一、基于主成分分析的一类工业复杂控制系统变量降维选取（论文文献综述）
路辉[1]（2021）在《复杂铝电解质关键物化参数预报和测定新方法》文中研究表明铝电解质是电解铝生产的载体介质,其组成和物理化学性质直接影响铝电解产品质量、电能消耗和电流效率。随着原材料及辅助材料变化,电解质体系成分越来越复杂,且呈现出明显的区域性特征,其物理化学性质发生了较大改变,给电解生产带来效率低、能耗高、沉淀多和控制难等系列问题。围绕电解铝工业提质增效、节能降耗,转型升级战略目标,深入研究复杂铝电解质体系物理化学性质,探索复杂电解质初晶温度、分子比等关键物化参数精准预报和测定,对优化铝电解生产工艺、实现生产精准管控和推动铝冶炼智能升级具有重要意义。本论文以复杂铝电解质体系为研究对象,采用多种分析检测手段,获得了复杂铝电解质体系的化学组成、物相组成、元素赋存状态和热稳定性等物理化学性质,揭示了复杂铝电解质体系区域性特征,建立了原材料、辅助材料和复杂电解质体系形成间的映射关联。采用机器学习算法,构建了基于多基体类型、宽成分范围复杂铝电解质样本的初晶温度预报模型。采用激光诱导击穿光谱（LIBS）技术,基于特征提取和机器学习融合的化学计量学方法实现了复杂铝电解质CR的定量分析测定。开展了熔融复杂铝电解质CR和Ca、Mg含量的LIBS原位在线检测实验,首次实现复杂铝电解质体系主要成分的LIBS原位在线检测分析。主要研究成果如下:（1）电解质和原辅料多维度、大容量的多源数据结合原料区域供应协同的分析方法,实现复杂铝电解质体系和原辅料间成分的区域映射关联。分析了复杂铝电解质体系的典型物理化学性质,揭示了复杂铝电解质体系区域性特征。从氧化铝、炭素阳极、阳极覆盖料和炭渣等方面对复杂铝电解质体系形成进行溯源分析,阐明氧化铝、炭素阳极和阳极覆盖料中杂质元素分布规律,构建了铝电解原材料、辅助材料中杂质元素和复杂铝电解质形成之间的基本映射关系。（2）大样本容量电解质样本成分全要素耦合结合机器学习解析的建模方法实现了复杂铝电解质体系初晶温度的精准预报。模型适用范围拓宽,预报准确性提高,揭示出复杂铝电解质体系初晶温度与其化学成分之间的非线性关系。BP-ANN模型留一交叉验证RMSE=6.77,MRE=0.54%,39个外部样本初晶温度预报的平均相对误差为0.39%;SVM（Rbf）模型留一交叉验证RMSE=6.90,MRE=0.49%,预报39个外部样本初晶温度的平均相对误差为0.43%,预报准确性较高,具有重要的应用价值。（3）设计、搭建LIBS实验装置,通过开展单因素实验,实现了 LIBS检测关键实验参数优化。通过选择特征分析谱线,计算等离子体温度和电子密度,证实等离子体光谱有效性,优化LIBS实验条件,获得合理的实验参数组合。结合Mc-Whirter准则,计算出激光等离子体温度为5353 K,电子密度为1.55×1018 cm-3,证实复杂铝电解质等离子体满足局部热力学平衡状态,LIBS等离子体光谱有效。实验确定LIBS参数优化条件为:氩气气氛,激光器延迟时间4 μs,激光器能量133 mJ,电解质研磨时间30 s,电解质压样压力8 Mpa,激光脉冲累加50次,为复杂铝电解质体系主要成分LIBS定量分析奠定基础。（4）提出基于光谱变量特征提取和机器学习融合方法,首次实现复杂铝电解质CR的LIBS定量测定分析。采用超多面体方法筛选光谱特征变量,以筛选出的特征变量为新数据集,采用机器学习算法训练建模,发现SVM（Liner）模型留一交叉验证RMSE=0.062,MRE=1.79%,SVM（Rbf）模型留一交叉验证RMSE=0.027,MRE=0.93%;通过验证17个外部独立测试样本,SVM（Liner）与SVM（Rbf）模型测定分析复杂电解质CR的平均相对误差为0.33%与0.43%,Hyperpolyhedron-SVM方法对复杂铝电解质训练样本和验证样本均表现出较好的分析测定能力。（5）搭建LIBS原位在线检测装置结合化学计量学解析方法,首次实现高温环境下强扰动、非均质熔融态复杂铝电解质主要成分的LIBS定量分析。基于全谱的SVM校正模型分析测定能力较好,分析20个外部电解质样本CR的平均相对误差为2.62%。采用传统定标法建立了面向复杂电解质体系Ca、Mg含量的定标曲线,其中Ca元素的定标曲线为y=6208.43x-8654.59,定标模型 R=0.94,RSD=1.89%,Mg 元素的定标曲线为 y=7120.13x+1312.60,定标模型R=0.95,RSD=3.28%。通过分析13个外部独立测试电解质样本,Ca元素平均相对标准偏差为5.40%,Mg元素的平均相对标准偏差为13.0%。Ca元素最低检测限为8.54mg·g-1,Mg元素最低检测限为15.50mg·g-1。
钱音[2]（2021）在《中国31个地区营商环境评价及影响因素分析 ——基于充分降维方法》文中提出近几年来,营商环境的建设受到中央政府的高度重视,这是基于中国转向高质量发展阶段的必然选择,习近平总书记多次强调“以优化营商环境为基础,全面深化改革”,优化营商环境是深化放管服改革的重要体现,它不仅能促进国家整体环境的提升,而且也使市场主体活力得到激发。中央财经领导小组在第十六次会议上也对营商环境的建设提出了要求,应从市场和投资环境方面进行改善,同时把市场运行成本降低,从而营造一个稳定、公开透明、可预期的营商环境。可见,营商环境的优化已成为了提升地区综合实力和竞争力的重要举措,合理地评估地区的营商环境将有助于政府“对症下药”,更好地把握和改善营商环境。本文采用充分降维方法研究中国31个地区营商环境,充分降维方法的思想是从Y（响应变量）给定X（自变量）的条件分布出发,通过少数几个X的线性组合来代替X对Y的回归信息,这种降维方法与一般的主成分方法和因子分析方法最大的不同是引入了响应变量Y,在保持Y给定X的这个条件分布的信息条件下,对X进行降维,特点是降维效果好（即变量信息损失少）,同时响应变量的加入也使得我们可以从多个角度去分析各地区营商环境。基于此本文主要研究的内容包括三个部分:（1）在借鉴世界银行和已有的研究基础上,结合我国基本国情,构建评价营商环境的指标体系。我们的指标体系分软环境和硬环境两个维度,包括自然环境、市场环境等6个一级指标,以及27项三级指标;（2）从营商环境综合得分、市场化程度、外商投资三个角度,采用充分降维方法对变量进行降维,然后采用聚类分析来对全国31个地区的营商环境进行等级划分,最后对所划分的每一类别地区进行合理评价。（3）基于充分降维结果进行影响因素分析,通过降维后得到了有效降维方向,根据其每一个方向上特征值大小判断这一个方向的重要性,再依据每一个方向上面变量的系数绝对值大小来判断变量的重要程度,最后给出变量重要程度排序。通过以上分析,我们得到以下主要结论:（1）从降维效果来看,充分降维方法进行降维的效果很好,故在统计意义下用充分降维方法进行降维分析可以作为一种好的综合评价方法;（2）从聚类结果来看,基于充分降维方法的聚类结果与《2018年各省份营商环境指数报告》中各地区营商环境评价结果基本是一致的,说明本文方法是合理的,而且其结果也比传统方法（比如主成分分析）降维后的聚类结果更合理;（3）从分析角度看,通过改变响应变量充分降维方法可以从不同的视角下分析各地区营商环境,因此充分降维方法丰富了评价的角度,可以从多个角度对营商环境进行全面评价;（4）基于不同视角下,通过变量系数绝对值的大小可以发现营商环境的影响因素在三个角度下的重要程度各有侧重;（5）通过对全国31个地区营商环境进行等级划分可以看出其地区发展是呈现层次化特征的。结合分析结论,我们从三个层面提出改善营商环境的三点建议:（1）从总体层面而言,改善营商环境应该多措并举,加强放管服改革力度;（2）从企业层面而言,企业应抓住机遇,发展经济,打造良好的营商环境;（3）从城市层面而言,城市应对标先进,突出特色。
