增量式人体姿态映射模型的学习方法

判别式3D人体姿态估计方法直接学习图像观测到姿态之间的映射,需要大量训练集,而GPR对这种大训练集的映射模型学习由于计算复杂度太高而受到极大限制。提出了一种基于GPR和LWPR的增量式映射模型的学习方法,利用GPR学习各局部映射模型,基于LWPR的思想在线调整现有的模型和训练新的局部模型以及姿态估计。实验表明,该方法能够极大地减少大数据集上高斯过程回归的计算代价,并获得准确的姿态估计。     

基于高斯过程回归的网络流量预测模型

针对传统网络流量预测精度低难题,为了获得理想的网络流量预测结果,提出一种基于高斯过程回归(GPR)的网络流量预测模型。该模型首先计算延迟时间和嵌入维数,构建高斯过程回归的学习样本;然后采用高斯过程回归对网络流训练集进行学习,并采用入侵杂草优化对高斯过程回归的参数进行优化;最后采用经典的网络流量测试集对该模型性能进行实验测试。实验结果表明,高斯过程回归模型提高了网络流量的预测精度。     

基于FCM与集成高斯过程回归的赖氨酸发酵软测量

为解决赖氨酸发酵过程中菌体浓度难以在线检测的难题,提出一种基于模糊C均值聚类(FCM)与集成高斯过程回归(GPR)的软测量建模方法。针对典型生物发酵过程可分为延滞期、指数生长期、稳定期、死亡期4个反应周期的特点,采用模糊C均值聚类算法对样本集进行聚类分析以形成若干子样本集;对每个子样本集分别采用高斯过程回归训练时,为提高GPR模型的泛化能力,利用Adaboost算法提升GPR模型,分别在各子集建立集成GPR软测量子模型;采用欧氏距离计算新样本点对应于每一子模型的隶属度;加权求和获得最终的软测量模型的预测输出。基于氨基酸类典型菌种L-赖氨酸反应过程菌体浓度参数预测的试验研究表明:与全局单一GPR模型、集成GPR模型和基于FCM与多GPR模型相比,所建立的基于FCM与集成GPR软测量模型拟合精度高,泛化能力强,较好地满足了赖氨酸发酵过程的控制要求。     

基于前视声纳的AUV同时定位与地图构建

AUV要实现在未知环境中的自主导航,SLAM理论与方法是最有潜力的途径之一.本文采用前视声纳扫描水下环境,采用数字图像处理的方法对环境的声纳图像进行特征提取,并使用最邻近数据关联算法(NNF)实现数据关联,应用EKF SLAM进行水下机器人的姿态估计与环境中障碍物特征的地图构建.仿真结果表明,主动成像声纳可以成功地应用于AUV在未知环境中的自主导航;另外,通过对比点特征和线特征对AUV运行轨迹的影响,我们发现参照分布合理的点特征AUV能够更加精确地进行同时定位.     

基于高斯混合聚类的切换系统的辨识

针对具有未知切换规则与未知子系统数量的切换系统的辨识问题,提出一种两阶段辨识方法,包括模式检测与参数辨识.在模式检测阶段,首先建立高斯混合模型表示采样数据的分布,并通过轮盘法选择合适的初始模型参数.其次,计算采样数据属于每个子系统的后验概率,通过极大似然估计算法迭代更新模型参数,使高斯混合模型最大化地拟合采样数据的分布.在此基础上,通过贝叶斯信息准则确定子系统的数量,并根据最大后验概率准则估计切换规则.在参数辨识阶段,通过递推增广最小二乘法估计每个子系统的参数向量.最后,通过仿真结果验证了所提方法的有效性.     

