偏最小二乘回归在岩体力学参数取值中的应用

为了解决工程实践中复杂岩体的岩体力学参数的取值问题,利用偏最小二乘回归方法,在自变量间存在强相关性的情况下建立计算模型,有效解决了变量间的多重共线性问题,尤其当样本点少、变量个数多时,该方法更有效.以岩体变形模量的取值为例进行了分析研究,结果表明,PLS拟合值与实测值相差很小,拟合值与实测值的趋势基本一致,说明该方法实用有效.计算量小,预测精度高.     

偏最小二乘回归神经网络在城市生活用水量预测中的应用

科学的预测城市生活需水量对城市的发展具有十分重要的意义.城市生活需水量受到多重因素的影响,各因素之间的相关性较大.将自变量利用偏最小二乘回归处理,提取对因变量影响强的成分,既可以克服变量之间的相关性问题,又可以降低神经网络的输入维数;利用神经网络建模可以较好地解决非线性问题.将偏最小二乘回归与神经网络耦合,建立了城市生活用水量预报模型.实例表明,耦合模型的拟合和预报精度均较好.     

PLS-ANN在岩体力学参数优选中的应用

偏最小二乘回归方法能有效地提取对系统最佳解释能力的新综合变量,较好地克服自变量间的多重线性相关性,但不能有效处理因变量与自变量间复杂的非线性问题,而神经网络方法是解决非线性问题的有力工具,但由于输入数据的多重相关性使得网络的求解变得不稳定及收敛速度慢,将这2种方法结合起来对岩体力学参数进行优选.实例表明,结合方法更优越,通过偏最小二乘回归方法处理自变量,消除了自变量间的多重线性相关性,提取了2个新综合变量,使网络的输入层节点数目由4个减少到2个,简化了网络结构,增强了网络稳定性,网络计算次数小于500次,计算精度0.000 2,96%的数据拟合误差在20%以内,预测误差都小于1%.     

基于最小一乘的单因变量偏最小二乘算法

偏最小二乘回归能较好地解决自变量间的多重共线问题，最小一乘法比最小二乘法能更有效地降低回归模型的误差。本文提出的改进的偏最小二乘回归将这两种方法结合起来，在偏最小二乘回归过程中利用最小一乘法建立因变量对提取的自变量成分的多元回归模型。算例表明改进的偏最小二乘回归算法的预测精度较高。     

城市生活用水量预测的PLS-ANN模型

城市生活用水量受到多重因素的影响,这些因素之间的相关性都较大.将偏最小二乘回归与神经网络耦合,建立了城市生活用水量预测模型.将自变量利用偏最小二乘回归处理,提取对因变量影响强的成分,既可以克服变量之间的相关性问题,又可以降低神经网络的输入维数;利用神经网络建模可以较好地解决非线性问题.实例表明本预测模型的拟合和预测精度均较好.     

偏最小二乘回归在渗流监控模型中的应用

在渗流监控指标中,库水位之间、库水位与降雨之间存在严重的相关性.利用普通多元线性回归建立渗流监控模型中,监控指标之间存在的多重相关性影响参数估计,扩大模型误差,破坏模型的稳健性.为了克服多重相关性对模型的干扰,引入了能辨别系统信息与噪声的偏最小二乘回归,并编制了程序.算例分析表明,偏最小二乘回归模型所分离出的各个影响分量能对大坝实测变量的变化作出合理的物理成因解释,而且偏最小二乘回归模型的预测能力也远优于普通最小二乘回归模型,前者的预测误差平方和约只有后者的二十分之一.     

基于偏最小二乘法的装备维修费用估算方法研究

针对现行的维修成本加成定价方式确定装备维修费用不能准确反映维修费用真实需求的问题,提出了一种基于偏最小二乘法的装备维修费用估算方法,综合考虑影响维修费用的各种客观因素,建立了某类装备维修费用估算模型,设计了精度评定方法.结果表明,偏最小二乘回归方法在处理样本容量小、自变量多、变量间存在严重多重共线性问题等方面具有得天独厚的优势,基于该方法建立的维修费用估算模型拟合度好、变量累计解释能力强,实例计算估算误差在5%以内.     

基于偏最小二乘回归的挖掘机液压系统故障诊断

为了提高挖掘机液压系统的可靠性水平，提出了一种针对挖掘机液压系统的偏最小二乘回归（PLSR）故障诊断方法，其原理是：首先使用非线性迭代偏最小二乘（NIPALS）算法分析系统正常状态下的样本，选择累积方差最大的PLS成分数目，建立输出变量关于输入变量间的PLSR辨识模型；然后，将系统故障状态下的样本代入PLSR辨识模型，运用广义似然比（GLR）检验对模型残差进行假设检验，判断系统的故障状态。实验结果表明，采用基于PLSR的故障诊断方法能准确地诊断出所有系统故障，能有效地应用于挖掘机液压系统的故障诊断。     

基于偏最小二乘法的泉流量预报模型

偏最小二乘回归能较好地解决自变量之间的相关性问题,克服了变量多重相关性在系统建模中的不良作用.同时用这一方法建立的泉流量模型,可进行流量预报.且以黑龙洞泉为例,通过计算、拟合、分析,说明建立的泉流量模型具有较好拟合性和稳定性.     

