[发明专利]一种基于改进多尺度核函数的混合RVM模型预测方法

说明书

本发明公开了一种基于改进多尺度核函数的混合RVM模型预测方法，该方法包括以下步骤：S1、采集训练样本并利用相关向量作为信号特征对信号进行分段；S2、构建偏移小波核函数，以核排列的核度量标准，对偏移小波的偏移参数进行了筛选，得到偏移参数；S3、将步骤S1中全部训练样本与对应偏移参数进行训练来构建多个RVM模型；S4、用假设检验的方法得到的预测方差作为标准，将这些不同的RVM模型构建为混合RVM模型；S5、评估混合RVM预测模型的预测精度。本发明的混合RVM模型相较于单一模型来说，具有更高的预测精度，所以，利用偏移小波核函数构建的混合RVM模型可以提高预测的准确性，并针对不同的数据特征以自适应的调整。

技术领域

本发明涉及机器学习领域，特别涉及一种基于改进多尺度核函数的混合RVM模型预测方法。

背景技术

2001年，Tipping首次提出了相关向量机(RVM)的基本理论并对其应用前景进行了总结，标志了相关向量机理论体系的初步完成，近几年来，RVM算法主要集中于与其它算法的结合产生新的算法以及该算法的实际应用。核函数决定样本在特征空间中的分布和几何关系，是核方法实现非线性分析的基础，其中，核排列(Kernel Target Alignment,KTA)作为一种高效的不依赖于具体机器学习算法的核度量标准，它已被广泛的应用于各种机器学习算法中。由于RVM的每个预测点都服从正态分布，Ruan提出的基于核密度估计的预测算法，可以通过假设检验的方法来验证预测方差可以作为一个标准来检验预测的准确性，后来，Robert Durichen等人使用方差作为构建多预测器的标准，其结果表明，多预测器的预测性能优于单一预测器的预测性能。

由于RVM克服Mercer条件的特点，Galvao提出的偏移小波作为RVM的核函数，为偏移小波核的构建提供了可能，而偏移小波更大自由度的特点使得RVM可以通过调整某一特征空间来优化其模型。在此基础上，本发明提出一种可能的优化方法。首先，针对数据的特征，将数据分为多个部分，然后，使用计算KTA的方法来筛选每个部分对应的偏移小波核的偏移参数，接着以所有部分的偏移参数来构建多个RVM模型的核函数，最后，以方差作为构建混合RVM模型的标准，并评估混合RVM预测模型的预测精度。

发明内容

本发明解决的技术问题在于针对未来数据或无法对数据的变化规律进行有效、精确的预测，提出一种利用偏移小波核函数构建的混合RVM模型，可以提高预测的准确性，并针对不同的数据特征以自适应的调整。

本发明解决其技术问题所采用的技术方案是：

一种基于改进多尺度核函数的混合RVM模型预测方法，包括以下步骤：

S1、采集训练样本并利用相关向量作为信号特征对信号进行分段；所述训练样本为通过采集传感器在其部署的环境下进行监测，获得的响应信号；

S2、构建偏移小波核函数，以核排列的核度量标准，对偏移小波的偏移参数进行了筛选，得到各段对应的偏移小波核的偏移参数；

S3、将步骤S1中全部训练样本与对应偏移参数进行训练来构建多个RVM模型；

S4、对步骤S3得到的多个RVM模型利用假设检验的方法得到的方差作为标准来构建混合RVM模型；

S5、评估混合RVM预测模型的预测精度。

进一步地，本发明的步骤S1的具体方法为：

S11、首先采集训练样本，通过采集层的传感器在其部署的环境下进行监测，获得响应，对于其产生的响应信号，使用采集器的输入通道进行输入，检测，并通过处理器对输入的信号元进行控制，处理，得到处理后的信号经过输出通道进行显示，进而获得显示的情况即可获得所采集的数据。

根据相关向量机的基本原理，将采集到的训练样本通过样本数据训练学习,从中学习出输入x和目标输出t之间的依赖关系,监督学习模型可表示为式(1)