主成分分析的公路工程定额测定影响因素分析

《主成分分析的公路工程定额测定影响因素分析》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于主成分分析的公路工程定额测定影响因素分析目录0引言321基本原理321.1定额测定影响因素的分析321.2传统主成分分析算法的基本原理332改进非线性主成分算法及实现步骤342.1改进的非线性主成分算法342.2非线性主成分分析的实现步骤353实例验证363.1定额测定值所受影响因素的确定363.2影响因素的非线性主成分计算363.3主成分意义解释394.结束语40330引言3施工定额是编制整个定额体系的基础，它在整个定额体系中的基础作用，是由施工定额作为生产定额的基本性质决定的。通常情况下施工定额的形成，一般都是根

2、据统计和实测的原始数据采用统计方法进行分析和处理。但是定额测定的原始数据往往因各种因素的影响存在着很大的差异，有些时候测定的原始数据受不确定因素影响而产生较大偏差成为异常数据，但现阶段对于定额测定数据差异性起因的研究尚属国内空白，因此对定额测定的各种影响因素进行分析和归类是十分必要的，并且在工程实际中也有指导性作用。1基本原理1.1定额测定影响因素的分析引起数据差异的原因有很多，但总的说来可以归结为观测者因素、观察对象因素及现场环境条件等三个大的方面。观测者因素带来的差异性是指数据测定观测者因其记录方法、记录标准的不一样

3、，而导致测定数据的差异。减小观测者因素带来的差异性可以通过对观测者的统一培训、制定统一的记录格式、记录标准等方法来缩小数据的差异，并且具有一定水平和经验的观测者主观因素带来的差异性往往很小并且是很容易发现和修正。观测对象及现场环境条件（即：非观测者因素）是引起定额测定差异的主要因素，通常来说观察对象的因素及现场环境条件有许多，常见的有下述（包括但不限于）原因：施工组织因素、材料因素、劳动力因素、自然环境因素、技术因素和机械设备因素等。选取一定数量的定额测定影响因素需要足够数量的实测原始数据作为支持。由于非线性主成分分析需

4、要分析的各因素是需要完全量化的，所以在影响因素选取的时候需要将影响不大且不能量化的因素进行忽略。通常来说影响定额测定的因素很多，11不同的工序有不同的特征和影响条件，但一般都在下列影响因素的范围之内，例如：工序紧前工序的影响、某工序紧后工序时间节点硬性要求、施工设备的配置、设备的额定生产能力、现场机械利用率、机械操作人员驾龄、机械操作人员年龄及身体状况、操作人员技能熟练程度、本工序自身人机并动的影响、前后工作关联密切程度、是否经常中断、工作面分布情况、现场地质土质情况、当地气候特征情况、当地水文特征、所面对工作对象地质情

5、况、设计上的质量要求、设计变更影响、机械的租赁及租金结算形式、机械的折旧程度、现场人员配置合理程度、人员机械配合默契程度、施工组织方案可行度、施工进度方案可行性、施工准备工作是否充分、施工组织的WPS分解合理程度、工作人员的工作积极性、团队配合默契程度、周边居民及单位对施工的反馈影响、该工序本身对工作人员技能要求的高低、该工序组织的难易程度、工作对象或产品所需材料的种类及数量、劳动竞赛展开情况、项目工资竞争力情况、材料采购跟进情况、材料摆放位置合理程度、机械对于现场条件的适用度、机械连续工作能力的变化情况等。综上所述，可

6、以见得引起定额测定原始数据“差异性”产生的原因很多，各影响因素内部关系繁琐并且各影响因素的大小难以估量，造成问题的主要矛盾难以把握。1.2传统主成分分析算法的基本原理主成分分析是一种设法将原来变量重新组合成一组新的互相无关的几个综合变量，同时根据实际需要从中可以取出几个较少的综合变量尽可能多地反映原来变量的信息的统计方法。主成分分析是设法将原来众多具有一定相关性的指标重新组合成一组新的互相无关的综合指标来代替原来的指标。通常的做法就是用F1（选取的第一个线性组合，即第一个综合指标）的方差来表达，即F1的方差越大，表示F1

7、包含的信息越多。因此在所有的线性组合中选取的F1应该是方差最大的，故称F1为第一主成分。如果第一主成分不足以代表原来P个指标的信息，再考虑选取F2即选第二个线性组合，为了有效地反映原来信息，F1已有的信息就不需要再出现再F2中，用数学语言表达就是要求Cov(F1,F2)=0，即协方差为0，则称F2为第二主成分，依此类推可以构造出第三、第四，……，第P个主成分。112改进非线性主成分算法及实现步骤2.1改进的非线性主成分算法1）数据的均值化原始数据中包含两部分信息:一部分是各指标变异程度上的差异信息，该部分信息可由均值化后

8、数据的协方差矩阵主对角线上元素的大小来反映;另一部分是各指标间的相互影响程度上的信息，对原始数据的均值化不会改变各指标间的相互影响程度上的信息，所以该部分信息仍可由均值化后的数据的协方差矩阵来反映。综上所述，对原始数据均值处理后的协方差矩阵不仅消除了指标量纲和数量级的影响，而且能全面反映原始数据所包含的两部分信息。2