基于核偏最小二乘的支持向量机回归算法研究  

Study on support vector machine regression algorithm based on kernel partial least squares

作　　者：邹永杰[1] 端木京顺[2] 高海龙[3] 

机构地区：[1]西京学院基础部 [2]空军工程大学工程学院 [3]中国人民解放军93132部队

出　　处：《计算机工程与设计》2010年第10期2290-2293,共4页Computer Engineering and Design

摘　　要：对SVM的特征提取问题进行了研究,提出了KPLS-SVM组合回归建模方法。该方法在输入空间映射得到的高维特征空间中进行PLS特征提取后,再进行SVM回归,不仅保持了SVM良好的模型性能,并且兼具KPLS和SVM的优点。仿真和实验结果表明,该KPLS-SVM建模方法是正确且有效的,采用该方法构建的SVM模型,泛化性能明显优于没有特征提取的SVM。A KPLS-SVM modeling method is proposed to deal with the problem of SVM feature extraction.The method firstly extracts the feature in high dimensional feature space into which the original inputs are mapped,and then constructs the SVM model.The KPLS-SVM method not only keeps the SVM performance but also has merits of both KPLS and SVM.The simulation and experiment results demonstrate that the generalization ability of SVM with feature extraction using KPLS is much better than that without feature extraction,and the KPLS-SVM is correct and effective.

关 键 词：核函数 偏最小二乘 支持向量机 泛化能力 特征提取 特征空间 

分 类 号：TP181[自动化与计算机技术—控制理论与控制工程]