相关向量回归(Relevance Vector Regression,RVR)是机器学习领域一种旨在拟合目标数据的重要学习方法,因其具有稀疏性、全局最优性和能够利用核函数解决非线性问题等特点而备受关注。本文研究在线增量相关向量机数据预测研究的理论和方法,以相关向量机和增量学习为基础,建立相关向量机稀疏概率模型,提出高精度自适应增量在线学习机制,实现有效提高相关向量机建模精度和在线学习预测实时性与可靠性的目标。主要研究工作如下:(1)基于相关向量回归增量学习(IRVR)算法提出一种L增量相关向量回归(LIRVR)算法,该算法主要针对因IRVR中相关向量丢失所产生的不利影响,通过保留相关向量样本而淘汰非相关向量样本,加强相关向量在增量学习过程中的作用,同时降低了算法的时空复杂度。在人工数据集中,通过相关测试,验证了该算法在预测精度与效率上的可行性。(2)在增量学习过程中,通过研究样本集中每个样本自身的特性,充分挖掘样本的分布信息和误差信息,并在此基础上提出代表样本特性的局部密度因子和误差因子,然后将样本特性嵌入到LIRVR算法中,提出基于样本特性的相关向量回归增量学习(SCBIRVR)算法。该算法充分考虑样本特性,保证了算法对数据的有效性。(3)光纤光栅传感器相比于电类等传感器,具有精度高、无电传输、抗电磁干扰等优点。将SCBIRVR算法应用于基于光纤光栅的高铁轨道安全监测系统中,不仅能够实时监测高铁运行状况,获得可靠的运行数据,而且可以在监测高铁运行状况的同时,利用算法学习后得到的模型,对高铁健康状况进行预测,具有安全预警作用,取得了较好的效果。