王玉英[3]（2020）在《基于数据驱动的过程性能评价方法》文中认为过程性能评价系统在工业生产中以及经济建设中起到了十分重要的作用,而且承担着保障企业安全、稳定运行等重要的社会责任。工业过程系统性能会由于工业过程、人员操作失误、工业过程系统所处的生产等因素造成工业过程系统性能偏离最佳工作性能,可能会导致企业生产经济效益下降甚至发生生产事故。为了及时发现工业过程性能的变化,在工业过程系统性能下降之前对工业过程系统进行调节,需要对工业过程系统性能进行在线性能评价。本文针对工业过程物理或化学模型难以获得以及工业过程性能检测结果难以在线获得的问题,提出了基于数据驱动的工业过程性能在线评价方法。首先阐述了数据驱动方法产生的背景、应用价值及特点,对数据驱动方法的相关算法进行了分析与研究。然后,针对多元统计分析法中主成分分析法的在性能评价中的应用进行了研究,分析了主成分分析法的原理、计算过程及特点。由于主成分分析法在建模时没有将过程变量与质量变量进行关联的不足,本文采用了偏最小二乘法,并对该方法的基本原理、计算过程及优缺点进行分析。并对主成分分析法及偏最小二乘法进行了仿真验证。针对偏最小二乘算法存在的计算过程复杂及没有对数据空间进行正交分解的不足,本文将自回归思想与偏最小二乘法融合设计了自回归潜结构投影算法。该算法能够对样本数据空间进行正交分解,并且能够简化建模过程。最后对算法进行仿真验证。为了得到过程性能的评价结果,本文采用模糊C均值聚类算法与自回归潜结构投影算法结合。对建模使用的样本数据划分类别,并计算各类别的隶属度函数,使用隶属度函数计算在线计算结果对于各类别的隶属度,并依据模糊综合评价方法得到最终的评价结果。最后以高炉炉温状态评价为对象进行仿真,验证了该方法的有效性,为复杂、非线性的过程性能评价提供了一种有效的方案。
王瑶[4]（2020）在《主成分分析在均匀线阵波达方向估计中的应用研究》文中认为随着阵列信号处理技术的快速发展,各领域对信号的测向精度要求越来越高,为了实现更高精度的信源估计,波达方向（Direction of Arrivals,DOA）估计就成了当前的研究热点。MUSIC（Multiple Signal Classification）算法、ESPRIT（Estimating Signal Parameter via Rotational Invariance Techniques）算法等高分辨率算法的的缺点在于低信噪比下的DOA估计误差较大,且不能直接用于相干信源的DOA估计。近年来,随着统计学和智能算法的飞速发展,越来越多的统计智能算法也被用于DOA估计中,如主成分分析（Principal Component Analysis,PCA）、神经网络算法、支持向量回归算法等。这类算法的优点在于通过建模的方式来构造信号估计模型,能够将噪声、阵列排布误差等影响因素通过训练包含在模型中,不需要对划分的角度空间进行谱峰搜索,而且能够更快速地估计出来波方位。本文对此类算法的关键技术进行了深入的探讨和分析。首先,本文研究了PCA算法在经典高分辨率算法（MUSIC、SOMP算法）中的应用,研究了阵列PCA-MUSIC算法和PCA-SOMP算法。由于这些高分辨率算法在进行DOA估计时往往需要很大的快拍数,而每一次的采样数据都包含了噪声信息。因此使用PCA算法来降低采样信号维数从而对信号进行重构,重构后的信号仍然保留了原始信号的信息,但减少了原始信号中的噪声信息。改进后的阵列PCA-MUSIC算法、阵列PCA-SOMP算法在低信噪比下的DOA估计性能提高。其次,本文研究了PCA算法在神经网络算法中的应用,并用于近场源的参数估计。研究了阵列PCA-BP、阵列PCA-RBF算法,通过PCA对输入数据进行降维,从而减少了输入神经元的个数,使得神经网络的结构变得简单,减少了网络的训练时间,也提高了低信噪比下的近场源参数的估计性能。同时,PCA-BP算法也能在阵列存在误差的情况下对近场源参数进行准确估计。最后,本文研究了PCA算法在回归算法中的应用,并用于近场源的参数估计。研究了偏最小二乘回归算法（Partial Least Squares Regression,PLSR）对近场源参数进行估计,NSF-PLSR算法能提取出信号的特征变量,去除冗余信息和噪声信息,对近场源参数进行高准确性的估计。另外,也使用了PCA降维的多输出支持向量回归（Multiple-output Support Vector Regression,MSVR）算法来对近场源参数进行估计。PCA-NSF-MSVR算法通过PCA降低输入信号维数,降低了算法的运算量,也去除了较多的噪声信息。仿真实验表明了所研究算法的有效性。PCA-NSF-MSVR算法也能够对相干近场信源进行估计并具有很好的估计性能。
杨黎明[5]（2020）在《基于残差网络与长短时记忆网络的水泥游离钙软测量方法研究》文中提出水泥熟料中游离钙（fCa O）含量是影响水泥质量的重要因素,直接关系着水泥安定性与生产的能耗。目前国内主要通过化验分析的方法离线测得水泥熟料fCaO含量,但是该方法对于水泥烧成系统的控制具有明显滞后性。为了实现稳定生产、节能降耗的目的,本课题结合水泥生产实际状况,以水泥熟料fCaO含量为研究对象,基于时间序列的深度残差网络（TS-Resnet）及主成分分析法与长短时记忆网络相结合（PCA-LSTM）的方法研究水泥熟料fCaO含量软测量方案,实现熟料fCaO的模型建立及实时预测。本文的主要研究内容如下:1.对水泥烧制工艺及熟料fCaO产生机理进行研究,分析影响水泥熟料fCaO含量的主要因素,选取与熟料fCaO含量相关的变量作为软测量模型辅助变量;采用滤波、归一化等方法对各辅助变量数据进行预处理。2.针对水泥烧制过程中变量间的时变时延性、非线性和不确定性等特性,选取影响水泥熟料fCaO的多个辅助变量的时间序列作为模型输入,建立了基于时间序列的深度残差网络。通过模型对水泥数据特性的学习,使用残差模块卷积与池化的方式对各过程变量进行深层多次特征提取,残差模块中的快捷连接有效避免了训练过程中的梯度弥散问题,提高了模型的预测精度与泛化性。3.由于水泥烧制过程中辅助变量维度高、数据量大、且采样频率不同等问题,提出一种基于主成分分析法与长短时记忆网络相结合的软测量方法。先将高维数据使用PCA降维至目标维度,然后将降维后的数据与其余的低维数据融合送入LSTM中进行训练,通过提取数据特征来对熟料fCaO含量进行预测。4.依据上述所建模型以及相关理论分析,使用C#编程语言,Python编程语言和SQL Server 2014数据库,以VS2017为平台,设计并实现了了水泥熟料游离钙实时预测软件。之后使用现场数据对本文所提出模型进行实验与分析,同多种现存主流软测量模型从训练时长、训练预测效果等指标进行对比分析,结果表明本文所提的熟料fCaO的实时预测方案泛化能力强,精确度高。
