利用高斯过程回归建立软测量模型，主程序名为OnlineStage.m,包含数据，可以直接运行，亲测可用。

Monthly-Electricity-forecast use GPR-RFr 某区域月电量预测，采用高斯过程回归、随机森林回归预测日电量，通过日电量累加的方式来获得月电量的预测 Jupyter Notebook

matlab求导代码****************************** 介绍******************* ******* 请注意，未经作者许可，不得将其用于任何商业用途或对代码进行修改。 在GP TIE算法中，我们对散焦后的强度图像（在频域中）执行高斯过程回归，以估计强度轴向导数，该强度用于通过方程式（TIE）的传输强度来恢复相位。 GP TIE通过使用强度在空间频域中随散焦传播如何变化的先验知识，减轻了导数估计中的非线性误差。 不需要将强度图像等距隔开，因此输入强度堆栈可以按指数方式隔开，这被证明是一种将相位信息转换为测得强度的有效方案。 有关更多详细信息，请参见参考文件。 如何使用代码 ** 如何在示例数据集上运行： 打开Main_GPTIE.m并在Matlab中运行。 示例数据集将自动加载。 如何在自己的数据集上运行： 按照示例数据集“ SampleData2.mat”的格式准备数据集。 确保变量名称与示例数据相同，并且变量的单位为米。 打开Main_GPTIE.m。 加载数据并运行。 必要时调整Poisson求解器正则化参数（regparam）。 输入参数：

一种基于高斯过程的非线性PLS建模方法_王华忠

matlab的egde源代码GPMP2 该库是（RSS 2016）中描述的GPMP2（高斯过程运动计划器2）算法的实现。 核心库使用C ++语言开发，并提供了一个可选的Matlab工具箱。 Matlab脚本中提供了示例。 内还提供ROS接口。 GPMP2由Georgia Tech机器人学习实验室开发并作为其工作的一部分。 先决条件 CMake> = 2.6（Ubuntu： sudo apt-get install cmake ），编译配置工具。 > = 1.50（Ubuntu： sudo apt-get install libboost-all-dev ），可移植的C ++源库。 > = 4.0 alpha，这是一个C ++库，用于在机器人技术和视觉技术中实现平滑和映射（SAM）框架。 在这里，我们使用GTSAM提供的因子图实现和推理/优化工具。 编译与安装 在库文件夹中执行： $ mkdir build $ cd build $ cmake .. $ make check # optional, run unit tests $ make install Matlab工具箱 提供了一

Gaussian Processes for Machine Learning英文原版pdf，国外高斯过程经典书籍，学习高斯入门的不错书

matlab的egde源代码GP-SLAM GP-SLAM是用于连续时间轨迹估计和映射的库增强型稀疏高斯过程（GP）回归。 核心库是用C ++语言开发的，还提供了一个可选的Matlab工具箱。 Matlab脚本中提供了示例。 GP-SLAM由Georgia Tech机器人学习实验室开发并作为其工作的一部分。 先决条件 CMake> = 2.6（Ubuntu： sudo apt-get install cmake ），编译配置工具。 > = 1.46（Ubuntu： sudo apt-get install libboost-all-dev ），可移植的C ++源库。 > = 4.0 alpha，这是一个C ++库，可在机器人技术和视觉技术中实现平滑和映射（SAM）。 编译与安装 在库文件夹中执行： $ mkdir build $ cd build $ cmake .. $ make check # optonal, run unit tests $ make install Matlab工具箱 提供了一个可选的Matlab工具箱，以在Matlab中使用我们的库。 要在编译过程中启用Ma

matlab混合高斯代码GPML扩展 该存储库包含对流行的GPML工具箱的扩展的集合，该扩展用于MATLAB高斯过程推断，可在此处找到： 我们提供以下代码： 将任意超参数先验合并到任何推理方法中，从而在超参数学习期间允许MAP而不是MLE推理。 用于均值和协方差函数的扩展API，用于针对其超参数计算Hessian。 用于推理方法的扩展API，用于计算相对于超参数的（对数似然/后验）（可能近似）Hessian。 几个新的均值和协方差函数的实现。 例如，许多其他实用程序，用于在执行在线GP回归时计算等级更新以快速更新后验。 超参数先验 我们建立了一个新的简单API，用于指定任意超参数先验。 该API是： [nlZ, dnlZ, HnlZ] = prior(hyperparameters) 输入在哪里： hyperparameters ：GPML超参数结构，用于指定 和输出是 nlZ ：在处评估的对数先验的负值， dnlZ ：包含负对数梯度的结构，该负对数在处求值， HnlZ ：（可选）包含在之前评估的负对数的Hessian的结构， dnlZ结构的指定方式与GPML的典型方式相同（例如，作为

线性回归预测matlab代码MGP 这是“边际 GP” (MGP) 的MATLAB实现，如下所述： Garnett, R.、Osborne, M. 和 Hennig, P. 高斯过程线性嵌入的主动学习。 (2014)。 第 30 届人工智能不确定性会议（UAI 2014）。 假设我们有一个关于潜在函数的高斯过程模型： 模型的超参数在哪里。 假设我们有一个观测数据集和一个测试点。 此函数返回相关观察值和潜在函数值的近似边际预测分布的均值和方差： 我们已经边缘化了超参数。 笔记 此代码仅适用于 GP 回归！ 假设具有高斯观测似然的精确推断。 MGP 近似要求提供的超参数是 MLE 超参数： 或者，如果使用超参数优先，则 MAP 超参数： 此函数不执行最大化，而是假设给定的超参数表示 。 依赖关系 此代码可与 GPML MATLAB 工具箱互操作，可在此处获得： GPML 工具箱必须位于您的 MATLAB 路径中，此函数才能工作。 此函数还依赖于gpml_extensions存储库，可在此处获得： 这也必须在您的 MATLAB 路径中。 用法 mgp.m的用法与 GPML 工具包中预测模式下

高斯过程随机场 这是David Moore和Stuart Russell撰写的NIPS 2015论文的代码。 除了通常的依赖项（numpy，scipy，matplotlib）之外，它还取决于： 软件包，其中包含几个距离函数，内核函数及其派生类的C ++实现。 特别是，它实现了地震实验中使用的大圆距离。 万一兼容性在将来某个时候被破坏，可以使用该代码来提交a0aa7ae65a4b9144a499016bbf0ccaf0c611cc0d 。 ，用于与稀疏GP-LVM进行比较。 实验是使用0.6.0版进行的。 可以使用适当的选项运行gprfopt.py来复制论文中的各个合成实验。 例如， python gprfopt.py --n=10000 --seed=0 --yd=50 --lscale=0.06 --obs_std=0.02 --noise_var=0.01 --method=