高斯过程库 该库提供了高斯过程回归的C ++实现，如Carl Edward Rasmussen和Christopher KI Williams所著的所述。 该软件的设计目标是通过使用围绕低级LAPACK代码的高效包装器来提供具有快速性能的简单界面。 依存关系 是具有LAPACK集成的C ++线性代数库。 提供了一些用于执行超参数估计的非线性优化例程。 建造 标准的cmake版本 $ mkdir build && cd build $ cmake .. $ make 基本用法 src / test.cc中给出了一个示例 #include #include "GP.h" using namespace std; int main(int argc, char **argv) { Col kernel_param = "1.0 4.0";

提出一种计及历史气象数据的短期风速预测方法。首先将历史风速数据和历史气象数据作为风速预测的原始输入，采用混合特征选择（HFS）方法对输入向量进行删选，选取与预测风速强相关的变量，生成预测模型的输入特征集；然后运用异方差高斯过程回归（HGP）模型进行建模，该模型能体现风速的随机性。根据某实测风速数据进行提前1 h风速预测，结果表明所提方法能提高风速预测精度。

matlab平均数标准差代码多输出高斯过程-MATLAB software MATLAB中的多个输出高斯过程，包括潜在力模型。 本页介绍了如何使用多输出高斯过程软件（MULTIGP）的示例。 该软件取决于。 旧版本号 包含技术报告代码的更新。 版本0.11 更新以允许使用变化函数输出以使用潜在功能 那是白噪声过程。 版本0.1 这是多输出高斯过程工具箱的第一个版本。 它显示了用于完整协方差模型的玩具示例，以及在针对多输出回归的稀疏卷积高斯过程中提出的两个近似值 例子 使用高斯核和高斯协方差函数的多输出高斯过程 此示例说明了如何使用通过卷积过程方法构造的高斯过程对四个输出进行多元回归。 请注意，输出一和输出四在一定范围内缺少数据。 >> demGpToy1 演示的四个输出中的“左第一”输出。 右四输出为相同的示例。 使用PITC逼近和FITC逼近（固定归纳点）的多输出高斯过程 在本文中，提出了两种利用模型中条件独立性的近似方法。 由于它们与一种输出情况下的PITC和FITC近似值相似，因此以相似的方式命名这些多输出近似值。 对于PITC运行 >> demSpmgpGgToy1 对于FIT

高斯过程全局优化程序，使用高斯算法进行刀具加工的全局优化预测与拟合的matlab程序

该软件包可以使用非常大的样本量进行高斯过程预测，并且比许多现有方法的计算负担小得多。 此代码由 Matthew Plumlee 编写和设计，同时撰写论文“使用稀疏网格实验设计快速预测确定性函数”（在美国统计协会杂志上印刷，版本可在http://arxiv.org/abs/1402.6350 ）。

em算法matlab代码GP-SSM 高斯过程状态空间模型 介绍 这个Matlab工具箱实现了基于高斯过程学习（即识别）非线性动力学系统的状态空间模型的算法。 提议的方法有一些优点： 用户无需给出系统动力学的参数形式。 通过选择协方差函数来介绍关于动力学函数的平滑度的假设（请参阅Rasmussen和Williams的第4章，高斯机器学习过程，2006年）。 模型的复杂度和拟合度会自动进行权衡。 模型预测上的误差棒捕获由于数据稀缺或模棱两可而引起的不确定性。 特别是，此工具箱实现了以下两篇论文的算法： [1] R. Frigola，F。Lindsten，TBSchön和CE Rasmussen。 使用粒子MCMC的高斯过程状态空间模型中的贝叶斯推理和学习，神经信息处理系统（NIPS），2013年。 [2] R. Frigola，F。Lindsten，TBSchön和CE Rasmussen。 使用粒子随机近似EM识别高斯过程状态空间模型，2013年，已提交。 第一步 重要信息： GP-SSM代码需要机器学习的高斯过程（GPML）工具箱，该工具箱可在此处免费提供： 您需要运行两个不同的st

MATLAB实现高斯过程的入门级程序 程序不长注释清晰非常清晰易懂 程序包含在已知hyperparameter的情况下静态系统中高斯过程的实现 例子中运用已知的输入输出量做出模拟和预测 结果包含预测的图像并且包含95%置信度的图像 具体的分析讲解请关注我和我的博文

终身学习是机器学习中的热门研究话题之一。如何实现持续学习？来自东京RIKEN研究中心的Emtiyaz Khan给了关于从深度神经网络到高斯过程的教程《DNN2GP: From Deep Networks to Gaussian Processes》，共有45页ppt，以及撰写了最新的论文，通过提出一种新的函数正则化方法来解决这个问题，该方法利用了一些过去的难忘样例，这些样例对于避免遗忘至关重要。

高斯过程 回归 分类的经典书籍还有相关的工具包 Gaussian Processes for Machine Learning Carl Edward Rasmussen Christopher K. I. Williams The MIT Press

matlab加噪声代码GPz 2.0 不确定和不完整数据的异方高斯过程 介绍 这是所描述的稀疏异方差高斯过程的matlab实现。 数据集被认为是由输入组成和目标输出，其中n是数据集中的样本数，d是输入的维数。 目标由输入函数生成 加上附加噪声： 。 这项工作的目的是找到最简单的函数，该函数在给定输入的情况下最大化观察目标输出的可能性。 径向基函数（RBF） 该模型优化了由m个径向基函数的线性组合生成的数据的概率。 在提出的解决方案中，RBF具有不同的方法，请参见图1，如下所示： 全局长度标度（GL）：所有基础函数共享相同的长度标度。 可变长度标度（VL）：每个基础都有特定的长度标度。 全局对角线（GD）：所有基函数共享相同的对角协方差。 可变对角线（VD）：每个基础都有特定的对角协方差。 全局协方差（GC）：所有基函数共享相同的完全协方差。 可变协方差（VC）：每个基础都有特定的完整协方差。 图1：在相同数据上使用不同数量的基函数（m）训练GPVL，GPVD和GPVC的结果。 椭圆表示RBF的学习协方差。 对数边际可能性显示在每个图上方（Almosallam，2017） 异方差噪声 该