投影寻踪评价模型20页PPT

基于粒子群优化算法的投影寻踪水质评价模型

第19期第52卷第19期2013年10月湖北农业科学Hubei Agricultural SciencesVol.52No.19Oct.,2013收稿日期:2013-01-05作者简介:李学法(1965-),男,山东聊城人,高级工程师,主要从事总图设计与环保研究,(电话)0531-********(电子信箱)sdlixuefa@。

水质评价是根据某些水质指标值通过建立数学模型,对某水体的等级进行综合评判,为水体的科学管理和污染防治提供决策依据[1-3]。

由于水质类型往往由多个非线性指标来决定,采用传统的数据分析方法建立水质评价模型时由于受到过于数字化的限制,难以找到数据的内在规律,因此需要建立多因子评价体系的水质评价模型[4-6]。

研究选取溶解氧、高锰酸盐指数、五日生化需氧量、氨氮、总磷、总氮6个指标作为评价因子,建立投影寻踪法的水质评价模型,借助粒子群算法确定投影过程中最佳投影方向,从而确定各评价因子权重,将高维数据投影到一维空间上进行水质综合评价。

1材料与方法此次研究的数据来源于潘家口水库1996-2005年的水质监测年平均值。

根据实际情况选取溶解氧、高锰酸盐指数、五日生化需氧量、氨氮、总磷、总氮6个指标作为潘家口水库水质的评价因子。

投影寻踪水质评价模型的建立步骤如下:1)评价指标集的归一化处理;2)线性投影;3)建立投影目标函数;4)优化投影方向;5)建立水质综合评价模型;6)评价待测样本。

粒子群优化算法(PSO)的思路为计算微粒对于空间位置的适应度,从而找到最优位置。

2结果与分析2.1水质评价过程水质评价标准参照GB 3838-2002《地表水环境质量标准》[7],每个评价指标分为5个等级(表1)。

表1中水质评价有6个指标,每个指标分5个等级,因此属于六维数据。

为提高模型的精度,将评基于粒子群优化算法的投影寻踪水质评价模型李学法1袁周迎红2(1.山东电力工程咨询院有限公司,济南250013;2.无锡商业职业技术学院,江苏无锡214153)摘要:利用投影寻踪法来评价水质,利用粒子群优化算法来求解最优函数问题,计算速度快,精度高。

基于投影寻踪的森林立地质量评价模型

３立地质量评价模型建模结果
３１无林地立地质量评价模型．
按照免疫进化算法优化投影指标函数的操作步骤，在解空间内随机生成种群规模为２０的初始群０个体，取标准差动态调整系数为３初始群体的标准差为１按群体适应度（），，５式和约束条件（），６式将立地因子样本集数据代入（）４式，１至（）经计算机反复运算，最后得到最优投影向量。
地质量的评价提供一条新的途径。
ｌ基础数据
在闽北马尾松人工林中，收集调查２７个标准地，常规的标准地调查技术测定林分调查因子及立地１按因子。选择标准地的优势木平均高、林龄及立地因子作为建立立地质量评价模型的基础数据。考虑林业
（）Ｒ—ｒ）Ｒ一ｕ（
式中，ｚ为序列的均值；Ｒ为求局部密度的窗口半径，它的选取既要使包含在窗口内的投影点的平均个数不太少，避免滑动平均偏差太大，又不能使它随着ｎ的增大而增加太快，据研究，其最佳取值Ｒ＝ａｍｘ
（Ｊｐ２ｒ为任意两个样本之间的距离，计算式为ｒ＝Ｉ一；（）单位阶跃函数，ｒ）＋／；其ｚＩｕＲ一为当时Ｒ＞时，（）＝１否则ＵＲ一）＝。ＵＲ一，（０
、
、
、
表
薰誉
・
坡度
坡位
０．１
斜
（１一５、２。２。
０２．
山谷４下５平地７中３全坡６、、、
作者简：介施恭明（９２）福建福清人，１６一，高级工程师，主要从事林业调查规划与森林资源监测工作。

