scholarly journals Study of PLSR-BP model for stability assessment of loess slope based on particle swarm optimization

2021 ◽  
Vol 11 (1) ◽  
Author(s):  
Bin Gong
Keyword(s):  
Particle Swarm Optimization ◽  
Least Squares ◽  
Partial Least Squares ◽  
Partial Least Squares Regression ◽  
Particle Swarm ◽  
Least Squares Regression ◽  
Swarm Optimization ◽  
Loess Slope ◽  
The Stability ◽  
Bp Model

AbstractThe assessment of loess slope stability is a highly complex nonlinear problem. There are many factors that influence the stability of loess slopes. Some of them have the characteristic of uncertainty. Meanwhile, the relationship between different factors may be complicated. The existence of multiple correlation will affect the objectivity of stability analysis and prevent the model from making correct judgments. In this paper, the main factors affecting the stability of loess slopes are analyzed by means of the partial least-squares regression (PLSR). After that, two new synthesis variables with better interpretation to the dependent variables are extracted. By this way, the multicollinearity among variables is overcome preferably. Moreover, the BP neural network is further used to determine the nonlinear relationship between the new components and the slope safety factor. Then, a new improved BP model based on the partial least-squares regression, which is initialized by the particle swarm optimization (PSO) algorithm, is developed, i.e., the PLSR-BP model. The network with global convergence capability is simplified and more efficient. The test results of the model show satisfactory precision, which indicates that the model is feasible and effective for stability evaluation of loess slopes.

Improvement of residual bilinearization by particle swarm optimization for achieving the second-order advantage with unfolded partial least-squares

2007 ◽  
Vol 21 (12) ◽  
pp. 557-566 ◽  
Author(s):  
Santiago A. Bortolato ◽  
Juan A. Arancibia ◽  
Graciela M. Escandar ◽  
Alejandro C. Olivieri
Keyword(s):  
Particle Swarm Optimization ◽  
Least Squares ◽  
Partial Least Squares ◽  
Particle Swarm ◽  
Second Order ◽  
Swarm Optimization

Use of reflectance spectroscopy to estimate the organic carbon and CaCO3 contents of soils

2012 ◽  
Vol 61 (2) ◽  
pp. 277-290 ◽  
Author(s):  
Ádám Csorba ◽  
Vince Láng ◽  
László Fenyvesi ◽  
Erika Michéli
Keyword(s):  
Organic Carbon ◽  
Least Squares ◽  
Partial Least Squares ◽  
Partial Least Squares Regression ◽  
Mean Squared Error ◽  
Reflectance Spectroscopy ◽  
Least Squares Regression ◽  
Root Mean Squared Error ◽  
Squared Error

Napjainkban egyre nagyobb igény mutatkozik olyan technológiák és módszerek kidolgozására és alkalmazására, melyek lehetővé teszik a gyors, költséghatékony és környezetbarát talajadat-felvételezést és kiértékelést. Ezeknek az igényeknek felel meg a reflektancia spektroszkópia, mely az elektromágneses spektrum látható (VIS) és közeli infravörös (NIR) tartományában (350–2500 nm) végzett reflektancia-mérésekre épül. Figyelembe véve, hogy a talajokról felvett reflektancia spektrum információban nagyon gazdag, és a vizsgált tartományban számos talajalkotó rendelkezik karakterisztikus spektrális „ujjlenyomattal”, egyetlen görbéből lehetővé válik nagyszámú, kulcsfontosságú talajparaméter egyidejű meghatározása. Dolgozatunkban, a reflektancia spektroszkópia alapjaira helyezett, a talajok ösz-szetételének meghatározását célzó módszertani fejlesztés első lépéseit mutatjuk be. Munkánk során talajok szervesszén- és CaCO3-tartalmának megbecslését lehetővé tévő többváltozós matematikai-statisztikai módszerekre (részleges legkisebb négyzetek módszere, partial least squares regression – PLSR) épülő prediktív modellek létrehozását és tesztelését végeztük el. A létrehozott modellek tesztelése során megállapítottuk, hogy az eljárás mindkét talajparaméter esetében magas R2értéket [R2(szerves szén) = 0,815; R2(CaCO3) = 0,907] adott. A becslés pontosságát jelző közepes négyzetes eltérés (root mean squared error – RMSE) érték mindkét paraméter esetében közepesnek mondható [RMSE (szerves szén) = 0,467; RMSE (CaCO3) = 3,508], mely a reflektancia mérési előírások standardizálásával jelentősen javítható. Vizsgálataink alapján arra a következtetésre jutottunk, hogy a reflektancia spektroszkópia és a többváltozós kemometriai eljárások együttes alkalmazásával, gyors és költséghatékony adatfelvételezési és -értékelési módszerhez juthatunk.

Speech Emotion Recognition Based on Sparse Representation

2013 ◽  
Vol 38 (4) ◽  
pp. 465-470 ◽  
Author(s):  
Jingjie Yan ◽  
Xiaolan Wang ◽  
Weiyi Gu ◽  
LiLi Ma
Keyword(s):  
Dimensionality Reduction ◽  
Emotion Recognition ◽  
Least Squares ◽  
Partial Least Squares ◽  
Partial Least Squares Regression ◽  
Speech Emotion Recognition ◽  
Least Squares Regression ◽  
Computer Science Pedagogy ◽  
Reduction Methods ◽  
Analysis Computer

Abstract Speech emotion recognition is deemed to be a meaningful and intractable issue among a number of do- mains comprising sentiment analysis, computer science, pedagogy, and so on. In this study, we investigate speech emotion recognition based on sparse partial least squares regression (SPLSR) approach in depth. We make use of the sparse partial least squares regression method to implement the feature selection and dimensionality reduction on the whole acquired speech emotion features. By the means of exploiting the SPLSR method, the component parts of those redundant and meaningless speech emotion features are lessened to zero while those serviceable and informative speech emotion features are maintained and selected to the following classification step. A number of tests on Berlin database reveal that the recogni- tion rate of the SPLSR method can reach up to 79.23% and is superior to other compared dimensionality reduction methods.

Sign in / Sign up

Export Citation Format

Share Document