为提高对爆破振动速度预测的准确性, 提出一种基于相关向量机(RVM)的爆破振动速度预测模型。利用该模型建立爆破振动速度与其影响因素之间的非线性映射关系, 通过选取影响爆破振动速度的3个主要因素(炸药用量、距离、高程差), 并对这3个主要影响因素产生的36组数据进行拟合训练, 根据这36组训练样本来对剩余5组样本进行精准预测。将该模型进行实例应用并与BP神经网络模型预测和GA-BP神经网络模型的结果进行对比, 在相同的影响因素数据样本条件下, RVM模型预测精度更高、离散性更小。与实际值相比, RVM预测的爆破振动速度的平均相对误差均明显优于利用BP神经网络和GA-BP神经网络预测得到的平均相对误差, 进一步验证了RVM模型能够提高预测精度的准确性和稳定性。

为快速获取及评价混凝土的综合性能，选取影响混凝土综合性能的6个主要因素为输入数据，混凝土综合性能(28 d强度、坍落扩展度及表观密度)为输出数据，建立基于相关向量机(RVM)的混凝土综合性能预测模型，对14组学习样本进行拟合训练，并对其余5组预测样本进行预测。结果表明：在相同的样本条件下，与BP神经网络模型进行对比，RVM模型预测精度更高，离散性更小；同时，与实际值相比，RVM模型预测的混凝土综合性能指标的平均相对误差均明显小于BP神经网络模型预测得到的平均相对误差，进一步验证了RVM模型对混凝土综合性能预测的可靠性，具有较好的推广价值。

为了更充分地发挥对地攻击型无人机的作战潜力，提出了一种基于萤火虫优化算法 (FOA)与相关向量机 (RVM) 的无人机作战效能评估模型。首先，根据无人机特点和战场需求，从数理统计角度建立了对地攻击型无人机作战效能评估指标体系; 然后，针对单一核函数的不足，采用多项式核函数和高斯核函数为RVM构造了混合核函数; 最后，基于所构建的评估指标体系，采用FOA算法优化多核RVM的相关参数，构建对地攻击型无人机作战效能评估模型。仿真分析表明，该模型取得了较高的评估精度，在各项评价指标上均优于单一的高斯核或多项式核的RVM模型，从而证实其有效性和可行性。

为提高激光诱导击穿光谱技术对土壤元素检测的精度,建立了相关向量机土壤元素定量分析模型,并将该模型与已有的支持向量机模型和最小二乘支持向量机模型进行对比分析。以土壤元素Ni的4条特征谱线作为分析线,对其进行全谱归一化处理后,利用训练样品集建立相关向量机、支持向量机和最小二乘支持向量机模型。测试样品集的测试结果表明:在模型预测精度方面,支持向量机模型比另两种模型方法差;在稳定性方面,最小二乘支持向量机模型比另两种模型差。在实际应用中,相关向量机模型在稳定性及预测精度上的优势使其比另两个模型更适合用于激光诱导击穿光谱技术的定量分析中。

太赫兹频谱对分子非局域振动模式的变化较为敏感。 因此, 其波形容易受到多种理化因素的影响, 会产生峰值改变、 频移, 甚至整体波形的变化, 单一地从固定峰值特征与物质的对应关系上进行组分分析和物质鉴别容易产生较大误差甚至错误。 针对此问题, 提出区别于局部特征提取方法的基于核优化相关向量机（KO-RVM）的整体图形特征提取方法, 并与支持向量回归算法（SVR）进行比较。 结果表明, 经过期望最大化算法进行基函数参数控制的RVM适用于太赫兹透射谱的特征提取, 可对每种物质的光谱数据进行稀疏表示, 控制提取图形特征的数量。 利用已提取特征构造的模型能够还原频谱曲线的整体特征, 对谱线各频段的拟合效果更加一致, 同时所提取的特征还可作为不同物质间太赫兹光谱相似性度量和共同特征发现的依据。

