算法构建教学质量评价模型,经实测验证了网络预测结果的有效性和可靠性。     

基于SPSS的采煤工作面瓦斯涌出量预测模型研究

为了对矿井采煤工作面瓦斯涌出量进行有效预测,结合影响工作面瓦斯涌出量的各个因素,针对各因素间存在严重的多重共线性引起算法计算误差放大的问题,采用逐步回归算法进行优化。运用SPSS软件,综合多元主成分回归分析算法得出采煤工作面瓦斯涌出的主要影响因素,并建立PCR-SPA预测模型。将该模型的预测性能与多元线性回归预测、灰色关联度分析预测、BP神经网络预测结果进行对比分析。结果表明：该模型选取了三个主成分变量,有效地减少了计算量,具有较高的预测精度,可以对矿井工作面瓦斯涌出量进行有效预测。     

基于BP神经网络的压缩空气用能预测模型研究

文中根据BP神经网络对复杂问题所具有的预测能力,选取某企业压缩空气用能数据作为预测评判指标,建立了用于压缩空气用能预测的BP神经网络模型,并应用于实际问题预测。然而,最初预测结果在几个时刻点出现异常,在此文中针对记录数据可能出现问题的各种原因,再次利用局部预测对原始数据做出修正,最后预测结果已基本符合。实例表明：用BP神经网络模型进行压缩空气用能预测是可行和有效的。     

主成分和BP神经网络在粮食产量预测中的组合应用

粮食产量的变动受到多种因素的共同影响,各因素之间往往具有十分复杂的非线性关系,传统的预测方法大多无法反映这种变化规律而影响了预测的准确性.BP神经网络模型具有很好的非线性逼近能力,对中国粮食产量能实现比较准确的预测;主成分分析可以对具有模糊关联的变量数据进行降维,其与BP神经网络的组合能优化模型的网络结构,提高预测精度.实证结果表明,组合模型预测结果的精度提高了3%,网络训练的收敛速度和效率也得到不同程度的改善.