导读:本文包含了高斯过程论文开题报告文献综述、选题提纲参考文献及外文文献翻译,主要关键词:高斯,过程,自适应,参数,力矩,微分方程,神经网络。
高斯过程论文文献综述
曹文梁,康岚兰[1](2019)在《高斯过程回归超参数自适应选择粒子群优化算法》一文中研究指出超参数优化是减少高斯过程回归(Gaussian process regression,GPR)学习方法计算量,提高高斯模型性能的一个重要问题。为解决超参数优化问题中先验知识匮乏,对初始值过分依赖且易陷入局部最优等问题,文章引入粒子群优化(particle swarm optimization,PSO)算法,并结合差分速度更新公式及自适应变异策略,提出了一种自适应差分粒子群-高斯过程回归优化(adaptive differential particle swarm optimization-Gaussian process regression,ADPSO-GPR)算法对GPR中超参数进行自适应优化。该算法在线性与非线性两类时序回归序列上与多种主流超参数优化算法进行对比,实验结果表明,采用该文算法优化超参数后的GPR具有较高的拟合精度及泛化能力。(本文来源于《合肥工业大学学报(自然科学版)》期刊2019年11期)
陈晨,廖奇峰,王皓[2](2019)在《含随机参数的偏微分方程的自适应高斯过程求解器》一文中研究指出对于数值求解含随机参数的偏微分方程的问题,本文基于以高斯过程为核心的求解器提出了一种自适应挑选训练数据的求解模型.该模型从极少的初始训练数据集出发训练高斯过程求解器,将参数池中预测方差指示变量最大的参数及其对应的偏微分方程的高精度解加入训练数据集中,然后重复上述过程,直到所训练出来的高斯过程求解器在测试数据集上达到所要求的精度.此外,本文还将该自适应模型在带有二维随机参数的扩散方程上进行测试,结果表明所提出的自适应选点策略有效,模型的预测准确度随着训练数据的增加而迅速提高,最终只需要40个训练数据即可在测试数据集上达到要求的精度.(本文来源于《四川大学学报(自然科学版)》期刊2019年06期)
刘晓芳,刘策,刘露咪,程丹松[3](2019)在《重迭局部高斯过程回归》一文中研究指出高斯过程是一种函数的分布,在机器学习领域常用于回归.对于n个训练样本,其训练和预测时间复杂度分别为O(n~3)和O(n~2),因此难以应用于大规模数据.针对这个问题,本文基于分治的思想,提出一种简单高效的近似模型,称为"重迭局部高斯过程".本文方法假设随机变量在给定邻近变量的值后,会与距离较远的变量条件独立.首先将训练样本集递归划分,构建一棵叁叉树,其中兄弟节点包含的样本存在交集,交集中的样本起到诱导点的作用,可构建相邻区域的依赖关系.然后利用每个叶子结点所包含的样本建立局部的高斯过程回归模型,在当前假设下,每个父节点的边缘似然和预测分布可通过组合其子节点的计算结果来近似,从而降低计算量.同时,这种组合方式可保证拟合的函数是连续的.理论分析表明,对于n个训练样本,近似模型训练和预测的时间复杂度均为O(n~t),其中t与交集的大小相关,通常介于1与2之间.此外通过在公共数据集上的实验对比也验证了本文近似模型的有效性.(本文来源于《哈尔滨工业大学学报》期刊2019年11期)
董军超,陈津虎,胡彦平,杨学印[4](2019)在《基于逆高斯过程的加速退化试验失效机理一致性判定》一文中研究指出针对加速退化试验中逆高斯过程的特点,建立基于逆高斯过程的加速退化试验失效机理一致性判定方法。首先考虑带有随机波动影响的逆高斯过程模型,给出针对单个样本退化数据及融合所有样本退化数据的极大似然函数,进而得到逆高斯模型假设下参数的极大似然估计。其次结合加速试验失效机理一致性理论,基于加速系数不变原则给出逆高斯过程模型参数应满足的条件,并利用t统计量对加速过程进行失效机理一致性检验。最后,在案例中应用本文方法对某电子器件的应力松弛数据进行了统计分析。(本文来源于《强度与环境》期刊2019年05期)
