基于模糊偏最小二乘的特征抽取方法研究.pdf

1、特征抽取在模式識別中占據(jù)著至關重要的地位，其方法有很多。本文基于偏最小二乘(PLS)的建模思想，深入探討了將PLS方法和模糊PLS(FPLS)方法用于特征抽取的理論和方法。 本文主要研究和創(chuàng)新性工作如下： (1)詳細探討了PLS方法的基本思想及其線性和非線性的建模過程，綜合比較PLS各種方法的優(yōu)缺點，說明了PLS方法的應用范圍，并結合模糊數(shù)學相關理論，探討了其應用在PLS方法處理非線性問題的理論可行性，討論了PLS方法與

2、CCA等線性抽取方法之間的區(qū)別與聯(lián)系，研究了基于線性PLS和基于核PLS的特征抽取技術，深入探討了其理論和算法，并與其他經典的線性子空間特征抽取方法作了對比實驗和分析。 (2)利用模糊數(shù)學具有較強的數(shù)據(jù)結構表征能力，來處理非線性問題以期其具有良好表現(xiàn)，探討了將模糊技術應用到PLS方法中，即將TSK模糊模型嵌入到PLS回歸方法的框架中，利用TSK模型的解釋性克服經典非線性PLS算法的一些不足。本文研究的FPLS算法在將高維數(shù)據(jù)向低

3、維空間投影的同時消除共線性的問題，TSK模糊模型能夠較好地捕捉被投影數(shù)據(jù)的非線性結構，并且加入相關模糊規(guī)則，從而提高了模型的適用范圍。 (3)研究基于奇異值分解的FPLS算法。經典的NIPALS算法雖然能使得PLS的變換過程比較清楚，但是該方法由于在迭代過程中得分向量u選取的任意性[8]，使得算法不穩(wěn)定，從而將可能導致結果的不確定性，基于奇異值分解的FPLS算法通過將奇異值分解法應用到FPLS算法中，有效的解決了這個問題。實驗證