偏最小二乘回归方法(PLS)在短期气候预测中的应用

对广西88个站冬季(12月、1月和2月)各月平均气温距平场作自然正交展开(EOF分解),选取累积方差贡献超过90%的前3个主成分作为预报量.从前期平均大气环流场和海温场中查找预报因子,对这些初选因子用偏最小二乘回归方法(PLS)进行信息筛选和成分提取,用提取的新综合变量(又称成分)作预报因子,分别建立各月平均气温前3个主成分的回归预报方程.经独立样本预报试验证明,偏最小二乘回归方法具备良好的因子信息提取能力,其预报建模方法对冬季月平均气温预报具有较好的预测效果.     

两个多重相关变量组的统计分析(3)(偏最小二乘回归与PLS过程)

本文用PLS过程建立多因变量的偏最小二乘回归模型 ,并用具体例子对最小二乘回归(MLR)、主成分回归 (PCK)和偏最小二乘回归 (PLS)进行比较     

偏最小二乘回归的应用效果分析

本文介绍了偏最小二乘回归 (PLS)的建模方法 ,比较了PLS与普通最小二乘回归 (OLS)及主成分回归的应用效果 ,并总结了PLS回归的基本特点 .     

基于多重共线性的处理方法

多重共线性简称共线性是多元线性回归分析中一个重要问题。消除共线性的危害一直是回归分析的一个重点。目前处理严重共线性的常用方法有以下几种:岭回归、主成分回归、逐步回归、偏最小二乘法、Lasso回归等。本文就这几种方法进行比较分析,介绍它们的优缺点,通过实例分析以便于选择合适的方法处理共线性。     

多项式回归的建模方法比较研究

在实际工作中,人们在采用回归模型解释因果变量间的相关关系时,经常会遇到自变量之间存在幂乘关系的情况。在这种情况下,多项式回归模型成为一个合理的选择。由于多项式回归模型中自变量之间存在较强的相关关系,采用普通最小二乘回归方法来估计变量的回归系数,则会存在较大的误差。在本文中,为了提高多项式回归模型的预测准确性和可靠性,提出使用主成分分析、偏最小二乘回归建模,并采用仿真数据来比较它们的异同。     

应用SAS解非线性回归问题

.应用SAS/STAT估计非线性回归模型中的参数.首先,通过变量代换,把可以线性化的非线性回归模型化为线性回归模型,并用普通最小二乘法、主成分分析法和偏最小二乘法求模型中的参数和回归模型.其次,通过改良的高斯—牛顿迭代法来估计Logistic模型和Compertz模型中的参数.     

处理多元线性回归中自变量共线性的几种方法--SAS/STAT软件(6.12)中REG等过程增强功能的使用

本文通过例子介绍多元线性回归中自变量共线性的诊断以及使用 SAS/SATA( 6.12 )软件中的 REG等过程的增强功能处理回归变量共线性的一些方法。包括筛选变量法 ,岭回归分析法 ,主成分回归法和偏最小二乘回归法     

多维时序定阶方法对偏最小二乘回归模型预报精度的改进

运用时间序列多维自回归模型的定阶方法 ,解决了偏最小二乘回归模型中自变量的选择问题 .通过对我国财政收入的预报分析表明 ,这两种统计模型的结合使用 ,较大程度地提高了预报精度     

回归分析与基于MIV的RBF神经网络在PM2.5的相关因素分析中的应用

PM2.5作为大气首要污染物,严重影响着人们的身体健康.为了研究影响PM2.5的相关指标,以武汉市的空气数据为研究对象,通过多元线性回归、偏最小二乘回归、基于MIV的RBF神经网络回归等方法对AQI中6个基本监测指标的PM2.5(含量)与其它5项分指标及其对应污染物(含量)之间的相关性进行分析;通过比较,基于MIV的RBF神经网络回归模型拟合度达到0.9302,效果最好,而且也优于BP人工神经网络回归算法,因此得出了精确可靠的影响PM2.5的指标权重大小,为减排PM2.5提供了可靠的理论依据.     

投影寻踪模型的改进及其在城市水资源承载能力预测中的应用

在城市水资源承载能力研究中,偏最小二乘回归方法能有效地处理自变量间多重线性相关性问题,但不能较好地处理因变量与自变量间复杂的非线性问题.投影寻踪神经网络耦合模型是处理非线性问题的有力工具,而且神经网络投影寻踪耦合模型稳健性高,但不能较好地处理自变量间多重线性相关性问题.本文把这两种方法结合在一起,建立了基于偏最小二乘回归的神经网络投影寻踪耦合模型,对城市水资源承载能力进行了预测,并取得了满意效果.     

