·298· 智能系统学报 第7卷 式中：zn=(2tn-1)中，且P(T1X,w)/F(T,X,w, 3.1.3实验数据 )≥1等同于lnP(T1X,w)/F(T,X,w,)≥0.将式 这是一种对于RVM算法本身的改进，将改进 (16)代入式(14)中，可得 RVM算法应用于高光谱图像分类中，当训练样本较 hF(T1X)≥L=j∬awda0.(w)Q.(a)· 小时，其分类精度可以高于RVM以及SVM分类.当 训练样本较大时，其训练时间以及测试时间会有所 I(E(T.X.w)P(wla)P(a)). (17) 减低，结果如表3、4. Q(w)Q(a) 表3各类别分类精度 优化式(17)右边的函数Q.(w)和Q.(a)以及 Table 3 The accuracy of classification % 参数专=专·优化的结果为Q(w)产生了一个一般 类别 SVM VRVM 的正态分布形式： RVM Q.(w)=N(w1m,S), 玉米1 77.61 77.40 77.68 玉米2 75.54 77.10 77.70 S=(A+2∑A(5)中，中)1， 大豆1 83.67 83.57 83.78 =23含(24.-100). m 大豆2 58.75 59.40 60.37 91.19 92.19 92.35 式中：A=dig(am）.相对而言，优化的结果使得 乔木 Q.(a)是服从伽玛分布的. 总体 74.06 74.61 75.14 .(am）=ra.1a,b., 表4分类效率 a=a+3,。=6+2(2. Table 4 The efficiency of classification SVM RVM VRVM 最后，对于变形参数专.进行最小化，该参数的 样本数 (所古比例) 训练测试 训练测试 训练测试 值可通过=中ww>中n求得， 时间时间 时间时间 时间时间 同样，通过式(17)的右半部分，对L的值可以 350(5%)2.70 3.2 140.3 120.3 通过下式计算而得 L=lnF)〉+〈lnP(wIa)〉+〈lnP(a)〉- 700(10%)3.00 3.6 430.4 400.4 1050(15%)5.305.1 1241.2 1141.2 lnQw(w)〉-〈Q.(a)）. 1400(20%)8.4012.38092.4 6092.3 式中： 3499(50%)21.4727.618063.914303.8 =三ha5.)+2,-Dw4- 从表3、4中可以看出对于5种地物的分类精度 和总体分类精度，VRVM最高，RVM次之，而SVM 2点.-A(5)((wm)0,-6), 相对较低；VRVM和RVM的测试时间短，训练时间 hPw1m》=-2ga.i)+ 较长，而SVM测试时间长，训练时间相对较短， 3.2相关向量机的多类分类技术 2m）-hea. 类似于SVM,RVM最初的设计也是针对1-a-1 2 分类问题，然而高光谱图像地物类别较多，品种复 (hPam》=名-bah+(a-1w(a-lh+ 杂，因此需要发展多类分类技术.Wu等在2009年 提出的RVM多类分类技术，有效地改善了RVM在 aln b -InI(a), 多类分类中的效果[2].算法流程如图1所示。 -0.(m》-w2'1+h2m)+21s1. <分 分N分类少（类别E Y -(lnQ(a)〉=∑{-(an-1)(an)- Y m=0 类别1) (类捌2 (类州K幻 Inbm +am Inl(am). 图1算法流程 对于新的输入的预测，可以通过现有的训练好 Fig.1 The algorithm flow chart 的权重模型计算求得P(tx,〈)，即可进行分类. 该算法主要是利用逐层分级的思想进行，首先