《表2 相关系数矩阵：基于KPCA-Fisher判别分析的煤炭自燃预测研究》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于KPCA-Fisher判别分析的煤炭自燃预测研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

2) 相关性分析。若各个影响因素之间存在相关性，在用Fisher判别分析法进行判别时，可能会夸大某些影响因素的作用，这样不仅会影响判别的效果，还会增加运算时间及空间复杂度。因此，有必要对8个判别指标进行相关性分析。运用SPSS19.0统计软件对选取的8个指标变量进行Pearson相关性分析，以降低指标之间的信息重叠。对求得的相关系数矩阵（如表2所示）进行分析，其结果表明:X1、X2、X3、X4、X5、X6这6个判别指标间相关系数绝对值大于0.6，表明这6个指标数据间存在显著的相关关系；X3、X4、X6、X8这4个判别指标间相关系数绝对值大于0.5，表明这4个指标数据间也存在显著的相关关系。由此可见，只有X7与其他指标变量的相关性较弱。指标变量间存在较强的相关性及信息重叠，若直接作为Fisher判别分析模型的输入变量可能会对预测精度产生影响，可能产生误判。依据KPCA的原理及优点，对相关性较强的X1、X2、X3、X4、X5、X6、X8这7个变量进行KPCA处理。