投影寻踪模型

投影寻踪方法及应用内容摘要：本文从投影寻踪的研究背景出发，给出了投影寻踪的定义和投影指标，在此基础上得出了投影寻踪聚类模型，随后简单介绍了遗传算法。

最后结合上市公司的股价进行实证分析，并给出结论和建议。

关键词：投影寻踪投影寻踪聚类模型遗传算法一、简介（一）产生背景随着科技的发展，高维数据的统计分析越来越普遍，也越来越重要。

多元分析方法是解决高维数据这类问题的有力工具。

但传统的多元分析方法是建立在总体服从正态分布这个假定基础之上的。

不过实际问题中有许多数据不满足正态假定，需要用稳健的或非参数的方法来解决。

但是，当数据的维数很高时，即使用后两种方法也面临以下困难:第一个困难是随着维数增加，计算量迅速增大。

第二个困难是对于高维数据，即使样本量很大，仍会存在高维空间中分布稀疏的“维数祸根”。

对于核估计，近邻估计之类的非参数法很难使用。

第三个困难是对低维稳健性好的统计方法，用到高维时则稳健性变差。

另一方面，传统的数据分析方法的一个共同点是采用“对数据结构或分布特征作某种假定——按照一定准则寻找最优模拟——对建立的模型进行证实”这样一条证实性数据分析思维方法〔简称CDA法）。

这种方法的一个弱点是当数据的结构或特征与假定不相符时，模型的拟合和预报的精度均差，尤其对高维非正态、非线性数据分析，很难收到好的效果。

其原因是证实性数据分析思维方法过于形式化、数学化，受束缚大。

它难以适应千变万化的客观世界，无法真正找到数据的内在规律，远不能满足高维非正态数据分析的需要。

针对上述困难，近20年来，国际统计界提出采用“直接从审视数据出发—通过计算机分析模拟数据—设计软件程序检验”这样一条探索性数据分析新方法，而PP就是实现这种新思维的一种行之有效的方法。

（二）发展简史PP最早由Kruskal于70年初建议和试验。

他把高维数据投影到低维空间，通过数值计算得到最优投影，发现数据的聚类结构和解决化石分类问题。

1974年Frledman和Tukey加以改正，提出了一种把整体上的散布程度和局部凝聚程度结合起来的新指标进行聚类分析，正式提出了PP概念，并于1976年编制了计算机图像系统PRIM——9。

投影寻踪模型

2 投影寻踪评价模型投影寻踪方法最早出现于20世纪60年代末，Krusca 首先使用投影寻踪方法，把高维数据投影到低维空间，通过计算，极大化一个反映数据聚集程度的指标，从而找到反映数据结构特征的最优投影方向。

它是用来分析和处理高维观测数据，尤其是对于非线性、非正态高维数据的一种新型统计方法。

目前已广泛地应用于分类、模式识别、遥感分类、图像处理等领域。

具体应用过程如下：设投影寻踪问题的多指标样本集为{}n j m i j i x ,,1;,,1),( ==,其中, m 是样本的个数，n 为指标个数。

建立投影寻踪模型的步骤如下：（1）数据预处理：样本评价指标集的归一化处理，消除各指标值的量纲和统一各指标值的变化范围。

对于越大越优的指标：))()(/())(),((),(min max min j x j x j x j i x j i x --=*（1）；对于越小越优的指标：))()(/()),()((),(min max max j x j x j i x j x j i x --=*（2）；其中，)(max j x )(min j x 为第j 个指标的最大值、最小值。

（2）构造投影指标函数：设A(j)为投影方向向量，样本i 在该方向上的投影值为：∑=*=nj j i X j A i Z 1),()()( （3）即构造一个投影指标函数Q(A)作为确定投影方向优化的依据，当指标达到极大值时，就认为是找到了最优投影方向。

