基于高斯过程回归(GPR)时间序列区间预测，matlab代码，单变量输入模型。 评价指标包括:R2、MAE、MSE、RMSE和区间覆盖率和区间平均宽度百分比等，代码质量极高，方便学习和替换数据。

基于鲸鱼算法(WOA)优化高斯过程回归(WOA-GPR)的数据回归预测，matlab代码，多变量输入模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

基于粒子群算法(PSO)优化高斯过程回归(PSO-GPR)的数据回归预测，matlab代码，多变量输入模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

通过卡尔曼滤波进行有效GP回归 基于两篇论文的存储库，其中包含相对于同类项目的简单实现代码： [1] A.Carron，M.Todescato，R.Carli，L.Schenato，G.Pillonetto，机器学习遇到了Kalman Filtering ，《 2016年第55届决策与控制会议论文集》，第4594-4599页。 [2] M.Todescato，A.Carron，R.Carli，G.Pillonetto，L.Schenato，通过卡尔曼滤波的有效时空高斯回归，ArXiv：1705.01485，已提交JMLR。 PS。 该代码尽管基于上述论文中使用的代码，但与之稍有不同。 它是它的后来的改进和简化版本。 而且，此处仍未提供[2]中介绍的用于实现自适应方法的代码。 文件内容是很容易解释的（有关每个文件的简要介绍，请参考相应的帮助）： main.m：包含主程序 plotResul

Matlab gpr代码Two_layer_GPR_hahazing 带有图像去雾示例选择的两层高斯过程回归的源代码TCSVT。 当您使用我们提供的源代码时，请引用我们的论文“两层高斯过程回归与图像去雾的示例选择，TCSVT，2016”，作者：樊凡，王一，唐贤轩，高仁杰，罗忠轩。 说明： 请在MATLAB中运行“ GPR_dehaze.m”脚本。

简单实现高斯过程回归的问题,利用python语言做了一个简要的说明。

matlab如何敲代码PyGPML Carl Rasmussen和Hannes Nickisch的Python版本，用于高斯过程。 他们的代码可以在这里找到： 到目前为止，此仓库正在从上方实现原始MATLAB代码的一小部分。 它主要用高斯噪声实现高斯过程，从而使最大似然积分可以精确地解析解决。 相应的功能在inferences.py中给出。 有一些标准的内置内核，但是此代码还实现了Andrew G. Wilson和Ryan P.Adams在以下参考文献中给出的用于模式识别的光谱混合（SM）内核（此代码的原始动机）。 ： [1] [2] 此处提供了此工作的资源页面： 简而言之，它使用混合了高斯的协方差核函数来实现典型的高斯过程： k（t）= sum_ {q = 1} ^ Q w_q prod_ {p = 1} ^ P exp（-2pi ^ 2 t_p ^ 2 v_ {p，q} ^ 2）cos（2pi t_p m_ {p，q} ） 其中t = x-x'，q =混合物中Q个高斯中的第i个，p = P个维度中的第j个，w =第q个高斯混合物的权重，v2 = v ^ 2 = std。 偏差，m

高斯过程回归是基于贝叶斯理论和统计学习理论发展起来的一种全新机器学习方法, 适于处理高维数、小
样本和非线性等复杂回归问题. 在阐述该方法原理的基础上, 分析了其存在的计算量大、噪声必须服从高斯分布等
问题, 给出了改进方法. 与神经网络和支持向量机相比, 该方法具有容易实现、超参数自适应获取以及输出具有概率
意义等优点, 方便与预测控制、自适应控制、贝叶斯滤波等相结合. 最后总结了其应用情况并展望了未来发展方向.

GPR-高斯过程回归-高斯函数

利用GPML-V4.1工具箱实现高斯过程回归(GPR)的多变量数据预测