核極化的最小二乘支持向量機算法研究.pdf

1、針對各種類型的數(shù)據(jù)，選取恰當適合的核函數(shù)和具有代表性的數(shù)據(jù)特征，對支持向量機而言，至關重要。無關特征蘊含冗余或無用的信息，干擾支持向量機的學習性能；不同類型的核函數(shù)的選取，影響支持向量機的泛化性能，尤其是，當數(shù)據(jù)是大量的、高維的、異構的，單核的SVM求得的分類效果不理想，相較于單核函數(shù)，多核學習訓練算法采納多個基本核函數(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，提升模型的預測性能。因此，選擇有用的數(shù)據(jù)樣本特征和靈活設計

2、多核函數(shù)及其參數(shù)，可以改善分類器的性能，提高支持向量機學習性能和泛化性能。
　　論文主要研究目標為：將核度量標準之一的核極化、特征選擇以及多核學習融入最小二乘支持向量機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習LSSVM算法，通過應用于特征選擇、分類和滾動軸承故障識別，驗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