基于主成分分析和BP 神经网络的气体识别方法研究

本文将主成分分析法与BP算法相结合应用于气体传感器阵列信号的处理,并以一个由4个SnO2气体传感器组成的阵列为例,对其受到不同浓度的汽车、酒精二元气体的响应信号进行了分析,结果表明,主成分分析能够在保留测试数据量大量信息的前提下,给数据有效降维和预分类,以消除样本间的相关性。然后,再将所产生的新的样本空间作为BP网络输入,使之减少网络的输入数,简化网络结构,并在保持相同正确率的前提下,大大提高网络的学习速率。     

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。     

基于主成分分析的股票指数预测研究

预测中输入变量的选取影响预测的速度和精度，传统方法选取输入变量主观性强，预测效果欠佳。本文使用主成分分析法选取输入变量，计算量小，预测效果更好。以沪市综合指数预测为例进行仿真计算，仿真结果表明了使用主成分分析法选取输入变量的有效性，它明显减少了预测时间，改善了预测精度。     

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。     

基于主成分分析和BP神经网络的煤岩界面识别

针对现有煤岩识别方法由于提取的时域参数过多,存在识别速度慢、实时性差等问题,提出了一种基于主成分分析和BP神经网络的煤岩界面识别方法。该方法首先提取采煤机滚筒扭矩的时域信号,然后利用主成分分析方法对该时域信号进行压缩,最后将得到的最终信号输入到BP神经网络进行煤岩识别。仿真结果表明,该煤岩识别方法不仅满足了识别率,还提高了识别速度,为提高滚筒调高响应速度奠定了基础。     

基于主成分的模糊神经网络

结合神经网络(NN)、模糊控制(FC)和主成分分析(PCA)各自的优点,提出基于主成分分析的模糊神经网络(FNN)模型。当输入因子较多且自变量之间相关性较大时,引入主成分分析对多指标的原始变量进行事先分析,以原始变量的主成分作为网络输入。减少了输入维数,同时消除各变量间的相关性,从而提高了网络的收敛速度、稳定性,以及简化了网络结构。进一步发挥了FNN自适应、自学习的功能。     

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。     

基于主成分的遗传神经网络股票指数预测研究

数据预测在金融投资领域占有重要地位,预测中输入变量的选取影响着预测的速度和精度,传统方法选取输入变量主观性较强,预测效果欠佳。将遗传算法与BP网络结合,利用GA的全局搜索优化BP网络的结构参数,有效克服BP算法的局部收敛等问题。使用主成分分析法选取输入变量,并将GA—BP混合建模应用于沪市综合指数预测中。实验结果表明,该方法改善了预测精度,达到了较好的预测效果。     

基于聚类和主成分分析的神经网络预测模型

提出一种基于聚类和主成分分析的神经网络模型,用于高炉运行指标的实时预测.首先采用谱系聚类将特性分散的样本划分成不同的子类,然后采用主成分分析方法对影响目标数据的众多变量进行降维处理,在此基础上,构建了高炉运行指标的神经网络预测模型,大大改善了预报的精度和效率.通过对采集的高炉数据进行测试,表明本文提出方法的有效性.     

基于多遗传算法的BP神经网络人脸识别

人脸识别应用十分广泛,在实际问题中较高的识别率十分重要,其中BP神经网络模型广泛用于人脸识别.然而在现实应用中,BP神经网络结构和权值阈值的选取往往依靠经验值,这使得BP神经网络存在容易陷入局部最优和收敛速度慢等问题。针对该问题,提出了一种基于多遗传算法优化BP神经网络结构和权值阈值的人脸识别方法。利用主成分分析算法对人脸图像进行降维,快速独立成分分析算法对人脸图像进行特征提取,以组合算法的方式使得处理后的人脸图像特征更加明显。通过第一层遗传算法优化BP神经网络的结构,第二层遗传算法优化BP神经网络的权值阈值,以此解决BP神经网络陷入局部最优和收敛速度慢等问题。基于ORL人脸库进行仿真验证,实验结果表明该算法具有较高的识别率。     

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。     

一种基于分级输入训练神经网络的非线性主元分析

基于输入训练神经网络的非线性主元分析（PCA）能够有效地提取过程变量的非线性主元,但是存在主元的个数不能通过网络训练确定,且各个主元重要程度在神经网络中无法区分等缺点，本文提出一种分级输入自调整神经网络,并进一步提出基于此网络的非线性PCA,通过多级输入自调整神经网络,将主元按顺序找出,且根据主元对过程数据的预测误差定量地确定出主元的个数,克服了上述缺点.     

