稀疏贝叶斯模型与相关向量机学习研究.pdfVIP

第 37 卷 第7 期 计 算 机 科 学 Vol.37 No. 7 2010 年7 月 Computer Science July 2010 1 2 1 1 2 (信息工程大学测绘学院 郑州450052) (信息工程大学信息工程学院 郑州450002) 虽然支持向量机在模式识别的相关领域得到了广泛应用, 但它自身固有许 不足之处。相关向量机是在稀 疏贝叶斯框架下提出的稀疏模型,模型没有规则化系数,核函数不要求满足Mercer 条件。相关向量机不仅具备良好 的泛化能力, 而且还能够得到具有统计意义的预测结果。首先介绍了稀疏贝叶斯回归和分类模型, 通过参数推断过 程,将相关向量机学习转化为最大化边缘似然函数估计, 并分析了3 种估计方法, 给出了快速序列稀疏贝叶斯学习算 法流程。 稀疏贝叶斯模型,相关向量机, 支持向量机 TP751 A R esearch on Spar se Bayesian Model an d th e Relevance Vect or M ach ine 1 2 1 YANG Guo2peng ZH OU Xin YU Xu2 chu (Institute of Surveying and Mapping, Information ngineering University, Zhengzhou 450052, China) 1 (Institute of Information ngineering, Information ngineering University, Zhengzhou 450002, China)2 Abstr act The support vector machine is successfully applied in many fields of pattern recognition,but there ere several limitations thereof.The relevance vector machine is a Bayesian treatment ,its mathematics model doesn. t have regulari2 zation coefficient ,and its kernel functions don. t need to satisfy Mercer. s condition. The relevance vector machine can present the good generalization performance, and its predictions are probabilisti