一种基于LS-SVM的特征提取新方法及其在智能质量控制中的应用

计算机应用

一种基于LS-SVM的特征提取新方法及其在智能质量控制中的应用

吴德会，Dehui Wu

合肥工业大学，九江学院

收稿日期:2006-04-24 修回日期:1900-01-01 发布日期:2006-10-01 出版日期:2006-10-01
通讯作者: 吴德会，Dehui Wu

Feature extraction method based on LS-SVM and its application to intelligent quality control

Received:2006-04-24 Revised:1900-01-01 Online:2006-10-01 Published:2006-10-01

摘要/Abstract

摘要： 提出一种基于最小二乘支持向量机(LS-SVM)的特征提取新方法，并将其成功应用到智能质量控制领域。首先，将线性特征提取公式表达成与LS-SVM回归算法中相同的形式；再遵循SVM方法将数据集由原输入空间映射到高维特征空间，进而使用该技巧通过线性形式实现非线性特征提取。然后，用常规控制图提取出一个含有6种模式、50维特征的仿真数据集用于测试，通过LS-SVM特征提取后，原数据集的特征被降到了3维并保留了原80%的分类信息。最后，用BP分类器对特征提取后的样本进行识别，其结果优于新型RSFM网络直接对原始样本进行识别的效果。仿真实验结果表明了LS-SVM特征提取方法的可行性和有效性。

关键词: 最小二乘支持向量机, 回归算法, 特征提取, 控制图, 模式识别

Abstract: A new feature extraction method based on Least Squares Support Vector Machine (LS-SVM) was proposed and applied to intelligent quality control successfully. Firstly, the formulation of linear feature extraction was made in the same fashion as that in the LS-SVM linear regression algorithm. Secondly, the data was mapped from the original input space to a high dimensional one by following the usual SVM methodology so as that nonlinear feature extraction can be made from linear version of the formulation through applying the kernel trick. Thirdly, 50 dimensional simulated data sets, including six patterns, extracted by universal control chart, were used to test. As a result, characteristics of the original data sets declined to be 3 dimensional and 80% classification-messages remained. Finally, the BP-based abnormal pattern recognizer was applied to the characteristics extracted samples, and better results were obtained than that of directly recognizing original samples with RSFM methods. The simulation results indicate that this feature extraction method is not only feasible but also effective.

Key words: Least Squares Support Vector Machine(LS-SVM), regression algorithm, feature extraction, control chart, pattern recognition

吴德会;Dehui Wu . 一种基于LS-SVM的特征提取新方法及其在智能质量控制中的应用[J]. 计算机应用.

. Feature extraction method based on LS-SVM and its application to intelligent quality control[J]. Journal of Computer Applications.

[1]	范黎林, 曹富康, 王琬婷, 杨凯, 宋钊瑜. 基于需求模式自适应匹配的间歇性需求预测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2747-2755.
[2]	杨鑫, 陈雪妮, 吴春江, 周世杰. 结合变种残差模型和Transformer的城市公路短时交通流预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2947-2951.
[3]	付帅, 郭小英, 白茹意, 闫涛, 陈斌. 改进的CloFormer模型与有序回归相结合的年龄评估方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2372-2380.
[4]	陈彤, 杨丰玉, 熊宇, 严荭, 邱福星. 基于多尺度频率通道注意力融合的声纹库构建方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2407-2413.
[5]	龙伍丹, 彭博, 胡节, 申颖, 丁丹妮. 基于加强特征提取的道路病害检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2264-2270.
[6]	刘瑞华, 郝子赫, 邹洋杨. 基于多层级精细特征融合的步态识别算法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2250-2257.
[7]	吴郅昊, 迟子秋, 肖婷, 王喆. 基于元学习自适应的小样本语音合成[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1629-1635.
[8]	崔晨辉, 蔺素珍, 李大威, 禄晓飞, 武杰. 基于孪生网络和Transformer的红外弱小目标跟踪方法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 563-571.
[9]	刘涛, 鞠事宏, 高一萌. 基于改进YOLOv8n的无人机视角下小目标检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3603-3609.
[10]	范艺扬, 张洋, 曾尚, 曾渝, 付茂栗. 基于分解和频域特征提取的多变量长时间序列预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3442-3448.
[11]	赵培, 乔焰, 胡荣耀, 袁新宇, 李敏悦, 张本初. 基于多域特征提取的多变量时间序列异常检测[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3419-3426.
[12]	花晓雨, 李冬芬, 付优, 毕可骏, 应时, 王瑞锦. 结合层次图神经网络与长短期记忆的产业链风险评估预警模型[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3223-3231.
[13]	张雨宁, 阿布都克力木·阿布力孜, 梅悌胜, 徐春, 麦尔达娜·买买提热依木, 哈里旦木·阿布都克里木, 侯钰涛. 基于自监督特征提取的骨骼X线影像异常检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 175-181.
[14]	李牧, 杨宇恒, 柯熙政. 基于混合特征提取与跨模态特征预测融合的情感识别模型[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 86-93.
[15]	田悦霖, 黄瑞章, 任丽娜. 融合局部语义特征的学者细粒度信息提取方法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2707-2714.