对称梯度域机器学习（sGDML）
有关更多详细信息，请访问： :
可以在这里找到文档： :
要求：
Python 3.7以上
NumPy（> = 1.19）
科学（> = 1.1）
可选的：
PyTorch（用于GPU加速）
ASE（> = 3.16.2）（运行原子模拟）
入门
稳定释放
大多数系统pip预先安装了针对Python pip的默认软件包管理器。 只需调用以下sgdml即可安装sgdml ：
$ pip install sgdml
sgdml命令行界面和相应的Python API现在可以在系统上的任何位置使用。
开发版
（1）克隆存储库
$ git clone https://github.com/stefanch/sGDML.git
$ cd sGDML
...或更新您现有的本地副本
$ git pull origin master
（2）安装
$ pi
2022-05-25 15:19:46
89KB
1
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：
2022-05-06 21:45:46
18.06MB
1
这是高斯过程回归的代码，没用到gmpl工具箱的那种，希望能对大家有用！这是高斯过程回归的代码，没用到gmpl工具箱的那种，希望能对大家有用！
2021-12-15 21:21:23
1KB
1
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
2021-10-28 11:50:48
2KB
1
1、本代码基于GPML工具箱V4.2。 2. 提供了两个demo（多输入单输出&多输入多输出）。 3. 使用 feval(@function name) 查看函数中超参数的数量。 例如： K > > feval (@covRQiso) 答案 = '(1 + 1 + 1)' 它表明协方差函数 covRQiso 需要 3 个超参数。 因此，3 使用优化函数最小化时需要初始化超参数。 意义每个超参数的范围和范围在每个函数的描述中都有详细的解释。
4. 不同的似然函数对推理函数的要求不同，可见详细信息 ./gpml-matlab-v4.2-2018-06-11/doc/index.html 或 ./gpml-matlab-v4.2-2018-06- 11/doc/manual.PDF。
2021-10-15 13:40:14
1.85MB
1
高斯过程回归代码，包括例程，适用于新入门高斯过程回归的人学习
2021-09-28 18:03:38
833KB
贝叶斯网络改进LSTM，实现预测，比较好的算法
2021-09-28 17:08:33
1.73MB
matlab多元参数非线性回归模型代码多输出高斯过程
多输出回归
在多输出回归（多目标，多变量或多响应回归）中，我们旨在预测多个实值输出变量。
一种简单的方法可能是使用单个输出回归模型的组合。
但是这种方法有一些缺点和局限性[]：
训练多个单输出模型需要很长时间。
每个单个输出模型都针对一个特定目标（而不是所有目标的组合）进行了培训和优化。
在许多情况下，目标之间具有很强的相互依赖性和相关性。
单个输出模型无法捕获此关系。
为了解决此缺点和局限性，我们寻求一种多输出回归方法，该方法不仅可以考虑输入因素与相应目标之间的关系，还可以考虑目标之间的关系，从而对多输出数据集进行建模。
已经针对多输出问题开发了几种回归方法。
单击此处，对这些方法进行详尽的回顾。
例如，多目标SVM或随机森林是最受欢迎的两种。
在这项研究中，我正在提出和实施一种使用高斯过程（GP）模型进行多输出回归的新技术。
单变量GP
首先让我们开始介绍单变量GP。
单变量GP在函数上定义了高斯分布，可用于非线性回归，分类，排名，偏好学习或有序回归。
与其他回归技术相比，单变量GP具有多个优点：
在受计算量大的数据集限制的
2021-09-12 00:55:23
14KB
1