导读:本文包含了主元回归论文开题报告文献综述、选题提纲参考文献，主要关键词:成分,模型,多点,含氧量,赖氨酸,载荷,火电厂。
主元回归论文文献综述写法
王成,詹威,李海波,赖雄鸣,缑锦[1]（2019）在《多源未知载荷下主元回归的多点振动响应预测》一文中研究指出为解决线性时不变系统在不相关多源未知载荷激励下的多点频域振动响应预测问题,对该问题进行了形式化描述并建立了数学模型。从训练集、问题的输入、问题的输出等方面比较了其与不相关多源载荷激励已知下振动响应预测问题的区别,并提出一种基于主元回归的不相关多源未知载荷条件下的线性时不变系统频域振动响应预测方法。通过声振联合激励的圆柱壳结构的多点振动响应预测实验表明,采用主元回归方法的3db误差和均方根误差明显低于多元一次线性回归方法。(本文来源于《计算机集成制造系统》期刊2019年03期）
王猛[2]（2015）在《主成分分析主元回归模型在瓦斯涌出量预测中的应用》一文中研究指出精确预测矿井工作面瓦斯涌出量对安全生产起着至关重要的作用。通过提取主成分可以解决瓦斯涌出量各影响因素之间的线性相关问题,降低模型受各因素影响之间的误差,以此建立预测模型具有较高的精度。(本文来源于《山东煤炭科技》期刊2015年12期）
朱剑祥[3]（2015）在《基于改进的核主元回归的赖氨酸发酵软测量》一文中研究指出针对赖氨酸发酵过程中关键生物参数(菌体浓度、基质浓度、产物浓度)难以在线测量的问题,提出一种基于自适应提升法(Adaboost)与核主元回归(KPCR)的软测量建模方法。利用Adaboost算法具有将弱学习算法提升为强学习算法的性能,将其引人KPCR中,提升KPCR模型。以氨基酸典型菌种赖氨酸发酵过程为研究对象,采用基于Adaboost算法与KPCR的软测量模型进行预测仿真,仿真结果表明该模型能够对赖氨酸发酵过程的叁个关键生物参数进行较准确的预测,与单一的KPCR模型相比,泛化能力强,预测精度高。(本文来源于《信息技术》期刊2015年11期）
李赣平,黄涛[4]（2013）在《核主元回归模型间歇过程加权迭代学习的控制》一文中研究指出间歇过程在生产中起到重要作用。针对间歇过程的控制提出了很多方法,迭代学习控制是其中一种。迭代学习控制需要合理的模型,目前数据驱动的建模方法受到重视。由于间歇过程通常为复杂的非线性过程,过程数据具有非线性相关性的特点。为了消除数据的非线性相关性,本文采用核主元回归方法对间歇过程进行建模,即在间歇过程的控制变量和终点质量之间建立间歇过程的模型。在此模型上,通过围绕标称轨迹线性化核主元回归模型,并最小化与终点质量相关的二次型目标函数,导出迭代学习控制算法从而计算控制策略。为了克服过程变化和扰动的不利影响,本文提出在批次间将最早的数据从训练数据集移除并加入最新的数据对核主元回归模型进行更新。由于迭代学习律中的增益矩阵反映的是过程的梯度信息,易使迭代学习控制过早收敛或偏离实际工况,为了获得更好的收敛效果,可对学习增益矩阵进行加权。通过对一个间歇聚合反应仿真过程的应用,加权迭代学习控制有良好的控制性能并显示出对过程变化和扰动的适应能力。该方法比基于主元回归模型的迭代学习控制方法具有更好的性能,因此基于核主元回归模型的加权迭代学习控制是一种有效的间歇过程控制方法。(本文来源于《计算机与应用化学》期刊2013年10期）
杨全振,苏成利[5]（2013）在《基于主元回归方法的多变量控制系统性能评估》一文中研究指出针对最小方差评价方法利用不切实际和不期望的指标进行性能评价所造成的性能评估缺陷,提出基于主元回归(PCR)的性能评价方法。该方法通过对输入输出数据进行建模可以得到比较符合实际的理论方差,以此理论方差与实际输出方差求出的控制系统性能指标,更能客观地反映控制系统的真实性能,且主元回归性能评价方法在性能计算中不需求解关联矩阵问题,极大地简化了求解的复杂度。最后通过仿真实例验证了主元回归性能评价方法更能客观反映控制系统真实性能和计算相对简易的优点。(本文来源于《化工自动化及仪表》期刊2013年01期）
唐勇波,桂卫华,彭涛[6]（2012）在《变压器油中气体的多核核主元回归预测模型》一文中研究指出为了克服常用预测方法在建模时只单独考虑某种特征气体发展变化的不足,进一步提高预测的精度和可靠性,提出了一种基于多核核主元回归(multiple-kernel kernel principal componentregression,MK-KPCR)的变压器油中气体预测模型。采用不同类型核函数的线性加权组合构造新的等价核,以降低建模精度对核函数及其参数选择的依赖性;利用核主元分析(kernel principalcomponent analysis,KPCA)对变压器油中溶解气体样本数据提取核主元,进行回归计算与分析,建立同时预测变压器油中主要特征气体的核主元回归(kernel principal component regression,KPCR)模型;与灰色多变量预测模型(multivariable grey model,MGM),主元回归(principal component re-gression,PCR)及KPCR进行一步和多步预测比较。实验结果表明,MK-KPCR预测模型对核函数及参数选择的依赖性小,具有较优的预测精度和泛化能力。(本文来源于《电机与控制学报》期刊2012年11期）
