特征提取的核方法與非線性多核學(xué)習(xí)的研究.pdf

1、核方法是大家公認(rèn)的非常有效的處理非線性數(shù)據(jù)的強大的工具。它實質(zhì)上就是把數(shù)據(jù)映射到一個被稱為特征空間的向量空間中，在數(shù)據(jù)項的屬性空間映像中尋找線性關(guān)系。初始映射是由核函數(shù)隱式定義的，即不需要嵌入點的坐標(biāo)，而只是用它們兩兩的內(nèi)積。利用核函數(shù)可以直接從初始的數(shù)據(jù)項高效地計算兩兩的內(nèi)積。核方法被廣泛的應(yīng)用于模式分類的各個步驟中。
　　 模式分類中特征提取非常重要。在日益興起的腦機接口領(lǐng)域，腦電信號的特征提取非常重要。因為腦電信號有著非線

2、性的結(jié)構(gòu)，所以我們把核方法運用到了腦電信號特征提取中。傳統(tǒng)的腦電信號空間過濾方法都缺乏明顯的目標(biāo)函數(shù)而無法讓人直觀了解其價值，因此，我們首先提出了一個基于腦電信號協(xié)方差的帶有目標(biāo)函數(shù)的極能差方法。該方法的思想就是將能使不同類信號能量差達(dá)到最大的特征過濾出來。該極能差方法是線性的特征提取方法。
　　 針對腦電信號存在非線性結(jié)構(gòu)的特點，我們對極能差方法進(jìn)行了非線性的擴展，由此得到了核極能差方法。核極能差方法的原理與極能差方法是一致的

3、，只不過是在該方法中引入了核的技巧，將腦電信號嵌入到了特征空間中，然后通過核函數(shù)找出特征空間中腦電信號的線性結(jié)構(gòu)。
　　 分類器的設(shè)計也是模式分類中非常重要的一步，分類器設(shè)計的好壞直接影響到分類性能的好壞。支持向量機是目前公認(rèn)的很有效的分類器。但是支持向量機有個很大的缺點就是它很大程度上依賴于參數(shù)的選擇。然而在選擇參數(shù)方面目前還沒有理論依據(jù)。線性多核方法將多個核加權(quán)取平均然后求的最優(yōu)的權(quán)值不失為一個很好的辦法。但是線性多核中的核