唐云飞[6]（2020）在《基于虚拟场景的自适应巡航控制系统性能测试与分析》文中认为现如今,各个国家都致力于汽车自动驾驶技术的研发。在部分高端车型上,都配备了以ADAS为代表的自动驾驶功能。在ACC的研发过程,产品的功能及性能测试是一个重要的环节,受限于公共道路测试的风险高、成本高和效率低等缺点,使得研发的难度和工作量大大增加。为了较好的解决这个问题,国内外许多机构都搭建了一些封闭的测试场地,但是搭建封闭测试场地一方面成本高昂,另外测试的场景相对也比较单一,因此一些传统的汽车测试方法已经无法满足自动驾驶汽车相关功能及性能的测试需求。虚拟场景测试,凭借着高效率,低成本,测试场景丰富和测试风险较低等优势,逐渐成为自动驾驶汽车测试技术的研究热点。本文通过对自然驾驶数据进行提取分析,提出了一种用于自适应巡航系统测试的虚拟测试场景构建方法。通过虚拟场景测试,对影响ACC系统性能的场景参数进行分析提出了一些ACC系统设计的建议。主要开展了如下工作:1.根据自然驾驶数据,设置ACC边界条件,提出了针对ACC测试场景的特征参数。测试场景的数据来源大致可以分为真实数据、模拟数据和专家经验三种类型。基于自然驾驶数据构建的测试场景,能够保证场景的真实度和丰富度。各研究机构所采集的原始自然驾驶数据段中包含了各种复杂的环境信息,需要根据测试需求从自然驾驶数据段进行数据挖掘。本文针对ACC系统的应用场景,通过设置边界条件,从自然驾驶数据段中提取出了500例跟车场景。再基于ACC系统的特点,选择了5类12个场景参数作为构建ACC虚拟场景的关键参数,其中前车加速度为时间序列数据,通过建立前车模型,将前车加速度进行离散化,用离散化后的6个变量进行表示。2.基于数据挖掘,运用统计学知识搭建具有代表性的测试场景。首先通过主成分分析计算各成分贡献率,选取贡献率之和达到80%的10个主成分,降低了数据维度。然后结合聚类方法中的系统聚类法和层次聚类法,先是通过类平均法对样本进行初步聚类,结合不一致性系数确定了类别个数为6类。接下来采用K均值聚类法对500例跟车场景进行分类,得到了6类具有代表性的测试场景。通过显着性分析,得出了每一类场景中的显着性场景参数。以显着性参数为常量,非显着性参数为变量进行场景的构建。3.对于场景参数中的定量变量,每个参数都有一个取值区间。为了能够说明不同取值对于测试结果的影响。从每一定量参数对应的取值区间内选取5个均匀分布的点。基于仿真测试软件Prescan进行虚拟场景的搭建。分别对道路、交通参与者、交通指示、传感器和天气等参数进行建模和参数设置。雷达的探测距离设置为200m。对于车辆的控制参数,通过在Simulink中搭建的控制模型来实现对自车和目标车辆的控制。第一类场景为城市红绿灯路口。第二类场景为郊区道路前I车和自车以较快速度。第三类场景为路面湿滑。第四类场景为高速道路前车减速行驶。第五类场景为相邻车道换道插入。第六类场景为前车换道切出。4.为了进行后续的测试,建立了一个基于模型预测控制理论的ACC系统。该系统采用分层式设计,间距策略选用可变车头时距策略。在上层设计中,基于MPC理论,根据车间动力学关系,搭建了相应的预测模型和目标优化函数。在下层设计中,根据输入输出需求,建立了发动机逆模型和制动器逆模型。为了对ACC系统进行更加直观的评价,设计了跟踪性、舒适性和安全性3种测试指标。最后基于Matlab/Simulink建了ACC系统模型,与Prescan中搭建的场景一起组成联合测试平台。5.ACC性能测试的正交实验设计及结果分析。为了降低实验次数,减少实验成本,通过正交实验设计方法设计了仿真测试方案,选用10因素5水平的正交表进行47次实验。仿真结果表明,本文给出的用于ACC系统虚拟测试的场景构建方法,能够有效的对ACC系统进行测试,根据测试结果能够对ACC系统设计提供相应的建议,用于完善设计。虚拟场景测试结果表明:相对距离（自车与前车之间的距离）、h0（前车的驾驶员风格）和h1（当前时刻加速度对于下一时刻加速的影响）等场景参数在各类场景中对于性能指标的影响均比较大。因此在ACC系统研发时,应该重点关注间距控制策略,在间距控制策略中,考虑更多的影响因素,使得输出的期望跟车间距更加的灵活。除此之外,对于不同的应用场景,应该展开更加细致的驾驶员行为特性研究。针对不同的应用场景,应该设计多种系统工作模式。功能单一的ACC系统无法满足复杂的交通环境,因此需要根据实际情况,通过相应的切换逻辑选择合适的工作模式。
张磊[7]（2020）在《建模与优化相集成的聚氯乙烯生产过程优化控制方法研究》文中进行了进一步梳理聚氯乙烯（Polyvinyl Chloride,PVC）生产过程,是一个大规模的工业过程,而且具有非常复杂的化学反应。基于生产过程控制层面考虑,主要具有以下几种特征,其中包括变量之间的强耦合性与非线性、系统参数的大时滞以及慢时变等,是一种十分常见的复杂被控对象。在生产过程中,也会具有很多的不确定性因素,如果仍采用传统的控制方法,则无法使工业指标得到满足,由于先进控制方法的出现,则可以对这些复杂被控对象产生较佳的控制效果。提出一种基于数据降维聚氯乙烯生产过程神经网络软测量建模方法。基于7种数据降维方法,对聚氯乙烯生产过程神经网络软测量模型输入高维数据进行降维,将聚合过程涉及到的现场数据均降至三维数据,即在三维空间中作出所有数据点;采用多种方法实现了氯乙烯转化速率的仿真研究与预测,主要包括梯度方法、动态模糊神经网络软测量模型、聚类方法以及正交最小二乘法的RBF神经网路等。仿真结果标明基于数据降维策略的聚氯乙烯生产过程神经网络软测量建模方法能准确预测PVC聚合生产过程的各项指标,具有一定实际意义。基于聚氯乙烯汽提过程和子空间建模基本原理、多变量耦合系统解耦方法及PID控制器参数整定方法,提出一种基于子空间建模的聚氯乙烯汽提过程解耦控制方法;提出了使用现场数据应用子空间建模方法,并对PVC汽提过程中“塔顶温度-浆料流量”以及“塔底温度-蒸汽流量”实现建模操作;使用对角矩阵解耦和前馈补偿解耦方法对TITO系统进行解耦,得到两个SISO系统后,用两个PID控制器分别进行控制;使用4种工程整定方法整定PID参数,得到阶跃响应曲线。仿真结果表明,运用本方法后,解耦后对象的阶跃响应的超调量、上升时间、整定时间三项性能指标均有改善。针对精馏过程PID控制策略,提出基于参数优化算法的聚氯乙烯精馏过程控制方法;在Kp,Ki,Kd 3个参数空间中寻找最优值,使得系统的控制效果达到最优。选取粒子群优化算法（PSO）、细菌觅食算法（BF）和二者相结合的算法（PSO-BF）进行分析比较,通过精馏模型分析三种优化方法的优化原理,研究PID优化算法对系统性能的影响,得出三种优化算法优化后的参数和曲线,对它们进行分析比较。仿真结果表明,三种优化算法改善了控制系统的性能,满足自动控制要求,在准确性、快速性、稳定性方面均有提升,PSO-BF优化算法使得系统更好的运行,解决了聚氯乙烯精馏过程控制不达标的问题。
