陈小明

摘 要：在采用高斯径向基函数的相关向量机（RVM）回归模型中，核参数与模型性能之间关系复杂，针对如何确定RVM核参数的问题，提出一种基于AIC准则选择RVM的核参数的方法。首先基于Akaike Information Criterion （AIC）思想，得出一种新的统计量Q，同时将Q作为适应度函数；然后利用微分进化算法（Differential Evolution Algorithm，DE）对核参数进行寻优，以此选择确定核参数；最后利用该算法建立RVM回归模型对黄金价格进行短期预测。实验结果表明，该模型较传统方法建立的预测模型具有更高的拟合精度和更好的泛化能力，进一步证明基于AIC准则选择RVM的核参数的方法的可行性和有效性。

关键词：径向基函数；核参数；相关向量机；微分进化算法；AIC准则；黄金价格

中图分类号：TP181 文献标识码：A

1 引 言

Tipping于2000年提出相关向量机（Relevance Vector Machine， RVM） [1]，它是一种基于总体贝叶斯框架下的稀疏概率模型。由于其具有模型结构稀疏、核函数不需满足Mercer 条件及计算的复杂度相对较低等优势，RVM 方法已经应用于一些分类和预测任务，如：电能质量扰动分类[2]，老年痴呆症临床变量预测[3]，用于中长期径流预报[4]等。但在采用高斯径向基核函数的RVM回归模型中，一方面由于其核参数与 RVM 回归模型性能（拟合精度、泛化能力、相关向量个数）存在复杂的关系，很难用解析关系进行分析，另一方面由于样本数据不可避免地带有噪声，如统计误差等，所以到目前为止，还没有很好的方法来确定核参数，如文献[5]也只是讨论了核参数的比较适当的取值范围。

基于此，本文基于……