[發明專利]一種基于改進多尺度核函數的混合RVM模型預測方法

有效

• 申請號: 201710258439.8
• 申請日: 2017-04-19
• 公開（公告）號: CN107437112B
• 公開（公告）日: 2018-07-17
• 發明（設計）人: 劉芳;趙斐;余振豪;童蜜;秦王晨;鐘昊
• 申請（專利權）人: 武漢理工大學
• 主分類號: G06N99/00
• 分類號: G06N99/00;G06K9/62
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 李丹

本發明公開了一種基于改進多尺度核函數的混合RVM模型預測方法，該方法包括以下步驟：S1、采集訓練樣本并利用相關向量作為信號特征對信號進行分段；S2、構建偏移小波核函數，以核排列的核度量標準，對偏移小波的偏移參數進行了篩選，得到偏移參數；S3、將步驟S1中全部訓練樣本與對應偏移參數進行訓練來構建多個RVM模型；S4、用假設檢驗的方法得到的預測方差作為標準，將這些不同的RVM模型構建為混合RVM模型；S5、評估混合RVM預測模型的預測精度。本發明的混合RVM模型相較于單一模型來說，具有更高的預測精度，所以，利用偏移小波核函數構建的混合RVM模型可以提高預測的準確性，并針對不同的數據特征以自適應的調整。

技術領域

本發明涉及機器學習領域，特別涉及一種基于改進多尺度核函數的混合RVM模型預測方法。

背景技術

2001年，Tipping首次提出了相關向量機(RVM)的基本理論并對其應用前景進行了總結，標志了相關向量機理論體系的初步完成，近幾年來，RVM算法主要集中于與其它算法的結合產生新的算法以及該算法的實際應用。核函數決定樣本在特征空間中的分布和幾何關系，是核方法實現非線性分析的基礎，其中，核排列(Kernel Target Alignment,KTA)作為一種高效的不依賴于具體機器學習算法的核度量標準，它已被廣泛的應用于各種機器學習算法中。由于RVM的每個預測點都服從正態分布，Ruan提出的基于核密度估計的預測算法，可以通過假設檢驗的方法來驗證預測方差可以作為一個標準來檢驗預測的準確性，后來，Robert Durichen等人使用方差作為構建多預測器的標準，其結果表明，多預測器的預測性能優于單一預測器的預測性能。

由于RVM克服Mercer條件的特點，Galvao提出的偏移小波作為RVM的核函數，為偏移小波核的構建提供了可能，而偏移小波更大自由度的特點使得RVM可以通過調整某一特征空間來優化其模型。在此基礎上，本發明提出一種可能的優化方法。首先，針對數據的特征，將數據分為多個部分，然后，使用計算KTA的方法來篩選每個部分對應的偏移小波核的偏移參數，接著以所有部分的偏移參數來構建多個RVM模型的核函數，最后，以方差作為構建混合RVM模型的標準，并評估混合RVM預測模型的預測精度。

發明內容

本發明解決的技術問題在于針對未來數據或無法對數據的變化規律進行有效、精確的預測，提出一種利用偏移小波核函數構建的混合RVM模型，可以提高預測的準確性，并針對不同的數據特征以自適應的調整。

本發明解決其技術問題所采用的技術方案是：

一種基于改進多尺度核函數的混合RVM模型預測方法，包括以下步驟：

S1、采集訓練樣本并利用相關向量作為信號特征對信號進行分段；所述訓練樣本為通過采集傳感器在其部署的環境下進行監測，獲得的響應信號；

S2、構建偏移小波核函數，以核排列的核度量標準，對偏移小波的偏移參數進行了篩選，得到各段對應的偏移小波核的偏移參數；

S3、將步驟S1中全部訓練樣本與對應偏移參數進行訓練來構建多個RVM模型；

S4、對步驟S3得到的多個RVM模型利用假設檢驗的方法得到的方差作為標準來構建混合RVM模型；

S5、評估混合RVM預測模型的預測精度。

進一步地，本發明的步驟S1的具體方法為：

S11、首先采集訓練樣本，通過采集層的傳感器在其部署的環境下進行監測，獲得響應，對于其產生的響應信號，使用采集器的輸入通道進行輸入，檢測，并通過處理器對輸入的信號元進行控制，處理，得到處理后的信號經過輸出通道進行顯示，進而獲得顯示的情況即可獲得所采集的數據。

根據相關向量機的基本原理，將采集到的訓練樣本通過樣本數據訓練學習,從中學習出輸入x和目標輸出t之間的依賴關系,監督學習模型可表示為式(1)