应用于特征抽取的一类非线性方法的快速模型设计

基于核函数的非线性方法与普通非线性方法相比，理论上它能将原数据空间映射到一新空间以增大数据的线性可分性；然而，这样的映射并不需要显式的实现。核函数的应用是该技术的核心。若将原数据空间与映射而得的新空间分别称为输入空间与特征空间，则在该类方法中特征空间由核函数隐含地定义。这样的特点除使核方法的计算量大大小于普通非线性方法外，"维数灾难"问题也在核方法中得以避免。基于核函数的回归或预测方法以及KFDA，KPCA，KMSE等方法均可应用于模式分析研究。其中，KFDA与KPCA，分别派生于经典的FDA与PCA方法学，有着较好的理论形式。KMSE也具有较好的理论性质。然而，核方法理论上仍有尚未解决的问题，应用上也存在局限和不足。一个重要问题是核方法应用效率随着训练样本集增大而下降的特点将制约其推广应用。该项目研究致力于构建与完善核方法快速模型的理论框架，并从方法学的角度设计最优的核方法快速模型。