具有潜在高斯过程先验（LGPP）的Raven渐进矩阵完成 这是论文“具有潜在高斯过程先验的Raven渐进矩阵完成”的代码。 依存关系 PyTorch == 1.4 pyyaml == 5.3 枕头== 7.0.0 numpy的= = 1.18.1 六个== 1.14.0 Python版本3.7.6 数据集 构建面和圆数据集： ./build_datasets.sh 训练 特定数据集的训练模型（例如，具有5000个训练样本的三角形实例化多边形数据集） python train.py --exp_name triangle_5000 --gpu 0 --dataset triangle_5000 参数--exp_name是您的自定义实验的名称和--dataset是在训练阶段中使用的数据集。 实验 用MSE分数估算模型 python test.py --exp_name trian

基于python，纯代码

论文，pdf版，仅供学习交流使用

代码及论文所用的观测数据

将代码打包为exe可执行文件

主要是整理了高斯过程模型的原理和推导过程

本程序为Neil Lawrennd搭建的层级高斯过程隐变量模型用于运动数据的重构，同时能够在隐空间中实现走跑运动的拼接 上传原因主要是Neil Lawrennd在github上公布的代码直接跑是跑不通的，需要修改很多函数 本代码可直接运行demHighFilve1查看对两个人的运动的GP建模 而在demWalkRun1中实现了走跑的运动建模，而且隐空间与对应的运动可视空间具有交互式操作 The HGPLVM toolbox is a toolbox for hierarchical visualisation with the GP-LVM, it relies on the FGPLVM code to run

高斯过程(GP)模型是非参数贝叶斯回归的一种灵活方法。然而，在大数据中使用GP模型的大多数现有工作都是为单变量输出时间序列定义的，称为单任务GPs (single-task GPs, STGP)。在此，利用GPs同时对多个相关单变量生理时间序列进行建模。由此产生的多任务GP (MTGP)框架可以学习多个信号之间的相关性，即使它们可能以不同的频率采样，并具有针对不同间隔的训练集。MTGPs可有效地学习了生理时间序列之间的相关性，从而提高了建模精度。 多任务高斯过程模型 Matlab工具箱 （包括多个例子）

1. 代码主要基于GPML V4.2工具箱实现 2. 提供了两个应用实例（单变量预测和多变量预测） 3. 给出了预测均值和方差的可视化结果

代码里面是整个高斯过程类的实现，拟合了y=ax+b这样的直线。要运行的话，还要配上外围脚本，写点数据来驱动这个类。