王郝,刘海瑞,邹上元,刘艳梨[5](2019)在《SCARA机器人高斯过程动力学建模研究》一文中研究指出实现机器人的精确控制需要将机器人动力学模型加入控制律中,但是动力学建模过程中引入的测量误差以及摩擦力、驱动器动力学特性等非线性因素会引起较大的建模误差,从而影响机器人的控制精度。针对这个问题,以SCARA机器人为研究对象,采用高斯过程回归方法,直接通过SCARA机器人的输入与输出量对其逆向动力学模型进行估计。并将估计模型用于机器人的计算力矩控制。通过ADAMS和Simulink联合仿真的方式,对基于回归预测模型的计算力矩控制与采用解析模型的计算力矩控制进行了仿真对比实验,结果表明基于高斯过程回归模型的计算力矩控制有更好的位置跟踪效果。(本文来源于《机械设计与制造》期刊2019年10期)
陈凯[6](2019)在《面向多任务模式学习与外推的自适应高斯过程算法研究》一文中研究指出在机器学习中,自适应多任务模式学习和外推算法可以广泛应用在气候预测、市场波动预警、环境监测、河流流量变化估计等物联网场景中。近年来,多任务高斯过程MTGPs(Multi-task Gaussian Processes)在学习任务间的协同关系和多任务并发预测上取得了显着的进展,比如:从线性结合相互独立的单任务高斯过程模型到直接对任务间的交叉协方差结构建模,使其可以有效地同时对多任务进行自适应模式学习,因而提高了多任务并发预测的精度。值得注意的是,所有这些具有代表性的MTPGs都必须对任意变量间两层相关关系进行编码,分别是单任务输入空间内随机变量的相关关系和任务间的协同关系,但是现有方法SM(Spectral Mixture)、GPRN(Gaussian Process Regression Network)、CSM(Cross Spectral Mixture)在可表达性和可解释性上还需进一步提升,MOSM(Multi-output Spectral Mixture)则存在多任务与单任务的兼容性问题,而这些问题都影响了自适应多任务模式学习和外推预测的准确率。为了纠正和更好地数学描述这两层相关关系,本论文提出了一种结构化可解释的通用卷积谱混合成分核函数GCSM(Generalized Convolution Spectral Mixture)来构造单任务高斯过程,然后利用这种核函数的交叉卷积机制将其平滑扩展到多任务高斯过程学习的场景中,从而得到了MOCSM(Multi-output Convolution Spectral Mixture)和GCSM-CC(Generalized Convolution Spectral Mixture with Cross Coregionalization)。首先,在高斯过程(Gaussian Processes,GP)机器学习中,表示能力较强的谱混合成分核函数SM可以自适应地从数据中发现模式、进行外推甚至描述变量间的负协方差。由于SM仅仅只是准周期高斯成分的线性加权级数,使得SM难以明确地表示这些成分间的依赖关系。本论文研究了SM成分间的依赖关系、依赖关系的时延和相位特点以及这些依赖关系的作用。通过分析后验协方差和代表性的实例,本论文提出了一种框架来分析这种依赖关系的存在性。进一步扩展SM使其可以明确地表示SM成分间的依赖关系,在本论文称之为GCSM。构造满足正定条件的GCSM可以分为两个步骤:1.改造SM成分成为使其可以包含时延θ和相位?,然后利用卷积将改造后的SM成分开根号分解为基成分;2.构造基成分之间交叉相关系数,本质上等同于交叉卷积,该交叉相关系数经过傅里叶变换后成为交叉谱密度。在该方法中,SM仅仅考虑到了基成分的自卷积。如果不考虑时延和相位,相比SM,GCSM没有额外增加超参数的数量。无论是在合成数据集还是在真实数据集上,全面的实验分析和比较表明对SM成分的依赖进行表示可以有效提高GP的自适应学习能力和外推性能,同时还可以利用交叉验证技术来设置依赖关系中是否包含时延和相位。