付江永,常太华,朱红路[7]（2010）在《基于主元回归的发电厂烟气含氧量软测量研究》一文中研究指出为了有效测量炉膛烟气含氧量,采用主元回归建模的方法,对几个与烟气含氧量有关的过程变量进行统计分析,建立了烟气含氧量的预测模型,实现了对烟气含氧量的软测量。利用主元回归建模的方法可以降低对数据维数的要求,消除各个过程变量间的耦合性,简化模型,并能有效提高建模的计算效率。(本文来源于《陕西电力》期刊2010年06期）
程龙,王桂增[8]（2010）在《改进的递推主元分析及递推主元回归算法》一文中研究指出为了加速模型在线更新的速度以更好地适应实际工业过程的动态变化,通过在已有递推主元分析(PCA)算法的基础上简化了自相关矩阵的递推公式,从而改进了基于秩1更新的递推PCA算法,把原来需要进行2次秩1更新的步骤简化为仅仅需要进行一次秩1更新,并在此基础上提出了递推主元回归算法。仿真结果表明,改进后的基于秩1更新的递推PCA算法比原来的基于秩1更新的递推PCA算法缩短了近一半的运算时间,而新的递推主元回归算法,不但能够适应工业过程的动态变化,并且比批处理的方式节约了存储空间与计算时间。(本文来源于《控制工程》期刊2010年01期）
贺湘宇,何清华,郭勇,朱建新[9]（2008）在《基于主元回归模型的挖掘机液压系统故障诊断》一文中研究指出为提高挖掘机液压系统的可靠性,提出了基于主元回归(Principal Component Regression,PCR)模型和模糊C-均值(Fuzzy C-Means,FCM)聚类的挖掘机液压系统故障诊断方法.故障诊断方法将故障诊断分成故障特征提取和故障分类两个部分.在故障特征提取中,首先确定PCR模型的输入/输出结构,通过主元分析(Principal ComponentAnalysis,PCA)的累积贡献率得到故障样本的主元数目,建立相应的PCR模型并提取回归系数作为故障特征;在故障分类中,将FCM聚类作为故障分类器,对回归系数进行分类,判断系统的故障状态.仿真试验表明,提出的故障诊断方法能有效地应用于挖掘机液压系统.(本文来源于《江苏大学学报(自然科学版)》期刊2008年02期）
周芳芹,刘欢培[10]（2005）在《基于主成分分析的主元回归建模》一文中研究指出介绍了主成分分析,主元回归建模的基本方法,意义。利用主成分分析法对一个从CO2提纯工艺中获取的七个过程变量进行数据压缩,提取主成分,消除变量间的线性相关性,建立一个基于主元的反射回归模型。(本文来源于《化工标准.计量.质量》期刊2005年06期）
主元回归论文开题报告范文
（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：
精确预测矿井工作面瓦斯涌出量对安全生产起着至关重要的作用。通过提取主成分可以解决瓦斯涌出量各影响因素之间的线性相关问题,降低模型受各因素影响之间的误差,以此建立预测模型具有较高的精度。
（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。
主元回归论文参考文献
[1].王成,詹威,李海波,赖雄鸣,缑锦.多源未知载荷下主元回归的多点振动响应预测[J].计算机集成制造系统.2019
[2].王猛.主成分分析主元回归模型在瓦斯涌出量预测中的应用[J].山东煤炭科技.2015
[3].朱剑祥.基于改进的核主元回归的赖氨酸发酵软测量[J].信息技术.2015
[4].李赣平,黄涛.核主元回归模型间歇过程加权迭代学习的控制[J].计算机与应用化学.2013
[5].杨全振,苏成利.基于主元回归方法的多变量控制系统性能评估[J].化工自动化及仪表.2013
[6].唐勇波,桂卫华,彭涛.变压器油中气体的多核核主元回归预测模型[J].电机与控制学报.2012
[7].付江永,常太华,朱红路.基于主元回归的发电厂烟气含氧量软测量研究[J].陕西电力.2010
[8].程龙,王桂增.改进的递推主元分析及递推主元回归算法[J].控制工程.2010
[9].贺湘宇,何清华,郭勇,朱建新.基于主元回归模型的挖掘机液压系统故障诊断[J].江苏大学学报(自然科学版).2008
[10].周芳芹,刘欢培.基于主成分分析的主元回归建模[J].化工标准.计量.质量.2005