基于偏最小二乘與神經(jīng)網(wǎng)絡(luò)耦合的儲(chǔ)層參數(shù)預(yù)測(cè).pdf

1、本文將偏最小二乘回歸(PLS)與神經(jīng)網(wǎng)絡(luò)(NN)耦合，建立了儲(chǔ)層參數(shù)預(yù)報(bào)模型.利用偏最小二乘法對(duì)影響儲(chǔ)層參數(shù)的諸多因素進(jìn)行了分析，提取了對(duì)因變量影響強(qiáng)的成分，從而克服了變量間的多重相關(guān)性問題，降低了神經(jīng)網(wǎng)絡(luò)的輸入維數(shù)。 為了克服基于偏最小二乘特征提取方法非線性處理能力弱的缺點(diǎn)，提出應(yīng)用核偏最小二乘(KPLS)進(jìn)行特征提取的方法，其優(yōu)點(diǎn)在于KPLS能非線性地抽取輸入特征的多個(gè)正交分量，并保持與輸出變量的相關(guān)性；核主元分析具有能較好

2、地提取非線性特征的優(yōu)勢(shì)；KPLS提出來就是為了處理過程非線性、多輸入和數(shù)據(jù)共線性等復(fù)雜問題。 針對(duì)核函數(shù)方法中單個(gè)核函數(shù)的局限性，以及PLS非線性處理能力差的特點(diǎn)，在研究單個(gè)核函數(shù)性質(zhì)的基礎(chǔ)上，提出了混合核函數(shù)PLS特征提取算法，以提高PLS的非線性處理能力?；旌虾撕瘮?shù)集中了多個(gè)局部和全局核函數(shù)，兼具局部和全局特性，并可以通過參數(shù)調(diào)節(jié)局部和全局核函數(shù)對(duì)混合核函數(shù)的作用，應(yīng)用表明，混合核函數(shù)PLS特征提取具有較好的數(shù)據(jù)適應(yīng)性和非線