这种性能提升在对自然现象的建模中特别明显,因为自然现象往往较少受到人类活动的干扰,而受到物理因素的相干干涉影响较大。其次,受到GCSM的启发,本论文利用交叉卷积来构造了一个新的多通道多输出卷积谱混合成分核MOCSM来解决多通道多输出高斯过程的自适应学习,在这里多通道多输出高斯过程和多任务高斯过程本质一样,一个通道输出对应于一个任务。在MOCSM中,利用交叉卷积来表示不同通道间的依赖关系,该依赖关系也具有时延和相位特点。MOCSM可以同时预测多个输出通道,并且具有更好的性能和兼容性。通过在合成数据集和实际物联网数据集上的全面实验表明MOCSM在自适应学习能力上具有明显的优势并且超过当前的最新模型。特别是,考虑一种特殊情况,即当只有一种输出通道需要拟合时,MOCSM可以完美的降级为SM,这是其他的模型所不具备的。与最近提出的MOSM模型做全面对比,在MOSM的幅度信息中混合了信号方差(signal variance)和距离缩放因子(length scale),当不同通道中的谱密度比较相似时,MOSM会产生不合理的局部协方差缩放效果。因此,显然MOCSM具有更好的自适应兼容性和普适性。然后,本论文进一步分析了MTGPs中的高斯过程回归网络框架GPRN,并且针对任务间的协同关系提出了一种参数化解释。GPRN用神经网络来表示多任务建模的协同关系,而在所有基于GPRN的方法中,全部使用了多个通道(神经元)的线性加权和来描述单个任务输入空间的变量关系和任务间的协同关系,而忽略了通道间的交互耦合。鉴于此,本论文赋予该神经网络的多个通道间存在依赖关系并对其进行编码。本论文提出了一种新的基于神经网络的多任务高斯过程模型,该模型可以同时模拟两层依赖关系,分别是单任务输入空间内随机变量内在成分间的依赖(即变量内在依赖)和任务间不同协同关系通道的依赖(任务交叉依赖),该模型提升了现有方法的可表达性和可解释性。具体而言,本论文利用交叉卷积来描述GPRN神经网络中各独立通道(神经元)之间的变量内在依赖,其中每个通道都由一个SM成分来描述,再利用耦合区域协同来描述任务间交叉依赖。这两个层次的依赖建立了一种信息管道使得GPRN神经网络中不同的神经元之间可以通信。本论文把这种对GPRN神经网络中神经元之间依赖关系进行显式建模的方法称为通道交叉卷积和耦合区域协同的高斯过程回归网络GCSM-CC。以上方法兼顾了单任务和多任务高斯过程的不同特点,具有很好的兼容性、可解释性、可表达性、普适性和自适应模式学习能力。在合成数据集和物联网数据集上的大量实验表明,本论文提出的方法可以有效地实现单任务和多任务的未来趋势外推预测,相比于现有最新的方法,均表现出了更优的预测性能。(本文来源于《中国科学院大学(中国科学院深圳先进技术研究院)》期刊2019-10-01)
赵帅,史旭东,熊伟丽[7](2019)在《一种分层集成的高斯过程回归软测量建模方法》一文中研究指出针对一些化工过程呈现显着的非线性和多阶段特点,提出一种分层集成的高斯过程回归软测量建模方法。采用高斯混合模型将过程数据划分为不同的操作阶段;对各阶段的数据进行主元分析,依据各辅助变量在主元空间上的贡献度,将各阶段数据划分成若干子空间并建立相应的高斯过程回归模型;再对子空间模型输出进行均值融合,得到第一层集成输出;采用后验概率对各阶段局部预测进行融合,得到第二层集成输出。通过对工业数据的实验仿真,验证了所提方法的有效性。(本文来源于《系统仿真学报》期刊2019年10期)
张文[8](2019)在《基于高斯过程回归模型的发动机VVT参数标定》一文中研究指出在发动机标定中,VVT参数的标定对发动机能否良好运行起着举足轻重的作用,因VVT参数的变化对发动机的经济性和排放性有着显着性影响,然而传统VVT标定方法试验次数过多,占用项目周期,浪费试验设备资源。为改善此状况,基于高斯过程回归理论,通过试验设计科学地获得测量数据,构建发动机VVT参数与油耗模型,并在模型上完成VVT标定工作,缩短了VVT参数的标定周期,提高了标定效率。(本文来源于《工业控制计算机》期刊2019年09期)
