[发明专利]一种基于Bagging PLS和PCA的降维方法

权利要求书

1.一种基于Bagging PLS和PCA的降维方法，其特征在于，还包括以下步骤：

步骤1：生成子训练集，并在每个子训练集上求PLS回归系数向量；

步骤2：利用步骤1求得的PLS回归系数向量生成最终的PMA模型；

所述步骤1包括使用替换方法从原始训练集生成n个子训练集；在每个子训练集上求回归系数向量，记作β_i，(i＝1,...,n)，其中的潜变量个数利用交叉验证方法确定；

所述步骤2包括利用步骤1求得的回归系数向量求PMA的最终模型，PMA算法的优化公式化表达如下:

其中β_i，(i＝1,...,n)表示第i个PLS回归系数向量；n表示PLS回归系数向量个数；B是回归系数向量组成的矩阵[β₁,β₂,...,β_n]与其转置矩阵[β₁,β₂,...,β_n]^T的乘积，这样使得B是对称半正定矩阵；表示使w^TBw取得最大值，并且模等于1的向量w，w^T是向量w的转置。

2.如权利要求1所述的降维方法，其特征在于，在每个子训练集上求回归系数向量具体为：

步骤01：将原始训练集随机划分为3部分:校验集，验证集和预测集；

步骤02：对现有校验样本进行二次采样求多个以上PLS回归系数向量，并选取在验证集上有最高准确率的PLS回归系数向量。

3.如权利要求1所述的降维方法，其特征在于，PMA的最终模型具体为：利用对B做特征值分解，将特征向量按对应特征值降序排列组成矩阵E，PMA的最终模型B_PMA＝E(:,1:m)，表示E中第1到第m个列向量组成的矩阵；

m满足其中，p是B的特征值的个数,λ_i，λ_j分别表示按降序排列第i个和第j个特征值。