韩榕生　刘志红

(华北电力大学 数理学院，北京 昌平 102206)



一种缺失值填充方法的研究

韩榕生刘志红

(华北电力大学 数理学院，北京 昌平 102206)

随着信息时代的到来，人们在各行各业都面临着海量的数据信息，而缺失数据的存在已成为人们对数据处理分析的一个重大难题。鉴于此，基于自联想神经网络方法，采用逆非线性主成分分析预测模型对宿州市天然气用量的原始数据构建缺失值填充模型。为进一步改进逆非线性主成分分析(Inverse Nonlinear principal component analysis model)方法出现的局部极小点和收敛速度慢的问题，采用共轭梯度算法对其进一步优化。

逆非线性主成分分析模型；共轭梯度法；预测模型

0　引言

无论是在科研实验，还是在银行、保险、金融投资以及社会调查等领域，我们收集到的数据常常是不完整数据。比如在处理影像恢复的物理问题时，由于各种因素影响，无法避免图像的降质，一些重要信息无法从影像中获取。这就需要我们对图像进行复原处理。另外在医学研究中，对病人临床试验时需要搜集大量的资料，有些病人可能不愿意接受调查或者不愿意反馈治疗效果等其他原因都会造成某些数据缺失的情况,从而增加科研等一系列工作统计分析的难度。因此对缺失值进行深入的研究具有重要意义。

从人们开始着手研究缺失数据的处理到现在，已取得了很多研究成果，总结了一些处理方法，并且在实际的应用中也产生了一定的经济效益[1—4]。A.P.Dempster等在1977年总结出了对缺失值填充的期望极大化(Expectation Maximization，简写为EM)算法[5],EM算法的出现加快了缺失数据填充的步伐，但是EM算法的收敛速度慢，计算较为复杂。……