基于计算机模拟与高斯过程回归的优化设计方法

为充分利用计算机试验数据,本文提出了一种基于计算机模拟的优化设计方法。该方法由正交试验设计、高斯过程回归及序列二次规划组成。其中,应用有限元软件进行正交试验,通过高斯过程回归建立输入响应关系,采用SQP算法求解优化模型。经实例验证,计算结果合理,优化方法有效,从而能够减少计算机模拟的次数,提高设计效率。     

基于高斯过程回归的三轴磁传感器校正方法研究

针对三轴磁传感器的转向差校准,本文提出基于高斯过程回归的误差补偿方法,在均匀磁场环境下多次旋转得到磁测数据,通过高斯过程回归拟合传感器磁测数据与真实磁场之间的映射关系,完成三轴磁传感器的校正.仿真和实验结果均证明该算法对小样本数据具有良好的校正效果,同时分析对比了几种常见核函数对校正性能的影响,进一步验证高斯过程回归法对磁传感器校正的有效性,将磁测数据的最大峰峰值误差从1168.44 nT降低到2.75 nT,显著降低了三轴磁传感器的测量误差.     

一种基于EGMM的高斯过程回归软测量建模

提出了一种基于误差高斯混合模型（EGMM）的高斯过程回归（GPR）软测量方法．首先,选择合适的变量组成误差数据集,利用贝叶斯信息准则优化得到合适的高斯成分的个数;然后用EGMM对误差数据进行拟合计算得到条件误差均值和方差的表达式;最后当新的数据到来时,用建立的GPR模型进行输出预测,并利用EGMM模型得到的条件误差均值对输出进行补偿,从而得到更加精确的建模结果．通过数值仿真及硫回收装置（SRU）的H₂S浓度的软测量,进一步验证所提算法的可行性和有效性．     

高斯过程集成算法的发酵过程软测量建模

针对谷氨酸发酵过程一些关键参数不能在线测量而导致的建模精度不高的问题,Bagging和高斯过程回归算法相结合,提出一种基于Bagging算法集成高斯过程的软测量建模方法。该算法使用Bagging技术从训练样本集中选取若干子训练样本集,利用该若干子集形成许多高斯过程模型,并通过平均组合方式进行集成,得到最终的模型输出。将该集成算法应用到谷氨酸发酵过程的软测量建模中,实现了对谷氨酸浓度的准确预测,相对于单一高斯过程模型,具有更高的预测精度和鲁棒性。     

基于高斯过程回归和信息分析法的常压塔操作优化

针对常压塔操作优化问题,通过高斯过程回归建立常压塔的元模型,并用信息分析法进行迭代计算,最终获取常压塔的最优操作条件。用2个实验验证了该算法的有效性:(1)固定常压塔三侧线产品的全塔效益最大化;(2)全塔综合效益最大化。从结果中可以看到,采用高斯过程回归建立常压塔模型进行优化,能够提高常压塔的经济效益。     

高斯过程回归方法综述

高斯过程回归是基于贝叶斯理论和统计学习理论发展起来的一种全新机器学习方法,适于处理高维数、小样本和非线性等复杂回归问题。在阐述该方法原理的基础上,分析了其存在的计算量大、噪声必须服从高斯分布等问题,给出了改进方法。与神经网络和支持向量机相比,该方法具有容易实现、超参数自适应获取以及输出具有概率意义等优点,方便与预测控制、自适应控制、贝叶斯滤波等相结合。最后总结了其应用情况并展望了未来发展方向。     

基于高斯过程回归的多姿态人脸识别

针对在人脸识别中,人脸姿态的变化会对识别结果造成严重的干扰这一问题,以及目前绝大多数人脸识别系统仅支持标准正脸的识别这一现状,基于高斯过程回归分析侧脸轮廓到正脸轮廓的映射关系,提出一种处理侧角在水平-45°到+45°之间的人脸图片的方法,显著地提升了人脸识别系统对侧脸图片的识别率。在Mulit-Pie和FERET两个人脸数据库上进行的多次识别实验表明了该方法的有效性。     

高斯过程回归的近似方法及其应用

作为机器学习的一个分支,高斯过程回归在近年来越来越受到重视,在诸多领域得到了广泛的应用;该方法适用于非线性系统的建模,并可以自动在模型的复杂度和建模精度之间进行权衡;但是由于计算复杂度较高,其难以直接被应用于大数据量的学习任务,因此,很多近似方法被发展出来以降低其计算成本;根据是否将训练数据划分为子集,高斯过程回归的近似方法可以被分为全局近似方法和局部近似方法;文章首先阐述了高斯过程回归的理论基础,接下来对全局和局部这两种近似方法进行了分析,然后介绍了其在实际应用中的情况,特别是在软测量和控制领域,最后进行了总结和对其未来研究方向的展望。     

基于自校正回归神经元网络的预报建模

讨论了回归神经元网络（ＲＮＮ）的网络结构和基本实现方法，提出了主元分析（ＰＣＡ）和具有自校正功能的回归神经元网络相结合的非线性时变系统预报建模方法，并用于减压塔塔顶温度的预报．结果表明，该方法具有良好的预报性能．     

基于高斯过程回归的网络流量预测模型

针对传统网络流量预测精度低难题,为了获得理想的网络流量预测结果,提出一种基于高斯过程回归(GPR)的网络流量预测模型。该模型首先计算延迟时间和嵌入维数,构建高斯过程回归的学习样本;然后采用高斯过程回归对网络流训练集进行学习,并采用入侵杂草优化对高斯过程回归的参数进行优化;最后采用经典的网络流量测试集对该模型性能进行实验测试。实验结果表明,高斯过程回归模型提高了网络流量的预测精度。     

