投影寻踪评价模型分析解析共22页
- 格式:ppt
- 大小:2.85 MB
- 文档页数:22
山东省生态文明建设评价及影响因素——基于投影寻踪和障碍度模型谷缙;任建兰;于庆;张玉【期刊名称】《华东经济管理》【年(卷),期】2018(32)8【摘要】文章采用2016年相关数据,基于投影寻踪模型和障碍度模型对构建的山东省17地市生态文明建设指标体系进行水平测度与障碍因素分析.结果表明:山东省生态文明建设整体水平较高,11个城市生态文明建设水平高于平均值,空间上高值区域大都处于济南、青岛两极辐射范围内,低值区域大都集中在鲁西与鲁南地区,但生态文明建设子系统间发展不协调;区域间生态文明建设的障碍因素存在相似性,经济发展质量不高、产业结构不协调、创新驱动力不足是制约五大地域生态文明建设的相同因素,另外较高的资源环境承载力为山东省生态文明建设提供了重要的支撑.【总页数】8页(P19-26)【作者】谷缙;任建兰;于庆;张玉【作者单位】山东师范大学地理与环境学院,山东济南250358;山东师范大学地理与环境学院,山东济南250358;山东师范大学地理与环境学院,山东济南250358;山东师范大学地理与环境学院,山东济南250358【正文语种】中文【中图分类】F205;F061.5【相关文献】1.我国科技-经济-生态系统的综合发展水平及其协调度评价——基于灰关联投影寻踪协调度组合评价模型 [J], 吴丹;胡晶2.山东省生态文明建设综合评价及时空演变研究——基于DPSIR模型 [J], 任传堂;任建兰;韦素琼3.基于投影寻踪模型的湖南省资源环境承载力评价及障碍因素诊断 [J], 徐美;刘春腊;刘小铭;周慧灵4.煤炭富集区新型城镇化综合水平测度及比较差异分析——基于投影寻踪法和灰色关联度的综合评价模型 [J], 张鸽;郭彬5.山东省农业科技园区创新能力评价研究——基于层次分析法和障碍度模型 [J], 钱政成;王兆华因版权原因,仅展示原文概要,查看原文内容请购买。
基于投影寻踪动态聚类模型的边坡稳定性评价张鹏洲;倪长健【摘要】投影寻踪聚类(PPC)模型在多因素聚类分析中被广泛应用并取得了满意的效果,然而,该模型还存在诸如密度窗宽参数取值经验确定等不足,有待改进提高.本文针对PPC模型存在的问题,把投影寻踪聚类的思想和动态聚类方法结合起来构造投影指标,建立了投影寻踪动态聚类(PPDC)新模型,新模型在整个运算过程中毋需人为给定参数,聚类结果客观、明确.边坡稳定性评价的实际应用表明,PPDC模型不仅切实可行,取得了理想的效果,而且还具有稳定性好、操作简便等特点.PPDC模型为多因素聚类分析提供了一种新方法,具有广阔的应用前景.【期刊名称】《四川环境》【年(卷),期】2010(029)001【总页数】4页(P126-129)【关键词】边坡稳定性;投影寻踪;动态聚类;综合评价;投影指标【作者】张鹏洲;倪长健【作者单位】成都信息工程学院大气科学系,成都,610041;成都信息工程学院大气科学系,成都,610041【正文语种】中文【中图分类】X8221 引言投影寻踪就是将高维数据向低维空间投影,通过分析低维空间的投影特性来研究高维数据的特征,是处理多因素复杂问题的统计方法[1]。
投影寻踪聚类模型则是依据投影寻踪思想建立的聚类分析模型,它已在诸多领域获得了广泛的应用[2~9]。
通过分析,投影寻踪聚类模型在实际聚类分析应用中还存在有待深入研究和改进的问题,主要体现在以下两方面:(1)投影寻踪聚类模型中的唯一参数——密度窗宽取值问题。
研究表明,密度窗宽的不同取值对聚类结果有重要影响[3],可到目前为止其取值大小还是通过经验或试算确定,缺乏理论依据。
采用较普遍的就是 Friedman和 Tukey建议的密度窗宽取全部样本投影特征值方差的 10%。
其次,文献 [4]给出了密度窗宽取值的经验公式,并建议可将样本聚类指标个数作为其实际取值,然而,这也是依据有限实验的统计结果,事实上,当密度窗宽取值太大时,模型中的投影指标实质上就只是体现了样本投影特征值的方差。
遗传算法投影寻踪模型近年来,遗传算法在寻优问题中的应用越来越广泛,其中遗传算法投影寻踪模型在MATLAB代码中的实现备受关注。
