基于核主成分分析和粒子群优化支持向量机的统计数据缺失值插补  

Inputation for Statistical Missing Data Value Based on KPCA and PSO-SVM

作　　者：吴桐雨 吴少雄[2] Wu Tongyu;Wu Shaoxiong(School of Economics ＆ Management, Fuzhou University, Fuzhou 350116, China;School of Transportation, Fujian University of Technology, Fuzhou 350118, China)

机构地区：[1]福州大学经济与管理学院,福州350116 [2]福建工程学院交通学院,福州350118

出　　处：《统计与决策》2018年第8期21-24,共4页Statistics & Decision

基　　金：福建省社会科学研究基地重大项目(2014JDZ024);福州大学物流研究中心资助项目

摘　　要：文章利用核主成分分析法对统计数据进行特征提取,将获得的主成分作为最小二乘支持向量机的特征向量建立支持向量机模型,应用粒子群算法对最小二乘支持向量机参数进行优化,并应用于福建省流通产业统计数据的缺失值插补。研究结果表明,应用核主成分分析与粒子群优化最小二乘支持向量机的方法具有较高的的精度,可以应用于统计数据缺失值的插补。This paper employs kernel principal component analysis（KPCA） method to extract main features from statistical data in order to obtain the principal component, which is used as the feature of least squares support vector machine（LS-SVM） to construct an SVM model, and then uses particle swarm optimization（PSO） algorithm to optimize the parameter of LS-SVM. Finally the paper applies it to the imputation for the missing value of statistical data from circulation industry of Fujian Province. The research results indicate that the application of KPCA and PSO-LS-SVM possesses a relatively higher accuracy and can be applied to imputation for missing compensation value of statistical data.

关 键 词：统计数据缺失 核主成分分析 粒子群优化 支持向量机 插补 

分 类 号：TP181[自动化与计算机技术—控制理论与控制工程]