1、相關(guān)向量回歸（Relevance Vector Regression，RVR）是機(jī)器學(xué)習(xí)領(lǐng)域一種旨在擬合目標(biāo)數(shù)據(jù)的重要學(xué)習(xí)方法，因其具有稀疏性、全局最優(yōu)性和能夠利用核函數(shù)解決非線性問(wèn)題等特點(diǎn)而備受關(guān)注。本文研究在線增量相關(guān)向量機(jī)數(shù)據(jù)預(yù)測(cè)研究的理論和方法，以相關(guān)向量機(jī)和增量學(xué)習(xí)為基礎(chǔ)，建立相關(guān)向量機(jī)稀疏概率模型，提出高精度自適應(yīng)增量在線學(xué)習(xí)機(jī)制，實(shí)現(xiàn)有效提高相關(guān)向量機(jī)建模精度和在線學(xué)習(xí)預(yù)測(cè)實(shí)時(shí)性與可靠性的目標(biāo)。主要研究工作如下：
　

2、?。?）基于相關(guān)向量回歸增量學(xué)習(xí)（IRVR）算法提出一種L增量相關(guān)向量回歸（LIRVR）算法，該算法主要針對(duì)因IRVR中相關(guān)向量丟失所產(chǎn)生的不利影響，通過(guò)保留相關(guān)向量樣本而淘汰非相關(guān)向量樣本，加強(qiáng)相關(guān)向量在增量學(xué)習(xí)過(guò)程中的作用，同時(shí)降低了算法的時(shí)空復(fù)雜度。在人工數(shù)據(jù)集中，通過(guò)相關(guān)測(cè)試，驗(yàn)證了該算法在預(yù)測(cè)精度與效率上的可行性。
　?。?）在增量學(xué)習(xí)過(guò)程中，通過(guò)研究樣本集中每個(gè)樣本自身的特性，充分挖掘樣本的分布信息和誤差信息，并在此基

3、礎(chǔ)上提出代表樣本特性的局部密度因子和誤差因子，然后將樣本特性嵌入到LIRVR算法中，提出基于樣本特性的相關(guān)向量回歸增量學(xué)習(xí)（SCBIRVR）算法。該算法充分考慮樣本特性，保證了算法對(duì)數(shù)據(jù)的有效性。
　?。?）光纖光柵傳感器相比于電類等傳感器，具有精度高、無(wú)電傳輸、抗電磁干擾等優(yōu)點(diǎn)。將SCBIRVR算法應(yīng)用于基于光纖光柵的高鐵軌道安全監(jiān)測(cè)系統(tǒng)中，不僅能夠?qū)崟r(shí)監(jiān)測(cè)高鐵運(yùn)行狀況，獲得可靠的運(yùn)行數(shù)據(jù)，而且可以在監(jiān)測(cè)高鐵運(yùn)行狀況的同時(shí)，利用