汪建新 ，吴永刚 ，2，陈肖洁

（1.内蒙古科技大学，机械工程学院，内蒙古 包头 014010；2.内蒙古包钢钢联股份有限公司炼铁厂，内蒙古 包头 014010）

1 引言

支持向量机（support vector machine，SVM）是一种以结构风险最小化为理论基础的统计学习方法，较好地解决了维数灾难，具有全局最优解等优点[1]，目前得到了广泛的应用推广，如混沌时间序列预测[2]、转子故障诊断[3]等。SVM的求解采用凸二次规划方法，运算过程需耗费大量的内存和时间。为提高运算速度和减少储存内存，文献[4-5]提出了最小二乘支持向量机（least squares support vector machine，LSSVM），巧妙地，将SVM中的二次规划问题转化为线性方程组求解，降低了求解的复杂度，解决了多元建模的求解问题。由于种种原因，数据的样本特征会含有一些无关特征。特征选择[6]可以去除冗余特征、无关特征甚至噪声特征，筛选出一个干净的样本集，以便提高数据的识别效率和增强实际问题的可理解性。换言之，特征选择一般是指从输入特征集中按照某种评估标准选择出最优的特征子集，以达到去除冗余特征、无关特征、甚至噪声特征，提高学习精度的目的。特征选择算法一般要与所采用的学习算法结合使用，结合LSSVM中的最小二乘回归机（least squares support vector regression，LSSVR）和特征选择，鉴于LSSVM的高效计算性，将其运用于特征选择是可行的，通过对烧结过程中的建模的仿真实验，验证所提算法的有效性。

2 LSSVM

LSSVM用如下函数对输入的x进行预测：

式中：φ（x）—非线性函数，可将输入空间映射到一个更高维的特

征空间，以便在高维特征空间中以线性拟合的方式求解输