基于全局代表指标的LSSVM最优稀疏化算法

缺少稀疏性是最小二乘支持向量机(least square support vector machine, LSSVM)的主要问题之一,本文针对此问题提出一种LSSVM的最优稀疏化算法.首先,定义了特征空间中样本的密度、离散度并进一步导出样本的全局代表指标(global representative indicator, GRI).然后,以样本剪切率和邻域大小为优化变量,以校验样本集的均方根误差(root-mean-square error, RMSE)为目标函数将LSSVM的稀疏化问题转换为带约束的最优化问题;其中,样本剪切以GRI为指标进行.针对优化问题提出了基于PSO的求解方法.最后,以二维sin c函数模型为对象探讨了GRI指标与样本支持值的关系,验证了本文最优稀疏化算法的正确性和合理性,并呈现了3种稀疏化方法的对比研究结果.