[发明专利]一种基于Bagging PLS和PCA的降维方法

摘要

一种基于Bagging PLS和PCA的降维方法属于模式识别领域，具体为一种基于Bagging Partial Least Squares(Bagging偏最小二乘,Bagging PLS)和Principal Component Analysis(主成分分析，PCA)的降维方法。根据原始数据集生成子训练集并求得PLS回归系数向量；把PLS回归系数向量组成的矩阵作为PCA算法的输入以生成最终的Principal Model Analysis(主模型分析，PMA)模型。与传统的降维方法PLS,Bagging PLS，LDA(Linear discriminant analysis)和PLS‑LDA相比，PMA在UCI中常规高维数据集，小样本、不平衡高维数据集和Raman光谱高维数据集上进行降维，能获得更高的分类准确率，并且性能更稳定。

主权项

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。