EIV_IGP 变量综合高斯过程误差 (EIV IGP) 模型用于对海平面变化的历史速率执行贝叶斯推理。 模型的输入数据可以来自潮位计测量和/或沿海沉积物岩心的替代重建。 这些数据因多种不确定性来源而变得复杂，其中一些来源是数据收集工作的一部分。 值得注意的是，代用重建包括使用放射性碳等技术对沉积岩心测年的时间不确定性。 EIV IGP 模型在海平面变化率之前放置了一个高斯过程，然后对其进行积分以提供观测数据的似然平均值。 该模型设置在变量误差框架中，以考虑年龄不确定性。 由此产生的模型在充分考虑所有可用的不确定性来源的情况下捕捉了海平面变化的连续和动态演变。

matlab求导代码gpmpc MATLAB中的高斯过程模型预测控制 ================================================== ========= 因为， 此代码最初是为个人使用而开发的 我的编码风格是无风格 代码很难理解，因为没有注释 我很忙 所以， 如果您认为此代码有用，请在提出问题时随时询问 任何意见和建议都是VERYYYYYYYYYYYYYYYYYY欢迎您。 ================================================== ========= 使用此代码之前，请先安装PILCO（我使用PILCO计算GP预测和偏导数） 或者

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

高斯过程模型的自动变分推断。 论文“高斯过程模型的自动变分推论”的代码。 如果您使用任何代码，请引用： Nguyen，电视和Bonilla，EV，高斯过程模型的自动变分推理，在NIPS 2014中。 请参见src / demoFull.m和src / demoMixture.m ，以获取有关如何使用代码分别对具有完整高斯分布和高斯分布混合的回归模型进行推理的示例。 该代码还包括其他模型的实现：二进制分类，多分类，扭曲的高斯过程和对数高斯考克斯过程。 有关详细信息，请参见src / likelihood目录。 这些模型的预测也可以在src / prediction中实现。 要尝试新模型，只需在签名后实现一个新的似然函数： logllh = newFunction(y,f,hyp) 在哪里 y : N x P vector of observations (each colu

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。

主要是整理了高斯过程模型的原理和推导过程

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）