基于高斯过程回归的上市股价预测模型

在新股上市价格的科学优化预测问题的研究中,由于金融数据复杂,特别是新股价格存在极强的无序性。传统股票价格预测方法只能采用线性变化规律进行准确预测,无法对非线性股票价格进行有效建模,降低股价预测精度。为了提高股票价格预测精度,提出一种高斯过程回归的新股上市价格预测模型,通过提取影响新股上市价格形成的指标因素,用其训练纳斯达克(NASDAQ)新股上市价格的历史数据,以粒子群算法优化高斯过程的超参数来预测新股上市价格。将8家公司的上市股票作为实例进行分析,预测结果表明,高斯过程回归的方法提高股票价格预测精度,能够有效地适用于新股上市价格预测。     

台风最大风速预测的高斯过程回归模型

针对影响台风最大风速的输入变量较多以及输入变量与输出变量之间的非线性变化特点,首先计算各个输入变量与输出变量间的互信息,这些互信息间接地反映了各个输入变量与输出变量间的相关性;然后根据t检验法确定一个阈值,对于互信息小于阈值的输入变量作不相关变量处理,筛选出最佳的模型输入变量;最后采用高斯过程回归模型对筛选后的样本集进行拟合,在贝叶斯非参数建模的框架下,确定高斯过程回归模型的协方差函数.仿真结果表明,所得高斯过程模型能够满足绝对误差的预定要求,且具有较大的实用价值.     

一种基于高斯过程回归的AUV自适应采样方法

针对区域海洋特征环境快速观测的需求,提出了一种基于高斯过程回归的小型自主水下机器人(AUV)自适应采样方法.首先,通过比较高斯过程回归(GPR)中使用不同的回归推理方法的估计准确度和计算效率,确定AUV的合适采样间隔时间;在此基础上,根据AUV实时观测的数据进行GPR分析,预测未观测区域环境数据,并通过计算预测区域梯度极值和预测不确定度引导AUV进行在线路径规划;最后使用该方法,对具有不同特征分布的区域环境观测过程进行仿真.结果显示,本方法与常规方法相比,能够更高效地获得观测区域的低误差特征分布估计,更快地获得观测区域热点区特征,更好地适应观测区域特征分布不同的情况.     

选用改进高斯过程回归模型的碳排放短期预测

针对于采矿过程中以电机为研究对象的碳排放来源的复杂性以及其影响因素的多样性所引起的碳排放短期预测精度不高的问题,结合灰色理论提出一种基于改进高斯过程回归模型的铅锌矿采矿过程碳排放预测方法。对碳排放来源及其影响因素进行分析,用灰色理论进行聚类分析以归并同类因素;根据灰色关联性分析得到主要影响因素;因传统高斯过程回归模型直接选定协方差函数的方式易导致与研究对象的物理过程拟合度不够高的问题,因而提出了一种依据先验知识的协方差函数选择方式,将四种常用协方差函数建模的训练结果作为反馈,结合极大似然估计法、最小二乘法和蒙特卡洛法参数估计的对比结果得到与研究对象拟合度最高即预测误差最小的协方差函数,进而得到预测效果最好的改进模型。经实验证明,基于该种方法选择协方差函数的模型相较于其他常规预测模型能更精确地预测铅锌矿采矿过程的碳排放量,其预测误差更小。     

基于拍卖理论和高斯过程回归学习的频谱分配算法

针对认知无线网络中认知用户的频谱分配问题,提出了一种基于拍卖理论和高斯过程回归学习的频谱分配算法。该算法基于VCG拍卖模型,考虑认知用户对通信质量的要求,构造出更有效的收益函数。在频谱拍卖过程中,认知用户通过学习拍卖历史数据预测其他认知用户的竞价,并最优化其竞价策略。频谱拍卖人根据各认知用户提交的竞价来分配频谱资源。理论分析和仿真结果证明了该算法是有效的,并且能够提高频谱利用率和认知用户的收益。     

基于两阶段高斯过程的天线建模方法

针对高斯过程机器学习解决电磁问题,提出了两阶段高斯过程的天线建模方法,共包含两个阶段,在第一阶段,学习天线的粗细模型之间的映射关系,从而在第二阶段建立起高精度细模型的实际代替模型,在降低天线高精度输入训练数据的计算代价上效果显著。将两阶段高斯过程建模方法应用在倒F天线的优化问题和双频PIFA天线的谐振频率预测问题中,通过选取细模型数据占总训练数据的不同比例,比较它们的多种误差,从而验证该两阶段高斯过程天线建模方法的有效性和准确性。     

一阶高斯自回归过程参数估计的中心极限定理

该文首先介绍了一阶高斯自回归过程参数的Yule-Walker估计的中心极限定理,然后论述了Yule—Walker估计的中偏差。     

基于变量选择与组合协方差的GPR建模方法及其应用

针对工业污水处理过程的复杂性和明显的非线性特征,关键的水质指标生化需氧量往往无法实时在线监测,提出了组合协方差的高斯过程回归(combined covariance Gaussian process regression,CGPR)建模方法来建立生化需氧量预测模型,捕捉污水数据中主导变量与辅助变量的线性和非线性关系.考...