赵准[8]（2019）在《基于主成分分析的基因表达谱数据降维方法研究及可视化》文中研究说明“21世纪是生物技术的世纪”,随着时代的发展,基因测序技术及其他生物信息学技术正在改变着世界。其中基因表达谱数据收集和处理技术已经越来越成熟和多样,海量数据的规模和复杂度在不断增加,例如:基因组数据库、核酸和蛋白质结构序列数据库、生物大分子空间结构信息等。然而随着“大数据时代”的来临,问题也随之而来,如此大规模的数据带来的更多的是高维、海量和不完整性等巨大挑战。关于基因表达谱数据降维技术的创新与研究也在不断地更新迭代,并取得了可观的成果。主成分回归分析作为一种经典的算法得到了非常广泛的应用,并且针对不同领域演变出了许多改进和变种算法。但是它们主要是针对样本数据本身进行优化和改进,并没有将其与分类标签结合起来,这就容易导致丢失感兴趣目标信息,无法良好地发现数据潜在的内部结构关系,进而影响预测和分类性能。针对此类问题,课题研究了有监督主成分回归（Supervised Principal Component Regression SPCR）和基于Y-aware的主成分回归方法,验证了其相对于PCR方法的优越性。通过实验发现,SPCR方法随着保留主成分数量的增多,分类效果逐渐变差,而Y-aware PCR则恰恰相反,主成分数较少时,分类精度略差于SPCR,但在保留的主成分数为35左右之后,分类精度要明显好于SPCR。针对此情况,提出了基于SPCR与Y-aware PCR的加权融合（Y-SPCR）算法。最后将其应用在四种不同的高维基因数据上进行降维和分类,测试比较算法性能。实验结果表明,在分类准确率方面,Y-SPCR方法有效克服了上述两种方法各自的缺点,在不同特征数下算法运行性能稳定,平均准确率达到82%,相对传统PCR方法平均准确率提升约13%左右,相对于SPCR与Y-aware PCR方法其平均准确率提升约5%左右,分类效果理想。最后,实验对基因数据降维后的结果进行可视化设计,把降维后的数据空间结构通过友好的前端界面更加直观形象地展示出来。帮助人们以更加灵活多样的方式观察高维数据样本内潜在的结构关系。
李俊[9]（2019）在《高维非线性数据上的聚类算法研究》文中研究说明聚类是一种重要的数据挖掘技术,它可以将获取的数据根据一定的约束条件划分为不同的类别。聚类的主要研究目标是同一类簇中数据点间的相似性以及不同类簇之间数据点间的相异性。由于现有数据普遍具有高维性和非线性,针对高维非线性数据的聚类已经成为数据挖掘领域的重要研究课题。本文在对高维非线性数据进行深入分析的基础上,针对传统降维算法的不足,提出了一种一种基于SU的特征提取算法,并在此基础上提出了一种基于加权流形距离的非线性数据聚类算法。本文取得的主要成果如下:针对传统降维算法泛化能力差,许多算法需要经验指导,并且无法对非线性增量数据进行处理等问题,本文借助信息论相关理论提出了一种相似度量方法-对称不确定性SU,提出了一种基于SU的特征提取算法（RFE-SU）。该算法解决了传统主成分分析算法中相关系数无法衡量数据间非线性关系的缺点,并在此基础上,通过基于滑动窗口技术的多级联动缓冲区机制,对基于SU的特征提取算法进行扩展,使其能应用于增量数据的降维处理。在采用RFE-SU算法对数据高维非线性数据降维的基础上,本文以信息论和流形学习为基础,提出了一种基于加权流形距离的非线性数据聚类算法（WMD-NLData）对非线性数据进行聚类。本文从全局角度出发,以信息熵为基础设计了一种自适应权重计算方法,使聚类过程中的距离计算更加贴近客观情形。为降低算法运行时间,提高算法的性能和效率,本文还针对数据规模缩减进行了分析研究。并且通过流形学习相关理论结合自适应权重,设计了一种新的距离度量方法—加权流形距离。新的度量方法能准确刻画非线性数据的内部流形结构,基于该度量提出了一种面向对非线性数据的聚类算法。通过大量实验表明,本文提出的RFE-SU算法可以快速地对非线性数据进行降维,并且在提高算法效率的同时也保留了原始数据的大部分信息;而本文提出的WMD-NLData算法可以针对高维非线性数据进行聚类。在人工和真实数据即上均取得了良好的效果,较之传统算法,无论是准确率还是效率均有较大的提高。
陈浩然[10]（2019）在《基于黎曼流形优化的数据降维表达及应用》文中认为大数据时代,计算机和多媒体技术迅速发展,每时每刻都在生成大量的图像和视频数据。面对如此海量的数据,不仅有效识别它们已经成为一项巨大挑战,甚至简单的存储和读取都会存在困难。数据降维表达是解决数据存储、读取及识别等问题的一种重要手段。因此数据降维表达已成为人们广泛关注的课题,并取得了丰硕成果。传统的数据降维表达方法主要是基于欧氏空间进行建模和优化。在欧氏空间中处理一些具有约束的问题常常使用拉格朗日法或贪婪算法,而这些方法往往会导致次优解的生成。为了在数值计算中获得更精确的数值解,黎曼流形优化开辟了一个新的方向。采用黎曼流形优化有两个显着的优势:第一,对于许多具有黎曼几何结构约束的优化问题,通过黎曼流形上的优化可以更好地利用约束空间的几何结构,转化为黎曼流形上的无约束优化问题,从而获得更精确的数值解。第二,通过引入适当的度量,可以将某些欧氏空间中的非凸问题转化为黎曼流形上的凸问题,进而改善数值计算方法,获得全局最优解。鉴于黎曼流形优化的优势,本文研究黎曼流形上数据降维模型的建立和优化问题。论文的主要创新性工作包括以下几个方面:第一,针对黎曼流形优化算法使用函数一阶信息收敛速度慢的问题,本文提出黎曼流形上的加速优化算法（Fast Optimization Algorithm,FOA）,并在理论上证明了该策略的函数值序列具有的收敛率。另外,针对低秩表示问题,本文提出了基于黎曼流形的増广拉格朗日法,并使用快速优化算法进行优化。实验结果表明,黎曼流形上的快速优化算法确实起到加速效果,同时,黎曼流形上低秩表示获得较高的聚类正确率。第二,针对偏最小二乘回归问题,现有方法都是在欧氏空间中建模和优化。对偏最小二乘回归因子的正交约束或者广义正交约束,通常都是采用贪婪算法逐列求解,这常常只能获得次优解。为了克服这一缺点,本文提出了黎曼流形上的偏最小二乘回归模型及优化算法,该算法对偏最小二乘因子进行整体优化,获得更精确的数值解。此外,为了避免过拟合问题,提出黎曼流形上的稀疏偏最小二乘回归模型,并将其应用到图像分类问题。实验结果表明,与同类回归方法相比,本文提出的黎曼流形优化模型和算法具有最高的分类正确率。第三,针对具有拉普拉斯噪声图像特征降维表达,基于欧氏空间的方法都是通过极大化低维特征方差矩阵的L1范数进行建模,然后采用贪婪算法优化,贪婪算法虽然计算复杂度低,但往往导致生成次优解。因此,本文将投影矩阵的正交性约束看作乘积流形,提出乘积流形空间上的L1范数的二维主成分分析模型,对投影矩阵进行整体优化,获得更精确的数值解。实验结果证明,和同类降维方法相比,使用乘积流形上的降维模型和优化方法,能够更好的去噪和提取特征。第四,针对主成分分析只考虑了数据特征的线性相关性,而高维数据特征之间常常具有非线性相关性。为了解决这个问题,本文提出一种基于深度参数化学习的最大相关主成分分析模型,该模型利用深度参数化框架,将具有非线性相关的数据特征映射为线性相关性特征,再进行主成分分析降维。并进一步推导出模型的学习算法。实验结果表明,与常用的线性和非线性降维算法相比,本文提出的算法在模拟数据集和几个真实数据集上都获得了较好的识别率。
二、基于主成分分析的一类工业复杂控制系统变量降维选取（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于主成分分析的一类工业复杂控制系统变量降维选取（论文提纲范文）
（1）复杂铝电解质关键物化参数预报和测定新方法（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 引言 |
