P-C-R模型构建与应用.pdfVIP

第36卷 第3期 河北联合大学学报 (自然科学版) Vo1．36 No．3 2014年 7月 JournalofHebeiUnitedUniversity(NaturalScienceEdition) Ju1．2014 文章编号：2095-2716(2014)03-0072-06 P C — — R模型构建及应用 陈丽芳，卢 晓，安 杰 (河北联合大学 理学院，河北唐山063009) 关键词：主成分分析；聚类分析；RBF神经网络；仿真 摘 要：针对 目前预测模型精度低的问题，提出将主成分分析、聚类分析用于RBF神经网络预 报建模 ，从而克服大样本数据提取的困难，使得指标的选取能更全面地反映状况，有效地缩减 RBF网络的输入节点数并提高模型的预报精度。利用MATLAB的神经网络工具箱，实现了神 经网络训练和仿真验证。仿真结果表明，该模型有较高的预报能力。提出的基于主成分分析 和聚类分析的RBF网络预报模型——P—C—R模型为研究预报提供了一个新的思路和方法，并 为其他领域的建模研究开阔了思路，具有一定的理论价值和的应用价值。 中图分类号 ：TP181 文献标志码：A 0 引 言 现今的预报模型都有多变量、非线性、大时滞的问题 J，影响预报的因素很多。自变量与因变量的关系 目前还没有一个合理的表示。传统的预报方法主要是线性回归分析预报法和聚类分析法，把因变量与自变 量之间高度非线性关系拟合为线性关系进行预报，从而存在预报精度较低，误差较大的问题[2]。因此利用 RBF神经网络能以任意精度逼近复杂的非线性函数这一特点，将主成分分析法(PCA，principalcomponentsa— nalysis)、聚类分析法(CA，clusteringanalysis)和RBF网络结合建立水泥熟料强度预报模型——P—c～R模型， 提高预报精度，减小预报误差，应用 SPSS软件实现了数据预处理，利用MATLAB建立了预报模型并实现了 整个仿真过程。 1 预报模型构建 1．1 数据预处理 1．1．1 主成分分析 主成分分析法 (PCA)，是将多个指标综合为少数几个综合性指标的一种统计分析方法。在多指标 (变 量)问题的研究中，变量间经常存在一定的相关性 ，当变量很多时，在高维空间中研究样本的分布规律常常 比较困难，而主成分分析的主要 目的是简化数据结构，找出个不相关的主成分分量来代替原来众多的P个 变量，综合指标保留原始信息的主要信息，彼此之间不相关。在此过程中最终主成分个数的选择，将取决于 其对原始指标变量的解释程度，从而简化问题。 主成分分析的原理： 研究某一事物有n个样本，涉及P个指标，整理原始数据矩阵为： 收稿 日期：2014-01。10 基金项 目：河北省 自然科学基金 (F2014209086) 第3期 陈丽芳，等：P—C—R模型构建及应用 73 求解的综合指标标准： ． (1)根据样本变量是否有量纲选择合适的矩阵，有量纲用相关矩阵，无量纲用协方差矩阵， = [1，一_y1][y— ] (2) 1 Ⅳ 其中Y=寺，互)， =[， … ]； (2)根据背景知识和计算结果来看需要几个主成分； (3)得出主成分一定能解释其意义； (4)一般取累计贡献率达80％～95％的特征值A，A，…，A 所对应的第一，第 m个主成分； (5)各个主成分相互独立 ； (6)各主成分的方差 vat(F1)≥va／(F1)≥… 口r(Fp)，主成分重要性依次减小。 求解主成分的分析步骤_3]： Stepl根据研究问题选取初始分析变量； Step2根据初始变量特性选择运用协方差阵还是相关阵； Step3求协方差阵或相关阵的特征根与相应标准特征向量，并对特征值排序； S