基于神经网络和主元分析的人脸识别算法

针对高维、小样本的分类问题,提出2个重要的准则,用于估计RBF单元的初始宽度.采用主成分分析方法把训练样本集投影到特征脸空间,以减少维数,用Fisher线性判别式产生一组最具判别性的特征,使不同类间的训练数据尽可能地分开,而同一类的样本尽可能地靠近.实验结果证明,该算法在分类的错误率及学习的效率上都表现出较好的性能.     

主成分分析阈值选择差异性分析研究

主成分分析是特征提取和数据降维中常用的方法,在很多应用中一般选择平均特征值作为主成分选择的标准。但是主成分的多少与应用结果之间的关系目前还没有具体的分析结果。因此,提出一种主成分阈值选择差异性的实验分析方法,为不同应用中主成分分析阈值的选择提供依据。将本文分析方法应用于手写数字样本集MNIST进行降维处理,根据不同的阈值构建不同的神经网络进行分类,分析不同阈值下分类准确率的变化情况。实验结果表明主成分阈值选择在79%~81%之间（维度为41~50）时,分类准确率最高;低于或高于该区间,准确率随之下降。实验结果证明了主成分分析阈值的选择与应用结果之间不为正相关关系,且平均特征值不是一个硬性的选择标准。     

主成分分析法神经网络及其在瑞培林片剂测定中的应用

介绍了主成分分析法神经网络的基本原理，对瑞培林片剂进行了测定，回收率令人满意，讨论了此法在复方制剂多组分同时测定中的优越性，并研究了网络拓扑结构、学习速率等对结果的影响。     

基于主分量分析和遗传神经网络的电力负荷预测

针对中长期电力负荷预测受经济、人口、天气、政策的影响密切的问题,为了保证预测的准确性和快速性,应当将这些影响因素全部考虑进来作为预测模型的输入。首先通过主分量分析法在保证不丢失输入信息的情况下将输入的维数降低,然后使用遗传算法优化网络的权值和阈值,最后用L—M贝叶斯正则化BP算法训练网络,并与传统的只考虑经济因素的预测方法的训练结果进行了比较。通过《重庆统计年鉴》统计的数据仿真,结果表明本文提出的预测方法的预测精度更高。     

基于BP神经网络的乳腺癌患者存活概率的预测分析

本文提出了对乳腺癌的知识进行挖掘及对其有效的网络予以探讨. 在应用各种数据挖掘方法之前,利用所开发的网络找出病情发展的概率. 有关结果有助于医生针对病人的病情进行合理治疗. 为克服数据集的高维度问题并实现数据之间的关联性,本文采用主成分分析法来降低数据维度并找出适用的网络. 运用BP神经网络结构进行了评估,对北京某医院的乳腺癌数据方面BP神经网络的性能进行了分析. 结果表明主成分分析消除了网络输入之间的相关性,降低了网络的输入层数,改善从整体上提高了网络的性能. 最终取得了良好的预测结果.     

BP网络模型对人脸朝向的识别

研究BP神经网络模型,通过计算机模拟人脑建立神经元网络,使用一部分人脸朝向信息作为训练的实例集,训练稳健后,可以推广应用判断其他人脸的朝向信息,以实现计算机自动识别人脸朝向。先对图片进行归一化等预处理,再应用主成分分析提取特征信息,每幅提取出的特征信息都是8个数据的列向量,构建一个8个输入、17个隐含、3个输出的三层BP网络模型。将训练实例集的特征向量代入训练,调整参数后保证其性能和收敛速度。最后通过大量实验验证,计算机识别的误判率仅为6.7%,模型可靠。