·296 智能系统学报 第7卷 式中：根据概率定义，目标函数tn∈{0,1，需要注 地找到感兴趣的目标刃 意式(4)中并没有附加的噪声函数. 之后Gholami等于2010年将RVM应用在新生 分类过程中，不能利用卷积方式计算权重，所以 儿痛苦评价上，成功地对新生儿痛苦表情进行分类， 并不能给出p(wlt,a)或边缘分布p(ta)的解析 正确区分了痛苦与非痛苦的婴儿，并且对痛苦程度 解.因此，需要利用拉普拉斯逼近的近似解求得，具 进行区分8].需要注意的是，该方法也是基于新生 体过程如下： 儿表情的数字图像处理，大多归结为回归或者分类 1)首先固定α的值，给出模型的后验概率分布 的问题，因此相关向量机在该领域的应用是很有前 位置，得到权重wP的最可能值.因为p(w|t,)c 景的. p(tw)p(wla),所以这一过程等价于找到式(5)的 2.2数字图像处理 最小值 对于一般数字图像处理，相关向量机的应用也 Igip(t,w)p(wl a)= 主要分为处理回归和处理分类问题两大方面， [,lg.+(1-6)lg(1-x)】-2w 在处理回归问题中，Agarwal等9在2006年、Guo 等o在2007年、Sedai等1]在2009年、Guo等2在 (5) 2009年，将RVM应用于人类3-D图像从单眼图像恢复 式中：y.=o{y(x;w)},应用最小平方反复迭代方 过程中，该算法主要应用了RVM的回归理论，通过真 法得到W如的值. 实数据的训练，RVM回归机可以正确捕捉人体行动，算 2)拉普拉斯方法是利用一个简单的二次方程 法可以将正确率提高到90%左右.0 uyang等在2009 逼近Lg分布的方法.其值是通过二次变形给出： 年，将RVM应用于网络视频监控技术，结果表明，采用 7 wVolgp(w|t,a)lwp=-（ΦBΦ+A). 了RVM回归算法的网络视频监视系统可以较快速地 (6) 找到人体框架，并且RVM的寻找速度要比其他方法更 式中：B=diag(B1,B2,…,Bw)是一个对角线矩阵，其 快，尤其在测试进行一段时间之后，其分辨的正确率也 中Bn=σ(y(xn))[1-σ(y(xn))].对于高斯逼近 很高，可达到80%以上1.0 Dliveri等在2011年将RVM 来说权重主要集中在"P,并且通过式(6)可以得到 应用于图像恢复中.研究表明，将快速RVM算法与其 协方差矩阵 他算法相结合，其图像恢复效果更好，运算速度也较 3)利用∑的统计学和w的高斯逼近（代替 快4 在分类处理方法中X.Li等s]和X.Wang μ)，超参数a可以利用-Y来更新 等61在2009年将RVM应用于图像分类比较中，实 在模型p(wIt,a)中，利用式(6)以及 验结果表明RVM分类方法对于线性数据以及非线 7,lgp(wlt,a)lwe=0,可以得到 性的高维数据都具有较好的分类效果， =(DB电+A), (7) 2.3高光谱图像分类 Wup =oBt. (8) 由于高光谱图像样本数量大、维数较高等特点， 式(7)和(8)可用于解决最小二乘问题.可以看 相关向量机分类方法非常适合应用于高光谱图像分 出拉普拉斯逼近方法能够有效地将分类问题映射为 类.Demir等于2007年在高光谱图像分类中应用了 回归问题. RVM方法，详细阐述了RVM方法与SVM方法的不 同，并且比较了分类结果，利用分类精度、相关向量和 2相关向量机的应用 支持向量的个数等标准，评价了各自优缺点「.随后 因为相关向量机可用于回归以及分类问题，所 Mianji等在2011年又进一步比较了RVM方法与 以其应用非常广泛.目前国内外主要应用领域有以 SVM方法在高光谱图像分类中的性能，比较的标准 增加了训练时间以及测试时间].通过实验发现 下几方面. RVM方法与SVM方法在训练样本相同时，其分类精 2.1医学影像处理 相关向量机在医学领域中的主要应用是对数字 度基本一致，但相关向量的数量明显少于支持向量的 医学图片的分析.首先Lkic等在2007年将RVM 数量.在测试时间方面，RVM的测试时间非常短，几 应用在分析神经成像之中，所采用的RVM方法与 乎可以做到实时测试，而SVM的测试时间相对较长. 处理一般图像的现有方法有着相近的效果，然而 然而RVM的缺点在于随着训练样本的增加，其训练 RVM的复杂度比其他方法要低很多，并且可以准确 时间也会直线上升.分析比较结果如表12