[发明专利]一种基于改进多尺度核函数的混合RVM模型预测方法

权利要求书

1.一种基于改进多尺度核函数的混合RVM模型预测方法，包括以下步骤：

S1、通过光纤光栅FBG温度传感器采集桥梁温度数据作为训练样本并利用相关向量作为信号特征对信号进行分段；所述训练样本为通过温度传感器在其部署的环境下进行监测，获得的响应信号；

S2、构建偏移小波核函数，以核排列的核度量标准，对偏移小波的偏移参数进行了筛选，得到各段对应的偏移小波核的偏移参数；

S3、将步骤S1中全部训练样本与对应偏移参数进行训练来构建多个RVM模型；

S4、对步骤S3得到的多个相关向量机RVM模型利用假设检验的方法得到的方差作为标准来构建混合RVM模型；

S5、评估混合RVM预测模型的预测精度；

所述步骤S1中对信号进行分段的具体方法为：

S11、首先采集训练样本，通过采集层的温度传感器在其部署的桥梁进行监测，获得桥梁温度响应，对于其产生的响应信号，使用温度传感器的输入通道进行输入，检测，并通过处理器对输入的信号元进行控制，处理，得到处理后的信号经过输出通道进行显示，进而获得显示的情况即可获得温度传感器所采集的温度数据；

根据相关向量机的基本原理，将通过温度传感器采集到的训练样本通过样本数据训练学习,从中学习出输入的信号x和目标输出的信号t之间的依赖关系,监督学习模型可表示为下式：

其中:x表示温度传感器采集的数据,t表示目标输出数据,{w_n}表示权重,k(x,x_n)表示核函数；

S12、初始化训练集,对训练数据集中的点进行训练得到相关向量；

S13、利用得到的相关向量对N个点进行分段{p₁,p₂…p_n}；

所述步骤S4构建混合RVM模型的具体方法为：

S41、对于每一个样本k，设有检验假设H₀与备择假设H₁：

H₀：预测值较为正确，逼近真实值y_k；H₁：预测值十分不准确，并且与真实值y_k相差甚远；

计算H₀：

计算H₁：

(y_k|x_k)～U(δ_L,δ_U)

其中，δ_L和δ_U是所有样本点的最大与最小的边界值，检验假设H₀正确时，y_k的概率分布p(y_k|x_k)应该满足高斯分布当预测信息不足时，采用均匀分布；

S42、计算假设检验的似然比校验：

其中，似然比校验的决策规则：

通过计算假设检验的似然比校验，其中方差σ_k越小，越接近检验假设H₀。