探讨了最小二乘支持向量机时间序列预测的方法,提出了用核主成分分析提取主元,然后用最小二乘支持向量机进行预测．通过实验表明,这种方法得到的效果优于没有特征提取的预测．同时与主成分分析提取特征相比,用核主成分分析效果更好．

§3 矩阵的LU分解 ❖矩阵的LU分解 ❖对称矩阵的平方根法 ❖改进的平方根法 ❖解三对角方程组的追赶法 §4.向量和矩阵的范数及方程组的性态 ❖向量范数 ❖矩阵的范数 ❖方程组的性态及矩阵条件数

一.向量空间 二.基,维数和坐标 三.向量的内积 四.标准正交基 五 线性无关组的正交化单位化— Schimidt.正交化方法

1. 了解n维向量空间、子空间、基、维数、坐标等概念; 2. 了解内积的概念; 3. 了解标准正交基的概念; 4. 掌握线性无关向量组标准规范化的Schimidt(施密特)方法

提出了一种基于对偶优化的核最小二乘(KPLS)方法,把KPLS用最小二乘支持向量机的形式表示.推导了KPLS对偶优化形式的公式,且使其具有最小二乘支持向量机的风格.在初始空间中构造优化问题,应用核技术在特征空间中解对偶问题,这种解与非线性的KPLS具有相似性.实验验证了这种方法的效果,表明了该方法的有效性和优越性

一、内积的定义和性质 二、向量的长度与夹角 三、正突向量组 四、应用举倒 五、正突矩阵与正变突换

向量空间 (Vector Space) 向量空间的基本概念 子空间 相关性、基和维度 (Independence, Basis and Dimension) 线性相关性 向量空间的基和维度 矩阵的列秩与行秩 (Column Rank and Row Rank of Matrices) 列空间的秩与行空间的秩 通过 Gauss−Jordan 消元法来求 A−1 解线性方程组 (II)(Solving Linear Equations(II)) 矩阵的秩 Ax = 0 的解 Ax = b 的解

线性代数课程介绍 (Introduction to Linear Algebra) 什么是线性代数 向量 (Vectors) 向量加法和数乘 向量长度和点积 矩阵 解线性方程组 (I)(Solving Linear Equations(I)) 线性方程组 解线性方程组的矩阵表示 矩阵 (Matrices) 矩阵的运算 分块矩阵 逆矩阵 转置矩阵和置换矩阵

第一节 空间直角坐标系与向量的概念 第二节 向量的点积与叉积 第三节 平面与直线 第四节 曲面与空间曲线 *第五节 矢量函数的微积分