针对支持向量机应用于机载LiDAR点云数据分类时存在的模型稀疏性弱、预测结果缺乏概率意义、核函数必须满足Mercer定理等缺点, 提出了一种基于相关向量机的LiDAR点云数据分类算法。在分析稀疏贝叶斯分类模型及参数推断、预测基础上, 利用拉普拉斯方法将相关向量机分类问题转化为回归问题, 通过最大化边缘似然函数估计超参数, 选择序列稀疏贝叶斯学习方法提高训练速度, 构造一对余、一对一分类器实现点云数据多元分类研究。选择Niagara地区及非洲某地区的LiDAR点云数据进行实验, 实验结果验证了基于相关向量机的点云分类方法的优势。

为了融合多光谱图像空间信息和高光谱图像光谱信息，进而提高高光谱图像的空间分辨率，提出了一种基于相关向量机(RVM)的高光谱图像超分辨率算法。介绍了多光谱与高光谱图像通过融合获得超分辨率图像的算法原理，对RVM回归原理进行分析介绍。结合RVM在回归分析上的优势，提出了利用RVM建立多光谱图像与高光谱图像之间的内在的空间及光谱对应关系，通过融合两种图像的信息来提高图像的分辨率。实验结果表明：归一化均方根误差小于0.001,光谱角误差小于0.02,较Price、Elbakary法有较大提升。本文提出的方法对高光谱图像重建具有良好的效果，可为分类、目标检测和识别提供更合适的数据源。

采用中红外光谱分析技术对香菇产地进行识别研究, 并将相关向量机(relevance vector machine, RVM)算法应用于中红外光谱判别分析之中, 取得了较好的效果。 通过采集香菇粉末的中红外透射光谱, 去除光谱噪声明显部分, 对剩下的3 581～689 cm-1透射谱线采用多元散射校正(multiplicative scatter correction, MSC)进行预处理, 并基于预处理谱线建立了香菇产地识别的偏最小二乘判别分析(partial least squares-discriminant analysis, PLS-DA)、 簇类独立软模式分类(soft independent modeling of class analogy, SIMCA)、 K最邻近算法(K-nearest neighbor algorithm, KNN)、 支持向量机(support vector machine, SVM)、 RVM模型等五种判别分析模型。 所有模型的识别正确率均高于80%, KNN, SVM和RVM判别分析模型取得了相近的结果, 建模集和预测集识别正确率高于90%。 基于全谱的PLS-DA模型的加权回归系数, 利用加权回归系数法选取了6个特征波数, 并基于特征波数建立了PLS-DA, KNN, SVM和RVM模型。 基于特征波数的PLS-DA模型的建模集和预测集识别正确率均低于80%, 而KNN, SVM和RVM模型的建模集和预测集的识别效果相近, 且都高于90%。 基于全谱和特征波数的模型中, RVM算法表现出较好的效果, 识别正确率优于90%。 结果表明, 基于中红外光谱技术能用于香菇产地的识别, 特征波数的选择以及RVM算法可以有效的用于中红外光谱判别分析中。 本文成功将中红外光谱用于香菇产地识别研究, 为香菇品质以及其他农产品品质分析提供了一种新的想法, 具有实际意义。

针对地表水质的复杂性以及紫外光谱数据维数高、 谱带重叠严重的特点, 提出将相关向量机算法应用于硝氮的连续紫外光谱分析, 实现了对实际污水硝氮的快速准确无污染检测。 首先介绍了相关向量机算法原理, 然后在分析制药污水紫外吸收光谱的基础上选取230～245 nm紫外吸光度数据用于建模, 应用多元线性回归、 偏最小二乘方法、 经典支持向量机方法(SVM)和相关向量机方法分别建立硝氮回归模型并比较分析模型性能。 实验结果表明: 相关向量机模型预测更准确, 模型更稀疏, 预测速度快, 检测结果的相对满量程误差控制在4.5%以内, 适用于对复杂组成成分的实际污水硝氮的有效快速检测。