一种小波核相关向量机算法

　　相关向量机（ Relevance Vector Machine，RVM）是一种基于稀疏贝叶斯推理的机器学习算法，与支持向量机（ Support Vector Machine．SVM）相比，RVM在保留SVM较高精度的基础上，还具有参数设置简单、稀疏度更高、概率式输出、基函数不受Mercer条件限制等优点，目前已在图像分类、故障检测及各类预测等应用领域取得了较好的效果。然而传统RVM中广泛采用的高斯径向基函数（ Radial Basis Function．RBF）并不具备完备表示解空间的能力，在样本数据结构比较复杂的情况下，单- RFB核模型的精度并不理想。同时，传统RVM中核参数的选取大多采用优化算法与交叉验证相结合的方法，计算量比较大，尤其是在训练样本量较大的情况下，传统RVM的训练时间远长干SVM。

　　传统相关向量机算法在处理大规模数据集时训练速度较慢，并且高斯径向核无法完备表示特征空间。为此，基于自适应核参数优化，提出一种小波核相关向量机算法。以小波核作为基函数，在训练中，采取增量学习流程实现各个小波核参数的快速自适应优化。将提出算法应用于混沌时间序列预测及UCI数据集分类实验，结果表明，自适应参数优化小波相关向量机算法在预测精度、训练速度上均优于传统相关向量机算法。