摘    要：核函数的参数严惩影响rvm的综合性能。为求得稀疏解、避免过拟舍，提出使用遗传算法针对问题背景自动优化核函数的参数：在适压度函数评判下，种群经过选择、交叉和变异选代进化，高效率地得到****解，在定义rvm回归性能综合评判批准fitness作为适应度函数的基础上，使用11atlab遗传算法工具箱和改进的tipping程序获取slne数据****核函数参数，实验证明遗传算法可以高效准备地优化rvm核参数，特别对于具有较多参数的核函数更具实用性。

关键词：关联向量机；核函数参数；综合评判标准；遗传算法

中图分类号：tp 27    文献标识码：a

    rvm（关联向量机）是michael e tipping于2001年提出的一种建立在支持向量机( svm)之上的稀疏贝叶斯统计学习方法。它的训练是在贝叶斯框架下进行的，可以用它进行回归及分类模式分析。rvm克服svm缺点：rvm的关联向量数要少于svm，具有更优的泛化性能；可以得到点估计及区间估计；无需多次试验找到****的类似于c或s的主观设置值。与svm类似的是rvm也使用核方法，将自变量映射到高维空间，得到因变量与自变量线性回归的稀疏解，但核函数参数严重影响rvm的性能，如何方便快捷地找到综合性能****的核函数参数目前尚无解析解理论指导，由于rvm的分类功能建立在回归的基础之上，目前，rvm算法在模式识别、回归估计、概率密度函数估计等方面有广泛应用。例如，在模式识别方面，对于手写数字识别、语音识别、人脸图像识别、文章分类等问题。本文尝试使用遗传算法获取回归综合性能****的核参数数值解。

    统计学习理论是一种专门研究小样本情况下机器学习规律的理论。该理论针对小样本统计问题建立了一套新的理论体系，在这种体系下的统计推理规则不仅考虑了对渐近性能的要求，而且追求在现有有限信息的条件下得到****结果。模式分析研究的是如何自动检测和辨识数据中潜在的关系，人

    为保证获取稀疏解，令。，满足零均值正态分布：p（wi，αi）=n（wi| 0，αi^-1），训练样本集的似然函数为

    根据先验概率分布和似然分布，再用贝叶斯式计算权值的后验概率分布，即：

    而该权值的后验分布属于多变量高斯分布，即：

    训练目标值的似然分布通过对权值变量进行积分，即

    实现边缘化，从而求得超参数的边缘似然分布：

    rvm方法中的模型权值的估计值由后验分布的均值给出，同时它也是权值的****后验( map)估计。权值的map估计取决于超参数和噪声方差，估计值α和σ2可以通过****化边缘似然分布得到。后验分布反映出的权值****值的不确定性，可以表示模型预测的不确定性。若给定输入值x，相应输出的概率分布为

    服从高斯分布的形式，即：

    tipping用第二类极大似然法给出了matlah实验程序，本文在此基础上展开研究。给定一个核和一个训练集合，就能构成一个核矩阵k(xi，xj)，这个矩阵起着信息瓶颈的作用，因为它