相关性向量机(RVM)是一种机器学习技术,它使用贝叶斯推理来获取回归和概率的简约解。 与支持向量机(SVM)相比,RVM的贝叶斯公式避免了SVM的自由参数集。 然而,当应用于高光谱数据时,RVM的分类精度不高。 提出了一种基于RVM的分类方法。 该方法结合了主成分分析(PCA)和线性判别分析(LDA)以减少高光谱数据的维数。 首先,将PCA用于一维降维,并获得非奇异的类内散布矩阵。 其次,将LDA应用于第二维降维,大大减少了计算量。 最后,将相关向量机模型应用于遥感图像分类。 本文使用了1992年印度松的高光谱数据。 实验结果表明,该方法不仅提高了RVM和PCA-RVM的整体精度,而且扩大了类间距离与类内距离的比值。