赵荣荣,赵忠盖,刘飞[9](2019)在《基于k-近邻互信息的发酵过程高斯过程回归建模》一文中研究指出发酵过程中基质浓度往往无法在线测量,采用高斯过程回归(GPR)建立基质浓度的估计模型,实现了其软测量。不同于传统软测量方法对基质浓度的估计,该方法不仅可以得到估计值,还能够得到其估计方差。考虑到发酵过程中各变量之间的非线性、相关性,为了提高模型的预测性能,在模型建立之前首先用k-近邻互信息(k-MI)辅助变量选择方法对模型的输入变量进行选择。从青霉素发酵过程的应用结果来看,采用kMI-GPR方法取得了较好的估计效果。(本文来源于《化工学报》期刊2019年12期)
蒋波涛,黄新波[10](2019)在《基于高斯过程回归的临界热流密度预测》一文中研究指出准确地预测临界热流密度(CHF)对于反应堆的安全和运行十分重要。针对现有人工神经网络(ANNs)预测方法所存在的缺点,提出一种基于高斯过程回归(GPR)的CHF预测方法。首先对获取的当地条件下CHF数据进行预处理,将数据划分为训练集和测试集;然后,利用训练数据对GPR模型进行训练,并得到最优超参数;再利用训练好的GPR模型对CHF进行预测,并将结果与径向基神经网络(RBFNN)进行比较,同时分析了重要参数对CHF的影响趋势。结果表明,与RBFNN相比,GPR模型的预测结果具有更高的预测精度和更小的误差,且与对应的实验值吻合较好,其参数趋势符合通用的趋势变化规律。(本文来源于《核动力工程》期刊2019年05期)
高斯过程论文开题报告
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
对于数值求解含随机参数的偏微分方程的问题,本文基于以高斯过程为核心的求解器提出了一种自适应挑选训练数据的求解模型.该模型从极少的初始训练数据集出发训练高斯过程求解器,将参数池中预测方差指示变量最大的参数及其对应的偏微分方程的高精度解加入训练数据集中,然后重复上述过程,直到所训练出来的高斯过程求解器在测试数据集上达到所要求的精度.此外,本文还将该自适应模型在带有二维随机参数的扩散方程上进行测试,结果表明所提出的自适应选点策略有效,模型的预测准确度随着训练数据的增加而迅速提高,最终只需要40个训练数据即可在测试数据集上达到要求的精度.
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
高斯过程论文参考文献
[1].曹文梁,康岚兰.高斯过程回归超参数自适应选择粒子群优化算法[J].合肥工业大学学报(自然科学版).2019
[2].陈晨,廖奇峰,王皓.含随机参数的偏微分方程的自适应高斯过程求解器[J].四川大学学报(自然科学版).2019
[3].刘晓芳,刘策,刘露咪,程丹松.重迭局部高斯过程回归[J].哈尔滨工业大学学报.2019
[4].董军超,陈津虎,胡彦平,杨学印.基于逆高斯过程的加速退化试验失效机理一致性判定[J].强度与环境.2019
[5].王郝,刘海瑞,邹上元,刘艳梨.SCARA机器人高斯过程动力学建模研究[J].机械设计与制造.2019
[6].陈凯.面向多任务模式学习与外推的自适应高斯过程算法研究[D].中国科学院大学(中国科学院深圳先进技术研究院).2019
[7].赵帅,史旭东,熊伟丽.一种分层集成的高斯过程回归软测量建模方法[J].系统仿真学报.2019
[8].张文.基于高斯过程回归模型的发动机VVT参数标定[J].工业控制计算机.2019
[9].赵荣荣,赵忠盖,刘飞.基于k-近邻互信息的发酵过程高斯过程回归建模[J].化工学报.2019
[10].蒋波涛,黄新波.基于高斯过程回归的临界热流密度预测[J].核动力工程.2019