在优化投影值时，要求Z(i)的分布特征应满足:投影点局部尽可能密集，在整体上尽可能散开。

因此，投影指标函数为:Q(A)=S z *D z ，式中:S z — 类间散开度，可用Z(i)的标准差代替;D z — 类内密集度，可表示为Z(i)的局部密度。

其中：2121)}1/(])([{--=∑=m Z i Z S m i z ； )()(11ij m i m j ij z r R I r R D -*-=∑∑== Z —序列{Z （i ）|i =1~m }的均值；R 是由数据特征确定的局部宽度参数，其值一般可取0.1*S z ，当点间距值ij r 小于或等于R 时，按类内计算，否则按不同的类记;ij r =| Z(i)一Z(j)|;符号函数I (R -ij r )为单位阶跃函数，当R ≥ ij r 时函数值取1，否则取0。

投影寻踪方法及其应用优秀课件

ia1(j,k,i)。同理可得另外的n个父代个体 ia2(j,k,i)。选择是遗传算法的关键，它体现了优胜劣汰的思想。
步骤5：父代个体的杂交。
由步4得到的父代个体配对成n对双亲。生成两随机数u1和u2，再转成十进制整数： IU1=INT(1+u1·e)，IU2=INT(1+u2·e)，设 IU1≤IU2（否则互换其值）。杂交是指第i对双亲ia1(j,k,i)和ia2(j,k,i)随机变换一段二进制数，从而生成第i对子代个体：
IU1=INT(1+e·u2)，IU2=INT(1+e·u3) 设子代变异的概率(称为变异率)为pm。变异是当u4≤pm时对子代个体的IU1位和IU2位的值进行翻转操作：
0 1 1 0 1——0 0 1 1 1
(变异前)
(变异后)
步骤7：进化迭代。第i个子代个体经式(3)、式(2)转化成第i组
Ij(i)=INT[u(j,i)2e]
(4)
式中INT为取整函数。由式(3)得对应二进制
数ia(j,k,i)，它们与n组模型参数cj(i)对应，并把它们作为初始父代个体群。
编码与解码的逻辑过程：cj(i)~ Ij(i)~ ia(j, k,i)
步骤3：父代个体适应能力评价。把第i组参数代入式(1)得目标函数值fi，fi越小表示模型与观测值拟合得越好，适应能力
2大方 11.8 31.5 –8.8 3332.8 1176.9 1265.9 84 256 1700.0 33.2 1.283
3黔西 14.1 35.4 –8.6 4047.4 964.1 1263.6 81 274 1272.1 14.6 1.722
4金沙 15.1 36.0 –6.2 4703.3 1049.7 1091.6 81 304 920.0 7.5 2.191

基于投影寻踪模型的水质综合评价

Ａｂｔａｔｓｒｃ：Ａｃｅｅａｉｇｔｅｏｔｚｔｎｓｅｄｂｃｅｅａｉｇｇｎｔｌｏｉｍａｏｖｈｐｉｚｔｎｐｏｌｍｎｔｅｃｌｒｔｎｈｐｉａｉｐｅｙａｃｌｒｔｅｅｉａｇｒｔｍｉｏｎｃｈｃｎｓｌｅｔｅｏｔｍｉａｉｒｂｅｉｈｏ
［键词］投影寻踪；关综合评价；水环境质量［图分类号］Ｘ２中８４［献标识码］Ａ文［章编号］１０文０４—１８２１）４—０００１４（０１００５— ２
ＣｏｒｈｎｉｅＥｖｌａｉｎｏａｅａｉｓｄｏｐｉａｉｎ０ｍｐｅｅｓｖａｕｔｆＷｔｒＱｕｌｙＢａｅｎＡｐｌｔｆｏｔｃｏＰｒｊｃｉｎＰｒｕｔｏｅｏｅｔｕｓｉＭｄｌｏ
２１０１年７月第３３卷 ቤተ መጻሕፍቲ ባይዱ ４期
地下水
Ｇｒｕｄｗｔｒｏｎａｅ
Ｊ１２１ｕ．．０１
ＶｏＪ３Ｎ０．ｌ３４
基于投影寻踪模型的水质综合评价
王暄
（疆巴州水利水电勘测设计院，新新疆库尔勒８１０）４００
［摘
效途径。
要］针对投影寻踪模型中投影指标函数的最优化计算复杂问题，用加速遗传算法加快寻优速度，决采解
了投影寻踪过程中最优化问题。实例计算表明，模型可处理复杂多指标优化问题，解决复杂水质综合评价的有该是