本文将以此为主题,结合具体的内容,对遗传算法投影寻踪模型进行深入探讨。
一、遗传算法的原理1.1 遗传算法的基本概念遗传算法是一种基于生物进化过程的启发式优化技术,它模拟了自然选择和遗传机制,通过不断的迭代优化过程来寻找最优解。
遗传算法包括选择、交叉、变异等基本操作,其中选择过程通过适应度函数来评价个体的优劣,交叉过程通过染色体的交换来产生新的个体,变异过程通过基因的随机改变来增加种群的多样性。
1.2 遗传算法的应用领域遗传算法广泛应用于优化问题、机器学习、神经网络、信号处理、图像处理等领域,在工程、科学领域有着重要的应用价值。
二、投影寻踪模型的概念2.1 投影寻踪模型的基本原理投影寻踪模型是一种在信号处理领域中常用的算法,其基本原理是通过对信号进行投影变换来实现信号的降维和提取特征。
2.2 投影寻踪模型的应用投影寻踪模型在语音识别、图像处理、数据压缩等方面有着广泛的应用,是一种常见的信号处理技术。
三、MATLAB代码实现3.1 MATLAB环境准备在进行遗传算法投影寻踪模型的实现之前,首先需要在MATLAB环境中准备好相应的工具箱和设置参数。
3.2 遗传算法投影寻踪模型代码编写通过MATLAB的编程能力,可以实现遗传算法投影寻踪模型的代码编写,包括遗传算法的参数设置、适应度函数的定义、种群的初始化、交叉和变异操作的实现等步骤。
3.3 代码调试和优化在编写完整的遗传算法投影寻踪模型代码后,需要进行充分的调试和优化,确保代码的正确性和效率。
四、实验结果分析4.1 实验数据准备在进行实验结果分析之前,需要准备相应的实验数据集,以便进行测试和对比分析。
4.2 结果对比分析通过对遗传算法投影寻踪模型的实验结果进行对比分析,可以评估其算法性能和适用范围,与其他优化算法进行效果比较。
4.3 结果展示与解读最后需要将实验结果进行展示,并对结果进行解读和分析,从数学模型和应用角度分析遗传算法投影寻踪模型的优缺点和改进方向。
基于RAGA的投影寻踪分类模型改进与实例分析朱成功【摘要】针对实数编码加速遗传算法(RAGA)在求解投影寻踪分类(PPC)模型陷入局部最优的问题,通过引入区间扩展因子:在变量区间过小时,对变量区间进行适当扩展;在扩展区间”越界”时,即以边界作为变量的取值.并选取合理的局部密度窗口半径R,建立了改进的RAGA-PPC分类模型,并以文献中S县15个乡镇申请粮援项目的投资顺序为例进行验证分析.研究表明,改进的RAGA-PPC模型对样本分类评价,确立指标因素的贡献程度大小具有一定的可行性和广泛的通用性.【期刊名称】《电子科技》【年(卷),期】2017(030)001【总页数】5页(P107-110,114)【关键词】实数编码加速遗传算法;区间扩展;窗口半径;投影寻踪分类【作者】朱成功【作者单位】上海理工大学光电信息与计算机工程学院,上海200093【正文语种】中文【中图分类】TP391自从金菊良等[1]提出加速遗传算法,已在干旱环境监测、自然灾害、水文地质工程地质等众多领域得到了广泛应用[2-4]。
相比于标准遗传算法(SGA),加速遗传算法克服了在实际应用中存在早熟收敛、计算量大和解的精度差等缺点[5],但目前一些论文并没有对变量区间进行改进,如文献[6]采用了自适应的交叉和变异操作,解决了因交叉概率和变异概率不变而导致过快出现局部收敛的现象,文献[7]提出了基于个体修正模型的改进加速遗传算法,根据各子目标函数值对应因素的重要性程度,运用层次分析法确定各因素的权重,依次采用相应的权重构造总目标函数。
投影寻踪模型(Projection Pursuit Clustering,PPC)是由Friedman和Turkey于1974年提出的,是处理和分析高维数据的新兴统计方法,传统的投影寻踪技术存在计算量大等缺点[8],因此金菊良等提出用RAGA求解投影寻踪模型[9]。
本文根据实数编码的加速遗传算法(RAGA)的思想,通过改进加速时优化变量的区间来扩大变量的搜索范围:在区间过小时,对加速区间进行适当扩展;当扩展后的区间超过边界时,即以边界值作为优化变量的值。