基于KPCA子空间虚假邻点判别非线性建模变量选择.pdfVIP

第 48 卷第 10 期 机 械 工 程 学 报 Vol.48 No.10 2 0 1 2 年 5 月 JOURNAL OF MECHANICAL ENGINEERING May 2 0 1 2 DOI ：10.3901/JME.2012.10.192 基于 KPCA 子空间虚假邻点判别的 * 非线性建模的变量选择 李太福 易 军 苏盈盈 胡文金 高 婷 (重庆科技学院电气与信息工程学院 重庆 401331) 摘要：特征变量选择技术是非线性系统建模过程中降低信息冗余和提高精度的有效方法。提出一种结合核主成分分析法 (Kernel principal components analysis，KPCA)与虚假最近邻点法(False nearest neighbor, FNN) 的变量选择法。引入核方法，将 非线性原始数据映射到线性空间，再采用主成分分析法有效合理地消除因子之间的多重共线性，受混沌相空间虚假最近邻点 法的启示，通过计算原始数据在 KPCA 子空间中投影的距离，判断其对主导变量的解释能力，由此进行变量的选择该方法 用氢氰酸生产工艺工程中的非线性模型验证，并与全参数模型进行比较，结果显示该方法有良好的变量选择能力。因此，该 研究为非线性系统建模的变量选择方法提供一种新方法。 关键词：非线性系统 建模 核主成分分析法 虚假最近邻点法 变量选择 中图分类号：TP273 Variable Selection for Nonlinear Modeling Based on False Nearest Neighbours in KPCA Subspace LI Taifu YI Jun SU Yingying HU Wenjin GAO Ting (Department of Electrical and Information Engineering, Chongqing University of Science and Technology, Chongqing 401331) Abstract ：Selection of secondary variables is an effective way to reduce redundant information and to improve efficiency in nonlinear system modeling. A novel method based on kernel principal components analysis (KPCA) and false nearest neighbor method (FNN) is proposed on select the most suitable secondary process variables used as nonlinear modeling inputs. In the proposed approach, the KPCA can be employed to overcome difficulties encountered with the existing multicollinearity between the factors. In the new KPCA feature subspace, it is inspired by FNN that interpretation of primary variable would be estimated by calculating th