论文部分内容阅读
随着生产过程的不段复杂化,传统的数据分析方法已远不能处理生产过程中存在的多变量、非线性变量间的高度冗余数据,但这些高维数据包含了原始数据大量的重要信息,给我们在数据分析的时候带来了相当大的困难。因此在对高维数据进行数据处理和分析的时候,必须对原始数据进行降维处理,然而传统的方法没有提供有效的手段来提取其中的有用信息,这样就造成了资源的极大让费。水泥28天抗压强度值是衡量水泥质量的一个重要指标也是确定水泥标号的一个主要依据,在实际的生产过程中起到重要的作用,它是一个典型的非线性、多变量、不确定、多时滞的复杂系统。传统的预测方法准确性较差,难以在实际生产过程中普遍的推广和应用。近些年来一些研究者将人工智能算法应用到了水泥强度预测方面,取得了一定的效果,目前应用比较多的有两种网络模型,一种是直接利用神经网络对原始数据进行预测,另一种是将统计模型和神经网络两者结合起来,神经网络直接预测模型由于缺少对样本原始数据的前期预处理,存在一定的局限性。将统计模型和神经网络模型相结合的模型具有以下不足:其一,当样本原始数据之间的相关性不大时,主成分分析方法不能有效压缩数据的维数,网络结构不能得到有效简化;其二,主成分分析方法是基于二阶统计特征的方法,它只能提取随机变量间的二阶关系,而随机变量之间的更高阶关系利用主成分分析方法是提取不到的,这样就造成原始数据信息的丢失,影响网络模型的预测精度。本文应用基于协方差函数的非线性主成分分析方法对样本的原始数据进行预处理,利用所提取的成分作为新的输入变量,与神经网络相融合构建28天水泥抗压强度预测模型,基于协方差函数分析方法是基于变量间的高阶统计关系,是一种改进的主成分分析方法,该方法不仅能够提取变量间的二阶关系,还能提取隐藏在变量间的高阶关系,即能够提取变量的线性及非线性特征。