基于相关向量机的惯性约束聚变实验靶识别技术研究

针对支持向量机(Support Vector Machine, SVM)在惯性约束聚变(Inertial Confinement Fusion ,ICF)实验靶识别中稀疏性不够高而导致决策速度慢的问题, 提出利用相关向量机(Relevance Vector Machine, RVM)进行ICF实验靶识别。设计了基于二叉树的RVM多类分类器, 在二叉树的构建过程中同时考虑了类距离与类分布范围两种因素的影响, 获得了更为合理的二叉树层次结构。实验证明, RVM与SVM相比识别率不相上下, 但由于有更好的稀疏性使RVM的决策时间远比SVM短。该算法与传统的多类分类方法‘一对一’、‘一对多’、‘有向无