| 2 文献综述 |
| 2.1 铝电解质体系概述 |
| 2.1.1 铝电解质体系发展历程 |
| 2.1.2 铝电解质体系分类 |
| 2.1.3 复杂铝电解质体系形成原因 |
| 2.1.4 复杂铝电解质对生产过程的影响 |
| 2.2 铝电解质体系初晶温度预报和CR测定分析 |
| 2.2.1 铝电解质体系初晶温度预报 |
| 2.2.2 复杂铝电解质体系CR测定分析 |
| 2.3 激光诱导击穿光谱(LIBS)技术 |
| 2.3.1 LIBS技术概述 |
| 2.3.2 LIBS激光等离子体产生机制 |
| 2.3.3 LIBS定量分析方法 |
| 2.3.4 LIBS技术在冶金中的应用 |
| 2.4 研究背景和内容 |
| 2.4.1 研究背景 |
| 2.4.2 研究内容 |
| 3 复杂铝电解质体系物化特征和溯源分析 |
| 3.1 实验方案 |
| 3.1.1 实验原料 |
| 3.1.2 实验仪器 |
| 3.2 复杂铝电解质物化特征分析 |
| 3.2.1 化学成分分析 |
| 3.2.2 物相组成分析 |
| 3.2.3 元素赋存状态分析 |
| 3.2.4 热稳定性分析 |
| 3.3 复杂铝电解质体系形成溯源分析 |
| 3.3.1 氧化铝中杂质元素分析 |
| 3.3.2 炭素阳极中杂质元素分析 |
| 3.3.3 阳极覆盖料中杂质元素分析 |
| 3.3.4 炭渣量分析 |
| 3.4 本章小结 |
| 4 基于机器学习解析的初晶温度预报方法 |
| 4.1 实验方案 |
| 4.1.1 实验原料 |
| 4.1.2 实验装置及原理 |
| 4.1.3 实验方法 |
| 4.1.4 机器学习算法实现 |
| 4.1.5 初晶温度校正模型评价指标 |
| 4.2 结果与讨论 |
| 4.2.1 区域性复杂铝电解质初晶温度测试结果分析 |
| 4.2.2 基于机器学习解析的初晶温度建模及预报 |
| 4.2.3 初晶温度校正模型敏感性分析 |
| 4.2.4 基于优选模型预报的初晶温度等温分布 |
| 4.3 本章小结 |
| 5 LIBS实验系统设计、搭建和关键实验参数优化 |
| 5.1 实验方案 |
| 5.1.1 实验样品制备 |
| 5.1.2 实验装置搭建 |
| 5.1.3 实验方法 |
| 5.1.4 主要评价指标 |
| 5.2 结果与讨论 |
| 5.2.1 等离子体光谱特征分析 |
| 5.2.2 等离子体温度和电子密度计算 |
| 5.2.3 环境气体对等离子体光谱的影响 |
| 5.2.4 延迟时间对等离子体光谱的影响 |
| 5.2.5 激光能量对等离子体光谱的影响 |
| 5.2.6 电解质研磨时间对等离子体光谱的影响 |
| 5.2.7 电解质压实度对等离子体光谱的影响 |
| 5.2.8 脉冲次数对等离子体光谱的影响 |
| 5.3 本章小结 |
| 6 基于光谱特征提取和机器学习融合的LIBS定量分析方法 |
| 6.1 实验方案 |
| 6.1.1 实验原料 |
| 6.1.2 实验装置搭建 |
| 6.1.3 实验方法 |
| 6.1.4 光谱建模与算法实现 |
| 6.2 实验结果与讨论 |
| 6.2.1 基于PLS特征选择的分子比建模及验证 |
| 6.2.2 基于PCA特征选择的分子比建模及验证 |
| 6.2.3 基于Hyper-polyhe特征选择的分子比建模及验证 |
| 6.2.4 基于GA特征选择的分子比建模及验证 |
| 6.3 本章小结 |
| 7 复杂铝电解质体系LIBS原位在线定量分析方法 |
| 7.1 实验方案 |
| 7.1.1 实验原料 |
| 7.1.2 实验装置搭建 |
| 7.1.3 实验方法 |
| 7.2 实验结果与讨论 |
| 7.2.1 工业熔融电解质LIBS光谱特征分析 |
| 7.2.2 熔融复杂铝电解质CR在线检测分析 |
| 7.2.3 熔融复杂铝电解质Ca、Mg含量在线检测分析 |
| 7.2.4 存在问题分析 |
| 7.3 本章小结 |
| 8 结论与展望 |
| 8.1 主要结论 |
| 8.2 创新点 |
| 8.3 研究展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（2）中国31个地区营商环境评价及影响因素分析 ——基于充分降维方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 第一节 研究背景及意义 |
| 一、研究背景 |
| 二、研究意义 |
| 第二节 国内外文献综述 |
| 一、国外文献综述 |
| 二、国内文献综述 |
| 三、文献评述 |
| 第三节 主要内容 |
| 一、研究内容与研究方法 |
| 二、论文结构 |
| 三、研究创新点 |
| 第二章 营商环境研究的理论基础及方法 |
| 第一节 营商环境的相关概念 |
| 一、营商环境 |
| 二、营商环境指数 |
| 三、市场化指数 |
| 第二节 相关理论基础 |
| 一、有为政府和有效市场理论 |
| 二、交易成本理论 |
| 第三节 营商环境的研究方法 |
| 一、充分降维方法-切片逆回归(Sliced Inverse Regression,SIR) |
| 二、因子分析 |
| 三、主成分分析 |
| 四、聚类分析 |
| 第四节 本章小结 |
| 第三章 全国31 个地区营商环境评价分析 |
| 第一节 31 个地区营商环境现状分析 |
| 一、基于《2018 年各省营商环境指数报告》评价各省营商环境 |
| 二、基于企业层面构建的分省份市场化指数评价各地区营商环境 |
| 第二节 营商环境指标体系构建 |
| 一、指标选取原则 |
| 二、构建营商环境评价指标体系 |
| 第三节 营商环境的对比评价分析 |
| 一、因子分析与聚类分析 |
| 二、主成分分析与聚类分析 |
| 三、充分降维与聚类分析 |
| 四、对三种降维方法的比较 |
| 第四节 本章小结 |
| 第四章 营商环境的影响因素分析 |
| 第一节 基于充分降维结果的影响因素分析 |
| 一、基于“营商环境综合得分”视角的营商环境影响因素分析 |
| 二、基于“市场化程度”视角的营商环境影响因素分析 |
| 三、基于“外商投资”视角的营商环境影响因素分析 |
| 四、三个角度下的营商环境影响因素比较 |
| 第二节 本章小结 |
| 第五章 结论及对策建议 |
| 第一节 结论 |
| 第二节 改善营商环境的对策建议 |
| 第三节 研究的不足与展望 |
| 参考文献 |
| 附录 |
| 附录 A 变量符号说明 |
| 附录 B 有效降维方向与原始变量变换后的降维变量 |
| 附录 C 有效降维方向上对应的特征值及占比 |
| 致谢 |
| 在读期间完成的科研成果 |
（3）基于数据驱动的过程性能评价方法（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 过程性能评价与国内外研究现状 |
| 1.2.1 过程性能评价 |
| 1.2.2 国内外研究现状 |
| 1.3 章节安排 |
| 2 数据驱动方法及相关算法 |
| 2.1 前言 |
| 2.2 数据驱动方法 |
| 2.2.1 基于多元统计分析的数据驱动方法 |
