相關向量機分類方法的應用研究

顧　健

(上海理工大學 光電信息與計算機工程學院，上海 200093)

相關向量機分類方法的應用研究

顧健

(上海理工大學 光電信息與計算機工程學院，上海 200093)

摘要針對相關向量機在訓練數(shù)據(jù)集較大時模型訓練的時間復雜度較高這一問題。結合MichalE.Tipping提出的快速邊際似然算法，文中建立了相關向量機算法改進前后的電力系統(tǒng)安全狀態(tài)評估模型。以IEEE 30節(jié)點系統(tǒng)測試為例，采用相同的訓練、測試數(shù)據(jù)和相同的Matlab仿真環(huán)境進行仿真。通過對比仿真測試結果，發(fā)現(xiàn)改進后的算法在具備高精度和稀疏度的同時大幅縮短了運行時間，有效地解決了當訓練的數(shù)據(jù)集較大時時間復雜度高的問題。

關鍵詞相關向量機; Matlab;快速邊際似然算法

相關向量機是一種基于稀疏貝葉斯理論的核函數(shù)學習方法[1]，以貝葉斯概率為框架的相關向量機法(Relevance Vector Machine，RVM)其核函數(shù)無需滿足Mercer條件[2]，由于引入先驗知識從而使模型具有較高的稀疏性。相關向量機能夠在提供正確分類信息的同時又能夠提供概率信息,從而可以對預測結果的不確定性進行估算[3]。但是相關向量機其自身存在計算復雜度大的問題，限制了其在大規(guī)模數(shù)據(jù)中的應用[4]。針對這一問題MichalE.Tipping教授對相關向量機學習過程中的參數(shù)進行了全面的分析在文獻[5]中提出了快速邊際似然算法，其核心在于核函數(shù)個數(shù)從1開始不斷增加不斷增大邊際似然函數(shù)直至獲取相關向量。

針對本文中所建立的相關向量機及其改進算法的模型，將其應用到電力系統(tǒng)的安裝狀態(tài)識別中，通過實驗結果驗證了改進前后的算法都能保持在99%以上的精度處和較高的稀疏度，但改進后的算法運算速度大幅提高，且縮短了運行的時間。……