[发明专利]基于样本特性的相关向量回归增量学习算法及系统

摘要

本发明公开了一种基于样本特性的相关向量回归增量学习算法及系统，该方法包括以下步骤：S1、获取初始样本集，初始化参数；S2、通过对样本集进行训练得到RVM预测模型；S3、计算每个样本的样本标签、局部密度因子和误差因子；S4、根据RVM预测模型对即将输入的未来样本进行预测；S5、计算样本特性向量，降序排列样本特性向量并进行循环，若非相关向量次数超过设定的阈值，则从样本集中删除该样本，跳出循环；S6、判断是否还有输入的新样本，若有新样本，则加入新样本，形成新的样本集，转到步骤S2；若没有新样本，则输出预测的未来样本。本发明能够保留含有有效信息的样本删除无效样本，具有更高的预测精度和更低的时间复杂度，可广泛应用于实时数据的处理和预测中。

主权项

1.一种基于样本特性的相关向量回归增量学习方法，其特征在于，包括以下步骤：S1、将光纤光栅传感器铺设在高铁铁轨上，利用光缆将传感器进行连接，组建基于光纤光栅的高铁安全监测系统，获取高铁安全监测系统得到的温度、位移、应力应变数据作为初始样本集，初始化参数；S2、通过对样本集进行训练得到RVM预测模型；S3、计算每个样本的样本标签、局部密度因子和误差因子；S4、根据RVM预测模型对即将输入的未来样本进行预测；S5、统计样本的非相关向量次数；用r(xi)来统计样本(xi,yi)的样本标签l(xi)＝1的次数，当l(xi)＝1时，r(xi)在原有的基础上加1，当l(xi)＝0时，r(xi)保持不变；对局部密度因子和误差因子进行加权，得到样本特性向量；对样本特性向量降序排列，并对排序后的序列进行循环，若非相关向量次数超过设定的阈值，则从样本集中删除该样本,跳出循环；S6、判断是否还有输入的新样本，若有新样本，则加入新样本，形成新的样本集，转到步骤S2；若没有新样本，则输出预测的未来样本；根据得到的未来样本对高铁安全检测系统中的铁轨温度、位移、应力应变进行安全预警；其中：计算样本标签：对于每一个训练后的样本(xi,yi)，引入样本(xi,yi)的样本标签l(xi)，则有：计算并更新每个样本的样本标签l(xi)；计算局部密度因子：将k近邻算法应用于相关向量回归算法中，通过KNN算法来选择样本的k邻近点，表示样本的局部密度信息；计算密度因子pi：其中，代表样本空间中任意一点x_i通过KNN算法到其k近邻点的距离，Mean^k为所有的均值，即：通过计算每个样本点的局部密度因子来反应该样本点的分布信息，其中处于稠密区域的样本有着较大的局部密度因子，处于稀疏区域的样本的局部密度因子较小；计算误差因子：其中，r_i²表示样本点x_i的真实值y_i和回归模型预测值之间的平方残差，Mean表示所有样本平方残差的均值。