| 2.2.2 基于人工智能的数据驱动方法 |
| 2.2.3 基于信号处理的数据驱动方法 |
| 2.3 基于统计分析的数据驱动方法 |
| 2.3.1 主成分分析法 |
| 2.3.2 偏最小二乘法 |
| 2.4 本章小结 |
| 3 基于主成分分析的模型建立 |
| 3.1 前言 |
| 3.2 主成分分析算法 |
| 3.2.1 主成分分析法原理 |
| 3.2.2 主成分分析法计算步骤 |
| 3.2.3 主成分分析法的优缺点 |
| 3.2.4 多元线性回归模型 |
| 3.3 仿真分析 |
| 3.3.1 高炉生产过程描述 |
| 3.3.2 基于主成分分析的高炉铁水硅含量模型 |
| 3.4 本章小结 |
| 4 基于偏最小二乘法的模型建立 |
| 4.1 引言 |
| 4.2 偏最小二乘法及改进算法 |
| 4.2.1 偏最小二乘法 |
| 4.2.2 自回归潜结构投影(AR-PLS)算法 |
| 4.3 仿真验证 |
| 4.3.1 基于PLS的高炉铁水硅含量模型 |
| 4.3.2 基于AR-PLS的高炉铁水含硅量模型 |
| 4.4 本章小结 |
| 5 基于模糊C均值聚类算法过程性能评价 |
| 5.1 引言 |
| 5.2 模糊C均值聚类分析算法 |
| 5.3 性能评价方法 |
| 5.3.1 模糊综合评价方法 |
| 5.3.2 基于自回归潜结构投影算法的性能评价方法 |
| 5.4 仿真验证 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文目录 |
（4）主成分分析在均匀线阵波达方向估计中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究动态及现状 |
| 1.3 本文创新点概述 |
| 1.4 本文的研究内容及章节安排 |
| 第二章 DOA估计的基本理论和算法 |
| 2.1 概述 |
| 2.2 信号模型 |
| 2.2.1 窄带信号模型 |
| 2.2.2 相关系数 |
| 2.2.3 噪声模型 |
| 2.3 阵列天线的统计模型 |
| 2.3.1 前提及假设 |
| 2.3.2 阵列接收窄带信号模型 |
| 2.3.3 常见阵列模型 |
| 2.4 传统DOA估计算法 |
| 2.4.1 MUSIC算法 |
| 2.4.2 ESPRIT算法 |
| 2.5 本章小结 |
| 第三章 基于主成分分析的经典高分辨DOA估计算法 |
| 3.1 概述 |
| 3.2 主成分分析方法 |
| 3.2.1 PCA方法的应用场景 |
| 3.2.2 PCA方法的计算步骤 |
| 3.2.3 PCA方法的理论基础 |
| 3.2.4 PCA方法的意义 |
| 3.3 基于PCA降维的MUSIC算法 |
| 3.3.1 MUSIC算法的仿真实验及性能分析 |
| 3.3.2 阵列PCA-MUSIC算法及仿真实验 |
| 3.4 基于PCA降维的SOMP算法 |
| 3.4.1 压缩感知基本理论 |
| 3.4.2 多快拍模型下阵列接收数据的稀疏表示 |
| 3.4.3 阵列PCA-SOMP算法 |
| 3.4.4 仿真实验 |
| 3.5 本章小结 |
| 第四章 基于主成分分析在神经网络算法上的近场源定位 |
| 4.1 概述 |
| 4.2 近场源阵列信号接收模型 |
| 4.3 基于阵列PCA-BP算法的近场源定位 |
| 4.3.1 神经元模型 |
| 4.3.2 BP神经网络算法 |
| 4.3.3 基于阵列PCA-BP算法的近场源参数估计 |
| 4.3.4 仿真实验 |
| 4.4 基于阵列FA-BP算法的近场源定位 |
| 4.4.1 因子分析的数学模型 |
| 4.4.2 因子载荷阵的求解及统计意义 |
| 4.4.3 因子得分 |
| 4.4.4 基于阵列FA-BP算法的近场源参数估计 |
| 4.5 基于阵列PCA-RBF算法的近场源定位 |
| 4.5.1 RBF神经网络 |
| 4.5.2 基于阵列PCA-RBF算法的近场源参数估计 |
| 4.6 本章小结 |
| 第五章 基于主成分分析在回归算法上的近场源定位 |
| 5.1 概述 |
| 5.2 基于NSF-PLSR算法的近场源定位 |
| 5.2.1 PLSR算法的建模步骤 |
| 5.2.2 基于NSF-PLSR算法的近场源参数估计 |
| 5.2.3 仿真实验 |
| 5.3 基于PCA-NSF-MSVR算法的近场源定位 |
| 5.3.1 单输出支持向量回归基本理论 |
| 5.3.2 基于PCA-NSF-MSVR算法的近场源参数估计 |
| 5.3.3 仿真实验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）基于残差网络与长短时记忆网络的水泥游离钙软测量方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 软测量技术研究现状 |
| 1.3 国内外研究概况 |
| 1.3.1 水泥熟料游离钙软测量方法研究现状 |
| 1.3.2 深度学习研究现状 |
| 1.4 论文的研究内容及章节安排 |
| 第2章 水泥烧成工艺及变量选取 |
| 2.1 引言 |
| 2.2 新型干法窑外分解水泥工艺及熟料FCAO生成机理分析 |
| 2.2.1 新型干法水泥工艺及技术特点 |
| 2.2.2 水泥熟料fCaO产生机理 |
| 2.3 变量选取及数据处理 |
| 2.3.1 输入变量的选取 |
| 2.3.2 数据预处理 |
| 2.4 本章小结 |
| 第3章 基于时序深度残差网络的水泥熟料游离钙软测量模型研究 |
| 3.1 引言 |
| 3.2 基于TS-RESNET熟料FCAO软测量方案 |
| 3.3 基于时序深度残差网络熟料FCAO软测量模型构建 |
| 3.3.1 基于水泥数据特性的残差模块 |
| 3.3.2 时序深度残差网络模型建立 |
| 3.4 TS-RESNET算法及训练过程 |
| 3.4.1 残差模块及网络前向训练算法 |
| 3.4.2 时序深度残差网络反向传播算法 |
| 3.4.3 时序深度残差网络训练过程 |
| 3.5 本章小结 |
| 第4章 基于主成分分析法与长短时记忆网络相结合的水泥熟料FCAO软测量模型研究 |
| 4.1 引言 |
| 4.2 基于PCA-LSTM的水泥熟料FCAO软测量方案 |
| 4.3 基于PCA-LSTM的水泥熟料FCAO软测量模型构建 |
| 4.3.1 PCA输入特征降维分析 |
| 4.3.2 PCA-LSTM模型特征提取 |
| 4.4 .基于PCA-LSTM的水泥熟料FCAO软测量模型算法 |
| 4.4.1 PCA-LSTM前向训练算法 |
| 4.4.2 PCA-LSTM反向传播算法 |
| 4.4.3 PCA-LSTM训练过程 |
| 4.5 本章小结 |
| 第5章 水泥熟料游离钙实时预测软件设计 |
| 5.1 引言 |
| 5.2 水泥熟料游离钙实时预测软件整体设计 |
| 5.2.1 游离钙实时预测软件框架设计 |
| 5.2.2 游离钙实时预测软件功能模块设计 |
| 5.3 水泥熟料游离钙实时预测软件详细设计 |
| 5.3.1 用户管理模块设计 |
