相關向量機（ Relevance Vector Machine，RVM）是一種基于稀疏貝葉斯推理的機器學習算法，與支持向量機（ Support Vector Machine．SVM）相比，RVM在保留SVM較高精度的基礎上，還具有參數(shù)設置簡單、稀疏度更高、概率式輸出、基函數(shù)不受Mercer條件限制等優(yōu)點，目前已在圖像分類、故障檢測及各類預測等應用領域取得了較好的效果。然而傳統(tǒng)RVM中廣泛采用的高斯徑向基函數(shù)（ Radial Basis Function．RBF）并不具備完備表示解空間的能力，在樣本數(shù)據(jù)結(jié)構(gòu)比較復雜的情況下，單- RFB核模型的精度并不理想。同時，傳統(tǒng)RVM中核參數(shù)的選取大多采用優(yōu)化算法與交叉驗證相結(jié)合的方法，計算量比較大，尤其是在訓練樣本量較大的情況下，傳統(tǒng)RVM的訓練時間遠長干SVM。

　　傳統(tǒng)相關向量機算法在處理大規(guī)模數(shù)據(jù)集時訓練速度較慢，并且高斯徑向核無法完備表示特征空間。為此，基于自適應核參數(shù)優(yōu)化，提出一種小波核相關向量機算法。以小波核作為基函數(shù)，在訓練中，采取增量學習流程實現(xiàn)各個小波核參數(shù)的快速自適應優(yōu)化。將提出算法應用于混沌時間序列預測及UCI數(shù)據(jù)集分類實驗，結(jié)果表明，自適應參數(shù)優(yōu)化小波相關向量機算法在預測精度、訓練速度上均優(yōu)于傳統(tǒng)相關向量機算法。
?