基于核主成分KPCA的LS-SVM的算法分析  

LS-SVM Regression Based on KPCA

作　　者：王海波[1] 

机构地区：[1]永州职业技术学院医学院计算机教研组,湖南永州425100

出　　处：《科技信息》2009年第17期35-35,29,共2页Science & Technology Information

摘　　要：主成分分析(PCA)是一种重要的特征抽取方法,而核主成分分析(KPCA)是在此基础上结合核函数提出来的主成分分析法,在多维回归分析中具有重要的作用。最小二乘支持向量机(LS-SVM)是SVM的一种改进算法,将KPCA与LS-SVM结合起来建模,并试验说明较之单独用最小二乘支持向量机(LS-SVM)建模方法具有更良好的推广性。Support vector machines （SVM）is more and more applied in the various fields in recent years. Least Square Support Vector Machines （LS-SVM） is one of evolutionary SVM. Kernel principal component analysis （KPCA） is one of most important method of feature selection and feature extract ion. This paper applies kernel principal component analysis （KPCA） to LS-SVM regression. Finally through comparing the non-KPCA method and the KPCA method mentioned in this paper separately,we could obtain that using KPCA on LS-SVM regression will get good performance.This method is of good practical use.

关 键 词：非线性 核主成分分析(KPCA) 最小二乘支持向量机(LS-SVM) 

分 类 号：TP311.1[自动化与计算机技术—计算机软件与理论] U491.14[自动化与计算机技术—计算机科学与技术]