| 5.3.2 数据处理模块设计 |
| 5.3.3 软测量模型算法模块设计 |
| 5.3.4 实时显示与调控模块设计 |
| 5.3.5 异常处理模块设计 |
| 5.4 本章小结 |
| 第6章 水泥熟料游离钙软测量实验及实时预测软件实现 |
| 6.1 引言 |
| 6.2 水泥熟料游离钙实时预测软件实现 |
| 6.2.1 用户管理模块 |
| 6.2.2 数据处理模块 |
| 6.2.3 网络模型算法模块 |
| 6.2.4 实时显示与调控模块 |
| 6.2.5 异常处理模块实现 |
| 6.3 实验及分析 |
| 6.3.1 TS-Resnet模型参数择优 |
| 6.3.2 PCA-LSTM模型参数择优 |
| 6.3.3 实验结果对比分析 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（6）基于虚拟场景的自适应巡航控制系统性能测试与分析（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 自动驾驶虚拟测试研究现状 |
| 1.2.2 基于场景的ADAS虚拟测试研究现状 |
| 1.2.3 ACC系统开发及测试现状 |
| 1.3 本文主要研究内容 |
| 2 基于自然驾驶数据的虚拟测试场景提取 |
| 2.1 数据的采集与提取 |
| 2.1.1 采集设备 |
| 2.1.2 跟车数据提取 |
| 2.2 测试场景参数确定 |
| 2.2.1 测试场景参数选取 |
| 2.2.2 前车加速度离散化 |
| 2.2.3 测试场景参数定义 |
| 2.3 主成分分析 |
| 2.3.1 降维方法选取 |
| 2.3.2 主成分分析降维 |
| 2.4 聚类分析 |
| 2.4.1 聚类方法 |
| 2.4.2 系统聚类方法确定 |
| 2.4.3 类别数量确定 |
| 2.4.4 K均值聚类 |
| 2.5 显着性检验 |
| 2.5.1 显着性检验方法的选择 |
| 2.5.2 显着性场景提取 |
| 2.6 本章小结 |
| 3 基于Prescan的虚拟测试场景构建 |
| 3.1 Prescan平台 |
| 3.1.1 功能介绍 |
| 3.1.2 使用界面介绍 |
| 3.2 场景搭建 |
| 3.2.1 场景参数选择 |
| 3.2.2 场景搭建 |
| 3.3 本章小结 |
| 4 基于MPC的自适应巡航控制系统模型 |
| 4.1 ACC系统整体架构 |
| 4.1.1 分层式设计 |
| 4.1.2 一体式设计 |
| 4.2 ACC间距控制策略 |
| 4.2.1 间距控制策略选择 |
| 4.3 基于MPC的上层控制器设计 |
| 4.3.1 模型预测控制介绍 |
| 4.3.2 车间纵向动力学模型 |
| 4.3.3 多目标性能指标分析 |
| 4.3.4 控制算法设计 |
| 4.4 ACC系统下层控制器设计 |
| 4.4.1 加速控制逆发动机模型 |
| 4.4.2 减速控制逆发动机模型 |
| 4.5 ACC系统评价指标 |
| 4.5.1 跟踪性指标 |
| 4.5.2 安全性指标 |
| 4.5.3 舒适性指标 |
| 4.6 基于Prescan和 Simulink的 ACC联合仿真平台 |
| 4.7 本章小结 |
| 5 基于虚拟场景的ACC测试与分析 |
| 5.1 正交实验设计 |
| 5.2 测试结果分析 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（7）建模与优化相集成的聚氯乙烯生产过程优化控制方法研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 1.绪论 |
| 1.1 课题研究背景 |
| 1.2 聚氯乙烯生产过程工艺 |
| 1.3 先进控制方法 |
| 1.4 PVC生产过程中存在的问题 |
| 1.4.1 聚合过程 |
| 1.4.2 汽提过程 |
| 1.4.3 精馏过程 |
| 1.5 本文主要内容和结构安排 |
| 2.基于数据降维聚氯乙烯生产过程神经网络软测量建模方法 |
| 2.1 引言 |
| 2.2 聚氯乙烯(PVC)聚合过程及软测量模型结构 |
| 2.2.1 PVC聚合过程工艺 |
| 2.2.2 软测量模型结构 |
| 2.3 软测量建模所采用的神经网络 |
| 2.3.1 RBF神经网络 |
| 2.3.2 动态模糊神经网络 |
| 2.4 数据降维方法 |
| 2.4.1 主成分分析 |
| 2.4.2 局部保留投影 |
| 2.4.3 核主成分分析 |
| 2.4.4 期望最大主成分分析 |
| 2.4.5 局部切空间排列 |
| 2.4.6 T分布随机邻域嵌入 |
| 2.4.7 邻域保持嵌入 |
| 2.5 仿真研究 |
| 2.6 小结 |
| 3.基于子空间建模的聚氯乙烯汽提过程解耦控制 |
| 3.1 引言 |
| 3.2 PVC汽提过程 |
| 3.3 聚氯乙烯汽提过程子空间建模 |
| 3.3.1 子空间建模 |
| 3.3.2 汽提过程建模 |
| 3.4 多变量耦合系统解耦 |
| 3.4.1 对角阵解耦 |
| 3.4.2 前馈补偿解耦 |
| 3.5 PID控制 |
| 3.5.1 PID控制策略 |
| 3.5.2 PID控制器参数整定方法 |
| 3.6 仿真研究 |
| 3.7 小结 |
| 4.基于智能优化算法的聚氯乙烯精馏过程PID控制 |
| 4.1 引言 |
| 4.2 PVC精馏过程 |
| 4.3 优化算法 |
| 4.3.1 BFO算法 |
| 4.3.2 PSO算法 |
| 4.3.3 PSO-BFO算法 |
| 4.4 仿真研究 |
| 4.5 小结 |
| 5.结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
| 作者简介 |
（8）基于主成分分析的基因表达谱数据降维方法研究及可视化（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 基因表达谱数据发展现状 |
| 1.2.2 数据降维技术研究现状 |
| 1.2.3 主成分分析研究现状 |
| 1.2.4 降维可视化技术研究现状 |
| 1.3 主要研究内容及组织结构 |
| 第2章 主成分回归算法分析及改进 |
| 2.1 引言 |
| 2.2 主成分回归相关算法 |
| 2.2.1 主成分回归 |
| 2.2.2 有监督的主成分回归 |
| 2.2.3 Y-aware主成分回归 |
| 2.3 基于SPCR与 Y-AWARE的加权融合算法 |
| 2.4 本章小结 |
| 第3章 基因数据下Y-SPCR算法实验结果及分析 |
| 3.1 引言 |
| 3.2 实验准备 |
| 3.2.1 环境搭建 |
| 3.2.2 数据选取 |
| 3.3 数据预处理 |
| 3.3.1 数据标准化 |
| 3.3.2 填补缺失值 |
| 3.4 分类模型评估方法 |
| 3.4.1 F1 分数 |
| 3.4.2 ROC曲线 |
| 3.4.3 AUC值 |
| 3.5 实验结果 |
| 3.5.1 分类准确率 |
| 3.5.2 运行时耗 |
| 3.5.3 算法F1 分数 |
