2015-《Sparse Gaussian Process Regression for Compliant, Real-Time Robot Control》

最新推荐文章于 2024-05-06 03:22:44 发布
最新推荐文章于 2024-05-06 03:22:44 发布
阅读量1.3k 收藏 4
点赞数
分类专栏： 机器人路径规划
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/kl1411/article/details/58319686
版权
发表在《 ICRA》上

稀疏高斯过程回归(GPR)模型，在大数据集的回归上，提供了一个有效的方法。其主要思想是，在可用的训练数据中，选择一个代表性的子集，然后用于GPR近似模型。

过去，用于GPR近似模型的数据选择标准有很多，但是都不够好，或者精确度不够，或者计算成本高。

这篇文章提出了一个新的选择标准，成功选择训练点用于GPR模型。该新算法又快又有效的选择。

在评估阶段，文章用了大数据集来做，充分证明了该近似GPR模型能快速对机器人控制进行实时预测。对比现有的很好的技术，该文章能做到更快和更好的迭代精度。

稀疏高斯过程回归如下：









用最大误差贪婪标准来选择集合


对超参数的增量式学习


评估结果


WX Chen
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
深度探索：机器学习中的高斯过程回归（Gaussian Process Regression, GPR）算法原理及其应用
qq_51320133的博客
04-20 2950
高斯过程回归作为一种基于高斯过程理论的非参数回归方法，以其优秀的建模能力、不确定性量化优势，在众多领域展现出广泛的应用价值。尽管面临计算复杂度高、核函数选择与超参数 tuning等问题，但随着计算技术的进步（如GPU加速、分布式计算）和新型核函数的研究（如深度高斯过程、稀疏高斯过程），GPR在处理大规模数据、复杂模型等方面的能力将持续提升。未来，结合领域知识与自动化超参数优化方法，高斯过程回归有望在更多实际问题中发挥关键作用，推动相关领域的智能化发展。
香港旅游需求预测的稀疏高斯过程回归模型
02-23
近年来，已经广泛研究了高斯过程（GP）模型来解决硬机器学习问题。 这些模型之所以重要，是因为它们具有使用Mercer内核和贝叶斯框架进行概率推理的灵活的非参数建模能力。 在本文中，我们提出了一种稀疏的GP回归（GPR）模型来预测香港的旅游需求。 GPR模型的稀疏化过程不仅降低了计算复杂度，而且提高了泛化能力。 我们用与香港旅游业有关的月度需求数据对提出的模型进行了实验，并将稀疏的GPR模型的性能与各种基于核的模型的性能进行了比较，以证明其有效性。 提出的稀疏GPR模型表明，其预测能力优于ARMA模型和两个最新的SVM模型。
稀疏变分高斯过程【超简单，全流程解析，案例应用，简单代码】
最新发布
刘文凯的博客
05-06 956
稀疏变分高斯过程（Sparse Variational Gaussian Processes, SVGP）是一种高效的高斯过程（GP）近似方法，它使用一组称为引入点的固定数据点来近似整个数据集。这种方法大大减少了高斯过程模型的计算复杂度，使其能够适用于大数据集。下面是SVGP的详细数学过程。在标准高斯过程中，给定数据集xiyii1N{(xi​yi​i1N​，目标是学习一个映射fff，其中f∼GPmkf∼GPmkmmm是均值函数，kkk。
说说高斯过程回归
weixin_34008784的博客
05-06 2057
说说高斯过程回归 作者介绍：新浪微博ID @妖僧老冯， 9月将赴南京大学（直博生），方向是机器学习与数据挖掘 编者：小便和作者打过几次交道，一直以为是他是已“修成正果”的某某博士，便“毕恭毕敬”地去邀请他写篇牛文。细聊之后才得知小伙子原来是90后，9月份才博士入学。这篇文章对GP进行了深度科普，数学公式是有一些的，但耐心读读，都不是问题的。高斯过程是机器学习领域一个基础的方法，同时又和其他方法...
Online Sparse Gaussian Process Based Human Motion Intent Learning for an Electrically Actuated Lower
quinn1994的博客
04-02 301
基于电驱动下肢外骨骼对人体运动意图的在线稀疏高斯过程学习。1）摘要下肢外骨骼最重要的一步是推断人体运动意图（HMI），这有助于实现人体外骨骼协作。由于用户是在控制回路中，人机交互（HRI）信息和HMI是非线性的，复杂的，难以用数学方法进行建模。利用机器学习方法可以学习非线性近似。高斯过程回归适用于高维和小样本非线性回归问题。由于计算复杂度，GP回归对大数据集是有限制的。本文构造了一种在线稀疏GP算...
稀疏频谱高斯过程
04-14
执行有效的回归。两种使用模式是可能的：训练和预测。如果没有给出测试数据，函数返回减去log似然（nlml）及其偏导数（派生nlml）wrt优化的超参数（优化参数），这个模式用于选择超参数，如果测试数据被给出，预测平均值和方差是计算出来的。
Gaussian Process for Regression--杨小白的初恋博文
杨明亮的博客
03-21 4824
Gaussian Process for Regression 对于服从高斯分布的数据，如何根据前面输入输出训练得到一个预测型从而送入一个输入量得到的那个值尽可能的逼近期望值，入下图所示根据前面六点输入输出求解x=0.2时候的对应值： 1、符号介绍 2、公式推导 3、核心代码 4、模型结果 5、总结 1、符号介绍 x已知范围内的样本值 x’与x不同的样本值，或预测值 回归函...