基于LM算法的BP神经网络的电力负荷短期预测

通过对BP神经网络输入负荷值的归一化处理,同时采用Levenberg-Marquardt(LM)算法,建立了一个改进了的BP神经网络,同时用它来对电力系统进行短期负荷预测.LM算法有效地提高了BP神经网络的收敛速度和负荷的预测精度.仿真结果表明,改进了的BP神经网络具有很高的预测精度和较强的适用能力.     

Cox模型与BP神经网络在处理非线性数据时的性能比较

本文采用BP神经网络、Cox模型和bootstrap方法,比较BP神经网络与Cox模型在处理非线性资料时的性能。两种方法的预测一致性的均数分别为0.7525和0.7706。对于非线性资料,BP神经网络的预测效果优于Cox模型。     

对北京市年需水量预测模型的研究

水资源的供给问题是每个城市都要面临的一项必须且复杂的基础建设任务。对城市需水量的预测直接关系到一个城市供水系统的建设规模与安全运行,是实现科学调度的必要前提。本文通过对北京市2001-2014年需水量及其影响因素相关数据的分析,分别建立了普通线性回归及偏最小二乘线性回归预测模型。通过对模型的比较分析及仿真模拟预测计算,发现偏最小二乘线性回归预测模型不仅易于解释,更适合做外推预测,具有较强的应用价值。     

货运量预测方法的比较

本在对货运量预测理论和程序描述的基础上，介绍并比较了常用预测方法的优缺点，重点研究了三层BP神经网络的基本原理，构思了BP神经网络中长期货运量预测模型，并进行了预测，最后根据预测结果，分析了其用于预测的优缺点。     

基于LS-SVM的管道腐蚀速率灰色组合预测模型

为提高管道腐蚀速率预测精度,建立了一种基于最小二乘支持向量机的灰色组合预测模型.以各种灰色模型对管道腐蚀速率的预测结果作为支持向量机的输入,以管道腐蚀速率的实测值作为支持向量机的输出,采用最小二乘支持向量机回归算法和高斯核函数对支持向量机进行训练,利用训练好的支持向量机进行组合预测.预测模型兼具灰色模型所需原始数据少、建模简单、运算方便的优势和最小二乘支持向量机具有泛化能力强、非线性拟合性好、小样本等特性,弥补了单一预测模型的不足,避免了神经网络组合预测易于陷入局部最优的弱点.模型结构简单、实用,仿真结果验证了其有效性.     

BP-GA混合优化策略在人力资源战略规划中的应用

采用混合优化策略训练神经网络,进而实现地区人力资源数据的时间序列预测.神经网络,尤其是应用反向传播(back propagation,简称BP)算法训练的神经网络,被广泛应用于预测中.但是BP神经网络训练速度慢、容易陷入局部极值.遗传算法(genetic algorithm,简称GA)具有很好的全局寻优性.因而提出将BP和GA结合起来的混合优化策略训练神经网络,来实现人力资源数据预测.与BP算法相比,数值计算结果表明预测精度高、速度快,为地区人力资源数据的时间序列预测研究提供了一条新的途径.     

基于BP神经网络的时间序列预测问题研究

分析指出了基于标准BP神经网络的时间序列预测问题存在的不足.根据基于BP神经网络的时间序列预测问题的特点,研究给出了一种以y=x作为传递函数的时间序列预测方法,经实例验证表明,给出的以y=x作为传递函数的时间序列预测方法较基于标准BP神经网络的时间序列预测方法具有较好的结果.     

基于改进BP神经网络的组合预测模型设计

为提高预测精度,解决非线性组合预测中的困难,利用改进BP神经网络对非线性组合预测模型进行了设计.讨论了模型设立的原则和一般程序,比较其与传统的组合预测方法之间的优劣,并给出实例加以验证.结果显示,基于改进BP神经网络的非线性组合预测模型能够准确描述系统中的非线性,提高预测精度.     

Nonparametric nonlinear regression using polynomial and neural approximators: a numerical comparison

The solution of nonparametric regression problems is addressed via polynomial approximators and one-hidden-layer feedforward neural approximators. Such families of approximating functions are compared as to both complexity and experimental performances in finding a nonparametric mapping that interpolates a finite set of samples according to the empirical risk minimization approach. The theoretical background that is necessary to interpret the numerical results is presented. Two simulation case studies are analyzed to fully understand the practical issues that may arise in solving such problems. The issues depend on both the approximation capabilities of the approximating functions and the effectiveness of the methodologies that are available to select the tuning parameters, i.e., the coefficients of the polynomials and the weights of the neural networks. The simulation results show that the neural approximators perform better than the polynomial ones with the same number of parameters. However, this superiority can be jeopardized by the presence of local minima, which affects the neural networks but does not regard the polynomial approach.