| 3.5.4 ROC曲线、AUC值结果 |
| 3.6 Y-SPCR算法分析 |
| 3.6.1 标准高斯分布下Y-SPCR算法分析 |
| 3.6.2 Y-SPCR算法权值系数影响分析 |
| 3.7 本章小结 |
| 第4章 降维可视化结果展示 |
| 4.1 引言 |
| 4.2 基本结构及流程 |
| 4.3 数据处理 |
| 4.3.1 K-means |
| 4.3.2 DBSCAN |
| 4.3.3 层次聚类 |
| 4.3.4 t-SNE |
| 4.4 可视化相关技术及实现 |
| 4.4.1 相关技术 |
| 4.4.2 界面实现 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（9）高维非线性数据上的聚类算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 维数约简 |
| 1.2.2 聚类算法 |
| 1.3 研究内容和主要工作 |
| 1.4 论文章节安排 |
| 第2章 相关工作 |
| 2.1 特征提取 |
| 2.1.1 特征提取的定义 |
| 2.1.2 特征提取的分类 |
| 2.1.3 算法比较 |
| 2.2 聚类 |
| 2.2.1 聚类的定义 |
| 2.2.2 聚类算法的分类 |
| 2.2.3 算法比较 |
| 2.3 主成分分析 |
| 2.3.1 主成分分析原理 |
| 2.3.2 主成分分析的实现过程 |
| 2.4 流形学习 |
| 2.5 本章小结 |
| 第3章 基于SU的实时特征提取 |
| 3.1 实时特征提取度量方法 |
| 3.1.1 信息熵和互信息的改进 |
| 3.1.2 度量标准SU的确定 |
| 3.2 基于SU的特征提取方法 |
| 3.2.1 特征提取策略 |
| 3.2.2 算法及实例分析 |
| 3.3 基于SU的增量数据特征提取 |
| 3.3.1 多级联动缓冲区机制 |
| 3.3.2 增量数据特征提取策略 |
| 3.3.3 特征提取算法及分析 |
| 3.4 本章小结 |
| 第4章 基于加权流形距离的非线性数据聚类 |
| 4.1 基于反K近邻的样本选择 |
| 4.1.1 反K近邻密度 |
| 4.1.2 样本选择算法 |
| 4.2 面向非线性数据的距离度量 |
| 4.2.1 自适应权重计算 |
| 4.2.2 加权流形距离 |
| 4.3 基于加权流形距离的非线性数据聚类算法 |
| 4.3.1 基于加权流形距离的聚类策略 |
| 4.3.2 聚类算法及分析 |
| 4.4 本章小结 |
| 第5章 实验 |
| 5.1 评价函数 |
| 5.2 特征提取算法实验对比 |
| 5.2.1 实验数据集 |
| 5.2.2 窗口大小 |
| 5.2.3 运行时间 |
| 5.2.4 分类准确率 |
| 5.3 聚类算法实验对比 |
| 5.3.1 实验所用数据集 |
| 5.3.2 部分聚类效果图 |
| 5.3.3 运行时间及准确率分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间发表的学术论文及参加科研情况 |
（10）基于黎曼流形优化的数据降维表达及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 黎曼流形上的优化算法 |
| 1.2.2 数据降维表达 |
| 1.2.2.1 基于主成分分析的降维表达 |
| 1.2.2.2 基于最大相关主成分分析的降维表达 |
| 1.2.2.3 基于偏最小二乘回归的降维表达 |
| 1.3 本文主要工作及章节安排 |
| 第2章 黎曼流形上的快速优化算法及其在低秩学习中的应用 |
| 2.1 引言 |
| 2.2 预备知识 |
| 2.2.1 黎曼流形 |
| 2.2.2 低秩矩阵曲体 |
| 2.3 黎曼流形上的一阶快速优化算法 |
| 2.4 快速优化算法在低秩表示模型中的应用 |
| 2.5 实验结果和分析 |
| 2.5.1 低秩矩阵填充 |
| 2.5.2 图像聚类实验 |
| 2.5.3 视频聚类实验 |
| 2.6 本章小结 |
| 第3章 偏最小二乘回归的流形优化模型 |
| 3.1 引言 |
| 3.2 预备知识 |
| 3.2.1 基本概念 |
| 3.2.2 SIMPLSR模型 |
| 3.3 基于流形优化的SIMPLSR模型 |
| 3.3.1 广义Grassmann流形上的SIMPLSR模型 |
| 3.3.2 乘积流形上的SIMPLSR模型 |
| 3.4 广义Stiefel流形上的稀疏SIMPLSR模型 |
| 3.5 复杂度分析 |
| 3.6 实验结果和分析 |
| 3.6.1 图像分类实验 |
| 3.6.2 图像集和视频分类实验 |
| 3.7 本章小结 |
| 第4章 乘积流形上的L1范数二维主成分分析模型 |
| 4.1 引言 |
| 4.2 传统L1-2DPCA模型 |
| 4.3 流形上的L1-2DPCA模型 |
| 4.3.1 乘积流形上的L1-2DPCA模型 |
| 4.3.2 乘积流形上的L1-2DPCA模型优化 |
| 4.4 实验结果和分析 |
| 4.4.1 数据准备 |
| 4.4.2 图像重构实验 |
| 4.4.3 图像识别实验 |
| 4.5 本章小结 |
| 第5章 基于深度参数化的最大相关主成分分析模型 |
| 5.1 引言 |
| 5.2 最大相关主成分分析 |
| 5.3 基于深度参数化的最大相关主成分分析 |
| 5.3.1 模型的描述 |
| 5.3.2 模型的优化 |
| 5.3.3 复杂度分析 |
| 5.4 实验结果和分析 |
| 5.4.1 数据准备 |
| 5.4.2 参数设置 |
| 5.4.3 实验结果分析 |
| 5.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
四、基于主成分分析的一类工业复杂控制系统变量降维选取（论文参考文献）
- [1]复杂铝电解质关键物化参数预报和测定新方法[D]. 路辉. 北京科技大学, 2021
- [2]中国31个地区营商环境评价及影响因素分析 ——基于充分降维方法[D]. 钱音. 云南财经大学, 2021(11)
- [3]基于数据驱动的过程性能评价方法[D]. 王玉英. 辽宁石油化工大学, 2020(04)
- [4]主成分分析在均匀线阵波达方向估计中的应用研究[D]. 王瑶. 西安电子科技大学, 2020(05)
- [5]基于残差网络与长短时记忆网络的水泥游离钙软测量方法研究[D]. 杨黎明. 燕山大学, 2020(01)
- [6]基于虚拟场景的自适应巡航控制系统性能测试与分析[D]. 唐云飞. 西华大学, 2020(01)
- [7]建模与优化相集成的聚氯乙烯生产过程优化控制方法研究[D]. 张磊. 辽宁科技大学, 2020(02)
- [8]基于主成分分析的基因表达谱数据降维方法研究及可视化[D]. 赵准. 哈尔滨工业大学, 2019(02)
- [9]高维非线性数据上的聚类算法研究[D]. 李俊. 辽宁大学, 2019(01)
- [10]基于黎曼流形优化的数据降维表达及应用[D]. 陈浩然. 北京工业大学, 2019(03)