针对最小二乘支持向量机（LSSVM）实现过程中盲目选择核函数的现象,提出了一种基于核极化的多核LSSVM与EMD相结合的滚动轴承故障识别算法。首先,对滚动轴承振动信号进行EMD信号提取,进而提取故障特征向量;然后,根据多核构造原理,引入核极化确定基本核函数的组合权系数,构造多核函数;最后,结合多核函数与LSSVM,形成多核LSSVM学习器,进行故障识别。分析滚动轴承正常状态、内圈故障、外圈故障和滚动体故障的诊断实验结果,可知,EMD与多核LSSVM的故障识别算法可以准确地判断滚动轴承的工作状态和故障类型,并与SVM、LSSVM算法的诊断结果进行对照,表明所提算法的故障识别率更高。

对粗制甲醇的化学转化过程进行了研究，针对甲醇生产过程中工艺参数与产品质量之间非线性和时变性的问题，为了更好地预测甲醇产率，提出了一种加法规则的多核学习支持向量回归机算法。所提算法依据正定核函数的构造原理，采用将基本核函数进行相加的规则来组合多核函数，进而，建立多核学习支持向量回归机的甲醇合成转化率预测模型。甲醇数据的实验结果表明，对比传统支持向量回归机模型，所提出的加法规则的多核学习模型的甲醇转化率预测精度更优，可以更好地指导甲醇合成。

为了解决最小二乘支持向量机对于选择核函数盲目性的问题，将核度量标准核极化和多核学习引入最小二乘支持向量机中，提出了基于核极化的多核最小二乘支持向量机算法。算法首先利用核极化确定每个基本核函数的权系数，再根据多核学习原理组合多核函数，然后，建立多核最小二乘支持向量机模型，并进行模型的学习训练和预测。UCI数据上的试验结果表明，所提出的算法比SVM、最小二乘支持向量机和其他的多核学习方法具有更高的分类准确率。