基于室外温度的供热负荷预测研究

本文基于最小二乘法的预测方法,运用线性回归分析整理系统的历史数据,并将天气预报中的室外温度作为自变量,供热负荷作为因变量,同时利用这两个变量的历史数据作为预测样本,对其进行最小二乘法拟合。通过拉依达法判别粗大误差,最终确定线性关系中的回归系数,从而提高供热负荷预测精度。     

燃气负荷组合预测中贝叶斯权重法的应用

将贝叶斯概率理论引入组合预测模型中,建立了基于GM(1,1)和偏最小二乘回归模型的燃气负荷动态权重组合预测模型。通过对某市的实例分析,结果表明,此方法有效地提高了预测精度。     

一种带权因子的相机标定方法

基于最小二乘法的基本原理,提出一种带权因子的相机标定方法.通过研究标定数据的误差分布,充分利用这些统计信息进行二次标定.对于那些偏差出现概率高的实验数据（偏差小）,使用较大的权因子,增加它们对系统表现的贡献.对那些偏差出现概率低的实验数据（偏差大）,使用较小的权因子,抑制它们对系统表现的影响.实验表明,这种带权因子的标定方法,能够有效地提高标定精度.特别是对基于非线性的标定过程,该方法可以充分克服各种随机噪声的影响,从而有效地提高标定过程的稳定性.     

电价与负荷的相关性分析及其在电价预测中的应用

为解决传统电价预测模型需要对周末等电价波动较大预测日单独建模,以及模型不加区分地引入负荷因素影响预测精度的问题,提出了利用电价与负荷的相关系数判定是否将负荷因素引入粒子群-BP神经网络模型的新方法,将相关系数作为输入样本的阈值,判定是否在模型输入样本中引入负荷因素.在电价变化平稳、电价与负荷相关性较弱时,在电价预测模型中不引入负荷因素,解决了粒子群-BP神经网络模型由于非关联输入样本过多而影响学习效率、导致预测精度降低的问题.仿真结果表明,新的预测模型对电价相对平稳和波动较大的预测日预测精度明显提高,可用于电力市场的短期电价预测.     

AR模型参数自适应估计方法研究及应用

为了提高AR模型参数估计的精度和收敛速度,提出基于卡尔曼(Kalm an)滤波原理的AR模型参数估计方法.把AR模型参数向量作为状态向量,利用随机游动模型建立系统的状态方程,由观测数据建立系统的观测方程,应用卡尔曼(Kalm an)滤波原理求得参数向量的最小方差估计.将该方法应用于船舶运动实时建模预报中.仿真研究表明本文提出的基于Kalm an滤波算法的AR模型在预报精度以及收敛速度方面均优于基于递推最小二乘法(RLS)和最小均方(LMS)算法,该算法具有较强的鲁棒性,降低了实时在线预报时通信故障所引起的数据缺失对预报精度的影响.该方法在理论和工程应用方面具有重要的意义.     

时滞工业对象的一种建模及控制方法

采用只有纯滞后的一阶惯性环节作为时滞工业对象的模型,给出了一种时滞工业对象的内模控制方案。根据对象的阶跃响应曲线,采用最小二乘法,准确获得对象模型的参数：比例增益、惯性时间常数和纯滞后时间。详细阐述了模刑的求取方法并对控制方案进行了仿真研究。仿真结果表明了这种控制方法的有效性。     

一种基于Logistic回归的银行保险消费行为影响因素分析与预测

运用Logistic回归方法分析了银行保险消费行为的影响因素,并构建了预测模型,然后利用保留样本进行了实证检验.通过对样本数据过离散、空单元、多元共线性、特异值、特殊影响案例的诊断,以及对模型的拟合程度和预测效果的检验,验证了所构建的模型具有较好的拟合程度和预测效果.     

基于电加热装置的油气输送温度预估控制回归模型的建立

针对电加热输送油气出口温度控制的滞后现象,根据输入电能与输送油气出口温度的实测数据,建立了系统的预测回归模型,改善了系统的性能指标。通过实验确定了模型的阶数和滞后时间,用最小二乘法通过MatLab计算出最优的模型参数,为提高油气电加热温度控制精度提供了理论依据。