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=

角色扮演游戏 ROGP是在模型中高斯过程的均值和协方差函数的工具。 它是为以下论文概述的工作而开发的： 另请参见我们在该项目上的。 如果您使用此工具，请引用我们的论文为： @misc{Wiebe2020robust, title={A robust approach to warped Gaussian process-constrained optimization}, author={Johannes Wiebe and Inês Cecílio and Jonathan Dunlop and Ruth Misener}, year={2020}, eprint={2006.08222}, archivePrefix={arXiv}, primaryClass={math.OC} } 安装 python -m

matlab求导代码GPR_DOB_MAP 使用高斯过程回归（GPR）模型和导数观测值（也称为局部线性模型）的非线性动力学系统的最大后验（MAP）状态估计量。 这是我的CGNCC 2016论文随附的源代码。 X. Yang，B。Peng，H。Zhou和L. Yang，[使用高斯过程和预先计算的局部线性模型的非线性动态系统的状态估计]（“ IEEE Xplore”），2016 IEEE中文版制导，导航和控制Conference（CGNCC），南京，2016年，第1963-1968页。 目录结构 GPR_DOB包含具有派生观测值的高斯过程回归模型的代码。 这是存储库的精确复制，带有一个附加的'sq_dist.c'及其编译的二进制文件，以提高原始mfile'sq_dist.m'的执行速度 GPR_DOB_MAP包含此存储库的主要代码，即使用GPR模型和派生观测值的MAP估计器。 名称为example_的文件就是示例文件。 飞机攻角估计的例子 此存储库中有两个示例，都在MATLAB中运行。 这些示例使用其他纵向可变项的测量值来估计飞机的迎角，并构成了我在CGNCC2016文件中进行调查的案例研

一种基于高斯过程回归的图像插值算法，汪谦，杜军平，图像插值是图像处理中的经典问题。本文提出一种新颖的基于高斯过程回归的插值算法。提出的算法使用高斯过程回归模型挖掘潜在信息

Syn2Real Syn2Real转移学习，用于使用高斯过程进行图像去排水 ，（ ，（ （CVPR '20） @InProceedings{Yasarla_2020_CVPR, author = {Yasarla, Rajeev and Sindagi, Vishwanath A. and Patel, Vishal M.}, title = {Syn2Real Transfer Learning for Image Deraining Using Gaussian Processes}, booktitle = {The IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)}, month = {June}, year = {2020} } 我们提出了一种基于高斯过程的半监督学习框架，该框

随机傅立叶特征 该存储库提供Python模块rfflearn ，该模块是用于内核方法的随机傅立叶特征[1，2]的库，如支持向量机和高斯过程模型。 该模块的功能包括： 模块的接口非常接近 ， 支持向量分类器和高斯进程回归器/分类器，提供CPU / GPU训练和推理， 与接口，可更轻松地进行超参数调整， 该存储库提供了，该显示RFF对于实际的机器学习任务很有用。 现在，此模块支持以下方法： 方法 CPU支援 GPU支持 典型相关分析 rfflearn.cpu.RFFCCA -- 高斯过程回归 rfflearn.cpu.RFFGPR rfflearn.gpu.RFFGPR 高斯过程分类 rfflearn.cpu.RFFGPC rfflearn.gpu.RFFGPC 主成分分析 rfflearn.cpu.RFFPCA rfflearn.gpu.RFFPCA 回归 rff

动力系统的参数识别和比较在许多领域都是一项具有挑战性的任务。 基于时间序列数据的高斯过程回归的贝叶斯方法已成功应用于推断动态系统的参数，而无需显式求解。 虽然计算成本的好处已经确立，但过去的理论基础一直受到批评。 我们提供了一种新颖的解释，由于对一般非线性动力系统进行了更有效的设置，因此可以更好地理解和改进最先进的性能，包括准确性、鲁棒性和运行时间的减少。梯度匹配是一种成功的工具，可以避免动态系统中贝叶斯参数识别的数值积分计算成本，特别是如果动态系统（如大多数现实世界系统中的系统）相当平滑。 以前的基于高斯过程的方法使用了专家启发式的批评产品，这导致了技术上的困难。 我们说明了这些理论问题并提供了 一种不依赖 PoE 的新颖、合理的表述。 我们进一步解释了基于采样的变分方法的惊人性能提升，然后结合这些见解提出了一种称为 FGPGM 的新算法，该算法联合学习状态和参数，并在准确性方面提高了最先进的性能， 一般非线性动力系统的运行时间、鲁棒性和“平滑偏差”的减少。 与之前的 MCMC 方法不同，FGPGM 使用单链 Metropolis Hastings 方案，这比之前使用的复