Spatial-Spectral Kernel Sparse Representation for Hyperspectral Image Classification
02-09
Kernel sparse representation classification (KSRC), a nonlinear extension of sparse representation classification, shows its good performance for hyperspectral image classification. However, KSRC only...
Python 稀疏矩阵-sparse 存储和转换
09-21
主要介绍了Python 稀疏矩阵-sparse 存储和转换的相关资料,需要的朋友可以参考下
Dictionary-learning-Sparse-representation-for-defect-detection:稀疏编码的缺陷检测＆http
05-10
字典学习缺陷检测的稀疏表示
Sparse-Linear-Regression
03-17
cd Sparse-Linear-Regression 演算法 迭代阈值方法/一阶方法（梯度下降）。 迭代软阈值算法（ISTA） 自适应迭代硬阈值（Ada-IHT） 二阶方法（自然gd，牛顿gd）+ IHT /硬阈值追踪（HTP）。 模拟 为了比较ISTA和...
matlab精度检验代码-ssgpr:批量和增量稀疏谱高斯回归
05-22
matlab精度检验代码特殊目的 该库实现了批处理和增量稀疏频谱高斯回归处理（SSGPR）。 批处理算法的详细说明可以在以下位置找到： 稀疏谱高斯过程回归。 Miguel Lazaro-Gredilla，Joaquin Quinonero-Candela，Carl Edward Rasmussen和Anibal R. Figueiras-Vidal。 在《机器学习研究杂志》（Journal of Machine Learning Research）中，2010年。 增量变式在以下内容中进行了描述： 使用增量稀疏谱高斯过程回归进行实时模型学习。 Arjan Gijsberts和Giorgio Metta。 在《神经网络》第41卷中，2013年。 安装 下载后，您可以通过程序包管理器安装ssgpr pip3 install . 或者如果不是直接通过setup.py使用的选项 python3 setup.py install --user 这两个命令都需要在基本目录中执行。 另外，您将需要numpy ， scipy和一个编译器。 这些脚本似乎可以在Python 2上安装并正常运行，但实际上并
Gaussian Processes for Regression: A Quick Introduction
03-08
Gaussian Process for regression a quick introduction
FFt.rar_DFT幅度谱_K._k-sparse n-point DFT
09-21
标题中的“FFt.rar_DFT幅度谱_K._k-sparse n-point DFT”指的是一个关于离散傅立叶变换（DFT）的讨论，特别是关注k稀疏（k-sparse）n点DFT的幅度谱特性。在这个场景下，k-sparse表示在n个点的DFT中只有k个非零项，这...
人工智能中的一些常见名词概念汇总（神经网络、贝叶斯方法、支持向量机、稀疏回归）
in546的博客
06-26 1742
@toc
【点云学习系列】之Gaussian-process-based Real-time Ground Segmentation for Autonomous Land Vehicles
AutoXTruck专栏
10-14 1051
简介 算法原理 实验结果 小结 参考 https://link.springer.com/article/10.1007/s10846-013-9889-4
【MATLAB第90期】基于MATLAB的高斯过程、核函数、树模型、近邻模型等多输入单输出回归预测模型合集（RLR、ARES、WKNNR、KSNR、RKS、VHGPR、WGPR、SSGPR、TGP）
随风飘摇的土木狗的博客
01-13 1300
本文展示多种非常用多输入单输出回归预测模型效果，精力不够，原理还需自行研究，下期展示多输入多输出回归模型。 注：每次运行数据训练集测试集为随机，故对比不严谨，不能完全反映模型效果。
一文搞定（三） —— 高斯过程回归 Gaussian Process Regression
weixin_43728138的博客
09-03 7810
【参考资料】 1.B站：机器学习-白板推导系列(二十)-高斯过程GP(Gaussian Process)
error: failed building wheel for torch-sparse
04-10
该错误提示是在安装torch-sparse模块时出现的构建失败错误。可能会有多种原因导致此错误，例如缺少必要的依赖项、编译器版本不兼容等等。您可以尝试查看详细的错误信息并尝试解决相应的问题，或者使用其他类似的模块。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

WX Chen

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值