KPCA-LSSVM建模方法及在钢材淬透性中的应用研究  

Modeling Approach Based on KPCA-LSSVM and Its Application to Steel Harden-ability Prediction

作　　者：郭辉[1] 刘贺平[1] 王玲[1] 

机构地区：[1]北京科技大学信息工程学院,北京100083

出　　处：《控制与决策》2006年第9期1073-1076,共4页Control and Decision

基　　金：国家科技部攻关基金项目(2003EG113016);北京市教委重点学科共建基金项目

摘　　要：通过等式约束条件修改普通的支持向量机可以得到最小二乘支持向量机,不需要再次求解复杂的二次规划问题.提出了利用核主元分析进行特征提取,在高维特征空间中计算主元,降低样本的维数,然后用最小二乘支持向量机进行建模.仿真结果表明了该方法的有效性和优越性.The standard support vector machines （SVM） formulation is modified by considering equality constraints within a form of ridge regression instead of inequality constraints. The solution can be obtainsed from solving a set of linear equations instead of a quadratic programming problem. The kernel principal component analysis （KPCA） is applied to least squares support vector machines （LSSVM） for feature extraction. KPCA calculates principal component in high dimensional feature space. The way reduces dimensions of sample and regression is applied with the LSSVM. Simulation results show that the method proposed is effective and superior.

关 键 词：核的主元分析 最小二乘支持向量机 主元 特征提取 

分 类 号：TP301.5[自动化与计算机技术—计算机系统结构]