高斯过程模型回归的预测方法的Matlab实现，可以很好地进行模型预测

GPR-基本高斯过程库 基本的高斯过程回归库。 （需要Eigen3） 特征 多元高斯过程回归 计算一个点的导数 计算某一点的不确定性 将高斯过程保存到文件中或从文件中加载 内核：白色，高斯，周期，有理二次，求和与乘积 内核的导数 似然函数：高斯对数似然（包括派生wrt。内核参数） 先验分布：高斯，反高斯，伽玛（包括采样，cdf和反cdf） 可以通过提供先验分布和众数来建立先验分布 入门 要设置库，请首先克隆git存储库 git clone https://github.com/ChristophJud/GPR.git GPR的建设是基于。 因此，导航到主目录GPR并创建一个构建目录。 mkdir build # create a build directory cd build ccmake .. # ccmake is an easy tool to set config pa

非线性函数的高斯过程回归示例； 包括噪声 GPR 和无噪声 GPR

6.高斯过程回归实现.md

Gaussian Processes for Machine Learning, Gaussian Processes for Machine Learning,Gaussian Processes for Machine Learning,高斯过程回归源码（含实验数据）

matlab高斯过程回归的gpml4.2工具箱，希望对大家有用！matlab高斯过程回归的gpml4.2工具箱，希望对大家有用！

在实现多变量数据预测过程中，发现利用MATLAB自带的高斯过程回归（Gaussian process regression，GPR）无法实现多输入多输出的数据预测，于是利用了gpml-matlab-v4.1-2017-10-19这个工具箱，并简单实现了多变量数据的预测值以及给出了每个预测值对应的方差。 注：涉及的训练数据和测试数据会在附件中给出。

george：Python中快速灵活的高斯过程回归

提供高斯过程模型回归的预测方法，可以很好地进行模型预测 提供高斯过程模型回归的预测方法，可以很好地进行模型预测

为弥补传统飞机翼型设计周期长、代价高的缺点,将CST翼型参数化方法,与机器学习中的高斯过程回归方法相结合,通过对已有的翼型数据的学习,实现对未知翼型气动性能或者外形数据的快速准确预测。选取一组NACA四位族翼型,获得其CST参数描述数据,并分别计算其在一定条件下的升力系数、阻力系数和压力分布数据。利用这些数据对高斯过程回归模型进行训练,实现了翼型的快速正设计以及反设计系统。并将实验结果与采用NACA翼型参数表示法得到的预测结果进行了对比。实验结果表明,基于CST参数化方法的翼型快速设计准确度高、速度快,具有很大的应用价值。