基于PCA-SVM混合算法的嗜热菌和常温菌网络特征的研究

通过比较嗜热菌和常温菌代谢网络的特征参数,可以从系统角度确定微生物嗜热性的主要因素。本文首先利用主成分分析法对22个网络特征进行相关性分析,根据特征值、载荷值的大小最终选择了11个主要网络特征;用选出的这11个网络特征组成特征向量,利用支持向量机构建分类器,对嗜热菌和常温菌进行分类,其全局平均预测率为82.93%,对常温菌和嗜热菌的平均预测率分别为87.86%和72.40%。结果表明利用主成分分析法选择的网络特征可以很好的表征嗜热菌和常温菌的耐热性,因此簇大小分布的平均信息等11个网络特征是影响微生物耐热性的关键的代谢网络特征因素。     

产甲烷菌高度紧密子网络分析

为了从系统水平上阐明嗜热菌的耐热机制,并指导嗜热菌在工业生产上的进一步应用,以产甲烷菌的代谢网络作为研究对象,从研究代谢网络的拓扑结构以及高度紧密子网络出发,探索常温产甲烷菌Methanosarcina acetivorans(M.acetivorans)和嗜热产甲烷菌Methanopyrus kandleri(M.kandleri)之间的代谢网络的耐热性的差异。实验结果发现常温产甲烷菌M.acetivorans最紧密的9-核和嗜热产甲烷菌M.kandleri最紧密的7-核分别包含27和19个酶。其中嗜热产甲烷菌M.kandleri网络中最紧密的7-核被分成2个子网,一个子网中的酶节点刚好是2个产甲烷菌所共同的酶,而另一个子网络中的酶是嗜热产甲烷菌M.kandleri 7-核所特有的酶,这些特有的酶全部与酪氨酸的合成有关。     

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。     

基于PCA与改进BP神经网络相结合的电网中长期负荷预测

本文在标准反向传播神经网络的基础上,提出一种结合主成分分析法和改进的误差反向传播神经网络的方法来对电网中长期的电力负荷进行预测。首先利用主成分分析法对电力负荷的影响因素进行特征提取,有效地降低数据样本的维度,消除数据的冗余和线性信息,保留主要成分作为模型的输入数据。然后在标准的神经网络的反向传播环节中引入动量项和陡度因子。两种方法的结合有效地解决了网络收敛速度慢和容易陷入局部最小值的问题。将此方法应用于济源市的中长期电力负荷预测,实验结果表明,基于主成分分析法与改进的反向传播神经网络相结合的方法比常用的标准的反向传播神经网络、基于多变量的时间序列网络及时间序列网络具有更高的计算效率和预测精度,证明提出的预测模型在电力负荷预测中是有效的。     

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。     

基于主成分分析的表面缺陷自动检测算法

为检测产品表面的缺陷,提出一种基于主成分分析的自动检测算法。利用主成分分析法进行图像重构,以增强缺陷特征,对比原图像与重构图像,得到缺陷信息,通过统计过程控制二值化方法检测出缺陷。实验结果表明,该算法检测效果较好,运算速度较快,对于80张不同的表面图片,平均缺陷检测率达80%。     

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.     

基于特征选取和样本选择的网络入侵检测

为了获得更加理想的网络入侵检测结果, 针对网络入侵特征选取和样本选择问题, 提出一种基于特征选取和样本选择的网络入侵检测模型. 首先提取网络入侵特征, 并进行归一化处理, 然后采用核主成分分析选择入侵特征, 并对样本进行选择, 最后采用极限学习机建立网络入侵检测分类器, 并采用KDD Cup99数据集进行仿真实验. 仿真结果表明, 本文模型得到了理想的网络入侵检测结果, 检测率超过95%以上, 入侵检测效率可以满足网络安全实际应用要求.     

基于PCA和神经网络的农残含量预测模型研究

为提高快速检测农残含量的精度,针对建模数据特征发生明显变化的实际情况,提出了一种结合主成分分析（PCA）和神经网络的分段多模型方法。提取建模数据的前2个主成分作为模型的输入,分别使用主成分回归（PCR）和BP/RBF神经网络建立单一及分段多模型。通过计算模型验证集的输出总误差和误差百分比,对比模型检测精度。试验表明：与单一模型相比,利用神经网络建立的分段多模型可以显著降低农药含量的预测误差,使用BP和RBF网络建立的低浓度段模型的输出误差百分比分别为0.8%和0.4%,RBF网络效果更好。该方法可以在待测农药的较大浓度范围内实现定量检测,具有较强的实用性。     

基于LSTNet网络的风电机组发电机主轴承温度预测研究

发电机主轴承温度的预测对风电机组的状态监测和故障预警具有重要的意义。为提高主轴承温度预测的准确性,提出一种基于LSTNet网络的预测方法。首先,针对观测向量选择缺乏理论依据和特征冗余的问题,采用灰色关联度分析筛选出与主轴承温度关联性较强的特征参数,然后结合MIV指标计算出每个参数的平均影响值,进一步比较特征参数对主轴承温度的影响程度,最终选择出4个特征参数参与模型预测,最后利用LSTNet多变量时间序列框架,融合GRU、RNN、LSTM网络的结构特点,建立LSTNet网络预测模型,并与SVR、RNN和LSTM预测方法作对比。结果表明：基于LSTNet模型的长期和短期时间序列多步预测方法,预测准确率达到99.3%,明显优于文中其他方法,有效提升了发电机主轴承温度的预测精度。     

Node splitting: A constructive algorithm for feed-forward neural networks

A constructive algorithm is proposed for feed-forward neural networks which uses node-splitting in the hidden layers to build large networks from smaller ones. The small network forms an approximate model of a set of training data, and the split creates a larger, more powerful network which is initialised with the approximate solution already found. The insufficiency of the smaller network in modelling the system which generated the data leads to oscillation in those hidden nodes whose weight vectors cover regions in the input space where more detail is required in the model. These nodes are identified and split in two using principal component analysis, allowing the new nodes to cover the two main modes of the oscillating vector. Nodes are selected for splitting using principal component analysis on the oscillating weight vectors, or by examining the Hessian matrix of second derivatives of the network error with respect to the weights.     