建筑识图中投影基本知识PPT课件

(2)物体在一个投影面上的投影称为单面视图，物体在两个互相垂直的投影面上的投影称为两面视图。上述两种视图都不能确定出空间物体的惟一准确形状。那么，需要几个投影才能确定空间形体的形状呢？
第5页第/共6页38/共页38页
一般来说，用三个相互垂直的平面做投影面，用形体在这三个投影面上的三个投影，才能充分地表示出这个形体的空间形状．
2、投影的分类
S
S∞
S∞
中心投影
投影
中心投影
平行投影
斜投影
正投影
平行投影
正投影: 投影线垂直于投影面
斜投影：投影线倾斜于投影面
第1页第/共2页38/共页38页
2-a、土建工程中常用的几种投影图
土建工程中常用的投影图是: 正投影图、轴测图、透视图、标高投影图
1、正投影图
2、轴测图
特点:能反映形体的真实形状和大小, 特点:具有一定的立体感和直观性,常
第17第页1/共8页38/共页38页
(2)直线段的投影一般位置直线段倾斜于V、H、W三个投
影面上的投影都倾斜于投影轴且长度缩短，投影线与投影轴的夹角并不反映空间直线段与各投影面的倾角。
第18第页1/共9页38/共页38页
直线与三个投影面的相对位置
(3)投影面平行
线段的投影
水平线（平行于H面）正平线（平行于V面）侧平线（平行于W面）
长
X 长
宽
高
Z
将
高
宽
“长对正”、
ＹＷ
“高平齐”
“宽相等”
ＹＨ
简称为三等关
系
第11第页1/共2页38/共页38页
三、点、直线段、平面的投影
建筑物一般是由多个平面构成，而各平面相交于多条线，各条线又相交于多个点，由此可见点是构成线、面、体的最基本的几何元素。

软件质量综合评价的投影寻踪模型

摘
要：软件质量评价直接影响到软件开发的质量，软件质量是由多维指标因素决定的，投影
寻踪模型能够将多维指标综合投影成一维投影指标，根据该投影指标值的大小可以对软件质量
进行优劣排序。为了有效地利用投影寻踪模型降维分析和处理数据的能力、粒子群算法和多智能体遗传算法全局快速搜索的能力，文中将粒子群算法和多智能体遗传算法应用于投影寻踪模型，建立了软件质量的综合评价模型。实验结果表明投影寻踪模型为软件质量综合评价提供了
ｆａｓｔｓｅｒｃａｈｃａｐａｂｉｌｉｔｙｏｆｐａｒｔｉｃｌｅｓｗａｍｒｏｐｔｉｍｉｚａｔｉｏｎ（ＰＳＯ）ａｌｇｏｒｉｈｔｍａｎｄｍｕｌｔｉ — ａｇｅｎｔｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ
３．ＭａｎａｇｅｍｅｎｔＳｃｈｏｏｌ，ＵｎｉｖｅｒｓｉｔｙｏｆＳｈａｎｇｈａｉｏｒｆＳｃｉｅｎｃｅａｎｄＴｃｈｅｎｏｌｏｇｙ，Ｓｈａｎｇｈｉａ２０００９３，Ｃｉｎｈａ）
ｉｎｄｅｘｅｓｔｏｏｎｅ — ｄｉｍｅｎｓｉｏｎａｌｐｍｊｅｃｔｉｏｎｉｎｄｅｘ，ａｎｄｂａｓｅｄｏｎｔｈｅｖａｌｕｅｏｆｉｔｔｈｅｃｏｍｐｒｅｈｅｎｓｉｖｅｅｖａｌｕａｔｉｏｎ章编号：１００９— ２５５２（２０１４）０３— ００７２— ０４中图分类号：ＴＰ３１１文献标识码：Ａ