核極化的最小二乘支持向量機(jī)算法研究.pdf

1、針對各種類型的數(shù)據(jù)，選取恰當(dāng)適合的核函數(shù)和具有代表性的數(shù)據(jù)特征，對支持向量機(jī)而言，至關(guān)重要。無關(guān)特征蘊(yùn)含冗余或無用的信息，干擾支持向量機(jī)的學(xué)習(xí)性能；不同類型的核函數(shù)的選取，影響支持向量機(jī)的泛化性能，尤其是，當(dāng)數(shù)據(jù)是大量的、高維的、異構(gòu)的，單核的SVM求得的分類效果不理想，相較于單核函數(shù)，多核學(xué)習(xí)訓(xùn)練算法采納多個(gè)基本核函數(shù)的不同形式的組合，可以增加模型的靈活性和決策函數(shù)的可理解性，提升模型的預(yù)測性能。因此，選擇有用的數(shù)據(jù)樣本特征和靈活設(shè)計(jì)

2、多核函數(shù)及其參數(shù)，可以改善分類器的性能，提高支持向量機(jī)學(xué)習(xí)性能和泛化性能。
　　論文主要研究目標(biāo)為：將核度量標(biāo)準(zhǔn)之一的核極化、特征選擇以及多核學(xué)習(xí)融入最小二乘支持向量機(jī)LSSVM，提出基于核極化的LSSVM算法：基于核極化的特征選擇LSSVM算法和基于核極化的多核學(xué)習(xí)LSSVM算法，通過應(yīng)用于特征選擇、分類和滾動(dòng)軸承故障識(shí)別，驗(yàn)證所提算法的有效性。具體內(nèi)容如下：
　　1.探索了一種基于核極化的特征選擇LSSVM算法，首先，利