Deep learning networks for stock market analysis and prediction: Methodology,data representations,and case studies

We offer a systematic analysis of the use of deep learning networks for stock market analysis and prediction. Its ability to extract features from a large set of raw data without relying on prior knowledge of predictors makes deep learning potentially attractive for stock market prediction at high frequencies. Deep learning algorithms vary considerably in the choice of network structure, activation function, and other model parameters, and their performance is known to depend heavily on the method of data representation. Our study attempts to provides a comprehensive and objective assessment of both the advantages and drawbacks of deep learning algorithms for stock market analysis and prediction. Using high-frequency intraday stock returns as input data, we examine the effects of three unsupervised feature extraction methods—principal component analysis, autoencoder, and the restricted Boltzmann machine—on the network’s overall ability to predict future market behavior. Empirical results suggest that deep neural networks can extract additional information from the residuals of the autoregressive model and improve prediction performance; the same cannot be said when the autoregressive model is applied to the residuals of the network. Covariance estimation is also noticeably improved when the predictive network is applied to covariance-based market structure analysis. Our study offers practical insights and potentially useful directions for further investigation into how deep learning networks can be effectively used for stock market analysis and prediction.     

基于形态学与神经网络的骨髓细胞识别研究

针对骨髓细胞图像的特点，采用数学形态学的方法对图像进行了处理，获得了不同类型细胞核的准确边缘。对于获得的边缘图像，采用两级神经网络，利用基于神经网络的PCA算法获得图象的3个主分量，然后采用模拟退火算法和BP算法进行细胞的分类识别，获得了较好的识别效果。     

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。     

Improved community structure discovery algorithm based on penalised matrix decomposition for complex networks

Complex networks are one of the main research fields in data mining. In this study, a penalised matrix decomposition-based community structure discovery algorithm (PMDCSDA) for complex networks is proposed. The complex network is firstly transformed into an adjacency matrix, which is then processed for dimension reduction via principal component analysis. Numerous clusters are produced on the basis of penalised matrix decomposition. To evaluate the performance of the proposed PMDCSDA, we compare it with several classical algorithms, such as K-means, CPM and GN, using three complex network datasets. Experimental results demonstrate that the proposed algorithm can achieve improved performance in precision, recall, F1 and Sep indicator.     

语义、句法网络作为语体分类知识源的对比研究

基于6种语体的句法和语义树库分别构建了依存句法和语义网络,对这些网络的边数、节点数、节点平均度、聚类系数、平均最短路径长度、网络中心势、直径、节点度幂律分布的幂指数、度分布与幂律拟合的决定系数等整体特征进行了对比分析。以这些整体特征为变量,采用不同的聚类方法,对这6种语体的句法和语义网络进行了聚类分析。研究结果显示,同样是基于语言学原则构建起来的网络结构,依存句法网络和依存语义网络之间有明显差异。其参数的含义不尽相同,依据其各项参数所做的聚类实验的结果也不相同。采用语义网络的一些主要参数组合,可以获得相对合理的聚类结果,但不能很好地区分书面语体和口语体;通过句法网络的一些主要参数组合,可以很好地区分不同语体的文本,获得较为合理的文本聚类结果。     

基于小波神经网络的污水处理厂出水水质预测

在分析传统污水处理厂出水水质预测方法的基础上,提出一种核主元分析和小波神经网洛相结合的预测新方法。首先利用核主元分析实现输入变量的降维和去相关,然后运用小波神经网络建立预测模型。采用统计学理论的中的结构风险最小化原则为目标来训练网络的结构,采用自适应正交最小二乘法来训练网络权值,该方法最大限度地保证了网络的泛化能力。实验结果表明,该预测模型具有预测精度高,使用方便等优点。     

神经网络集成的多表情人脸识别方法

将神经网络集成应用于多表情人脸识别,通过二维主成分分析获得人脸表情特征,并为每一表情的特征空间各训练一个神经网络,利用另一神经网络对其进行集成。实验结果表明,多神经网络集成方法的识别精度高于单一神经网络所获得的结果。     

基于主元神经网络的非结构化道路跟踪

在概率的框架内,基于主元神经网络,提出了一种新的蒙特卡罗道路跟踪技术,用于自主陆地车辆在非结构化道路上的导航．使用直线道路模型表示道路边缘,并对其状态利用二阶自回归模型进行预测;在HSV彩色空间将颜色信息和局部空间特征相结合,利用主元神经网络提取主成分;根据道路边缘窗的统计特性,利用粒子滤波器进行道路状态的估计．实验结果表明,该方法能够鲁棒地进行非结构化道路跟踪．     

PCAR：基于主成分分析的网络关键路径发现算法

大规模的网络进行动态流量监测的一个优化目标是有效减少观测对象,传统的方法通常根据流在空间的相关性减少测量对象。本文提出了一种基于主成分分析的网络的关键路径发现算法PCAR,它通过分析网络流量的时间和空间的相关性来发现网络中的关键路径。我们用Totem公布的Abliene流量数据检验了PCAR算法的有效性。实验表明,该算法与其它算法相比具有计算复杂性小、误判率低等特点。