002 matlab GPR高斯过程回归案例及工具箱

看那片云

于 2022-08-17 08:49:58 发布

阅读量2.3k

点赞数 1

分类专栏： matlab数学建模与工程应用实例1000篇文章标签： matlab 回归开发语言

本文链接：https://blog.csdn.net/alsj123456/article/details/126378021

版权

matlab数学建模与工程应用实例1000篇专栏收录该内容

3 篇文章 5 订阅

订阅专栏

本文介绍了高斯过程回归（GPR）的基本概念及其在时间序列预测中的应用。通过加载数据并设置均值函数、协方差函数和似然函数，利用GPR进行回归预测，并展示了预测结果和残差分析。高斯过程回归的特点在于其样本间的相关性通过协方差矩阵体现，适合处理具有相关性的数据。

摘要由CSDN通过智能技术生成

GPR高斯过程回归案例及工具箱

代码压缩包见下载链接

高斯过程（Gaussian Process, GP）是随机过程之一，是一系列符合正态分布的随机变量在一指数集（index set）内的集合。主要用于符合多元高斯分布的多元数据拟合。
高斯过程样本与一般机器学习的样本区别在于，高斯过程中样本各特征之间存在相关关系，这种相关关系是通过协方差矩阵来体现的。比如在一些时间序列模型里面，各个变量输出的时间序列在时间前后都会体现出一种相关性（比如平滑过渡等），这种模型输出就很适合使用高斯过程来模拟。
在这里插入图片描述

%%%%%%%%%%      Gaussian Process Regression (GPR)               %%%%%%%%%
% Demo: prediction using GPR
% ---------------------------------------------------------------------%
 
clc
close all
clear all
addpath(genpath(pwd))
 
% load data
%{
x :   training inputs
y :   training targets
xt:   testing inputs
yt:   testing targets
%}
 
% multiple input-single output
load('./data/data_1.mat')
 
 
% Set the mean function, covariance function and likelihood function
% Take meanConst, covRQiso and likGauss as examples
 
meanfunc = @meanConst;
covfunc = @covRQiso; 
likfunc = @likGauss; 
 
% Initialization of hyperparameters
hyp = struct('mean', 3, 'cov', [0 0 0], 'lik', -1);
 
 
% meanfunc = [];
% covfunc = @covSEiso; 
% likfunc = @likGauss; 
% % Initialization of hyperparameters
% hyp = struct('mean', [], 'cov', [0 0], 'lik', -1);
 
 
% Optimization of hyperparameters
hyp2 = minimize(hyp, @gp, -20, @infGaussLik, meanfunc, covfunc, likfunc,x, y);
 
% Regression using GPR
% yfit is the predicted mean, and ys is the predicted variance
[yfit ys] = gp(hyp2, @infGaussLik, meanfunc, covfunc, likfunc,x, y, xt);
 
% Visualization of prediction results
plotResult(yt, yfit)