相关向量机基函数和超参的协同优化

针对传统相关向量机在训练误差、权值矩阵的稀疏性以及对数边缘似然函数零逼近之间存在冲突,提出利用受试者工作特征曲线对相关向量机参数和核函数进行协同优化。依据模型分类准确率确定合适的核函数;引入模型在5%误判率下的分类准确率,对超参边际似然函数进行改进;为保证权值矩阵稀疏最大化,通过边际似然函数阈值选取最佳相关向量组合,运用交叉验证算法以及各交叉模型的ROC曲线,对相关向量机超参进行最优估计。此外,利用车辆横摆角速度对优化模型进行测试,结果表明:所提算法训练耗时略长,但测试时间明显短于传统估计算法,且模型的分类能力得到大幅提升。

COLLABORATIVE OPTIMISATION OF BASE FUNCTION OF RELEVANCE VECTOR MACHINE AND SUPER PARAMETERS