一种基于概率关联的局部高斯过程回归算法

在针对控制和机器人的机器学习任务中, 高斯过程回归是一种常用方法, 具有无参数学习技术的优点. 然而, 它在面对大量训练数据时存在计算量大的缺点, 因此并不适用于实时更新模型的情况. 为了减少这种计算量, 使模型能够通过实时产生的大量数据不断更新, 本文提出了一种基于概率关联的局部高斯过程回归算法. 与其他局部回归模型相比, 该算法通过对多维局部空间模型边界的平滑处理, 使用紧凑支持的概率分布来划分局部模型中的数据, 得到了更好的预测精度. 另外, 还对更新预测矢量的计算方法进行了改进, 并使用k-d树最近邻搜索减少数据分配和预测的时间. 实验证明, 该算法在保持全局高斯过程回归预测精度的同时, 显著提升了计算效率, 并且预测精度远高于其他局部高斯过程回归模型. 该模型能够快速更新和预测, 满足工程中的在线学习的需求.     

自适应平方根无迹卡尔曼滤波算法

将高斯过程回归融入平方根无迹卡尔曼滤波(SRUKF)算法,本文提出了一种不确定系统模型协方差自适应调节滤波算法.该算法分为学习和估计两部分:学习阶段用高斯过程对训练数据进行学习,得到系统回归模型及噪声协方差;估计阶段由回归模型代替状态方程和观测方程,相应的噪声协方差实时自适应调整.该方法克服了传统方法容易受系统动态模型不确定性和噪声协方差不准确限制的问题,仿真结果验证了算法的有效性.     

基于改进自训练算法的半监督GPR软测量建模北大核心CSCD

为了充分利用实际工业过程中大量无标签数据中的信息,提出了一种基于改进自训练算法的高斯过程回归(GPR)软测量建模方法。首先,利用相似度估计无标签样本缺失的主导变量值;然后,根据估计值对有标签数据集的影响,对估计样本集中的数据进行筛选;最后,将泛化能力强的样本加入有标签样本集中,得到重构训练样本集并进行软测量建模。通过脱丁烷塔塔底丁烷浓度预测的仿真实验,验证了所提方法的可行性和有效性。     

基于带有噪声输入的稀疏高斯过程的人体姿态估计

高斯过程回归（Gaussian process regression，GPR）是一种广泛应用的回归方法，可以用于解决输入输出均为多元变量的人体姿态估计问题.计算复杂度是高斯过程回归的一个重要考虑因素，而常用的降低计算复杂度的方法为稀疏表示算法.在稀疏算法中，完全独立训练条件（Fully independent training conditional，FITC）法是一种较为先进的算法，多用于解决输入变量彼此之间完全独立的回归问题.另外，输入变量的噪声问题是高斯过程回归的另一个需要考虑的重要因素.对于测试的输入变量噪声，可以通过矩匹配的方法进行解决，而训练输入样本的噪声则可通过将其转换为输出噪声的方法进行解决，从而得到更高的计算精度.本文基于以上算法，提出一种基于噪声输入的稀疏高斯算法，同时将其应用于解决人体姿态估计问题.本文实验中的数据集来源于之前的众多研究人员，其输入为从视频序列中截取的图像或通过特征提取得到的图像信息，输出为三维的人体姿态.与其他算法相比，本文的算法在准确性，运行时间与算法稳定性方面均达到了令人满意的效果.     

基于SBWS_GPR预测模型的不确定性多数据流异常检测方法

针对实际系统中采集的数据流的不确定性,给异常点检测与修正带来了现实挑战。因此,根据滑动基本窗口采样算法(sliding basic windows sampling,SBWB)与高斯过程回归(Gaussian process regression,GPR)模型的特性,提出了基于SBWS_GPR预测模型的不确定性多数据流的异常检测方法。在基于时间序列采集的历史数据集中,引入索引号,对历史数据集进行聚类,分析数据集与索引号的映射关系,将实时获得的输入数据流通过滑动窗口匹配,实现对单数据流的异常点检测与修正。再利用输入、输出数据间的相关性,基于GPR建立预测模型,比较实时观察的输出数据流与预测模型的输出数据流,最终从输入、输出两种不同通道实现多数据流的异常检测与修正。     

基于自适应多目标模糊聚类的多模型软测量

针对复杂非线性系统单模型软测量存在建模精度低、模型泛化能力差的问题,提出一种采用自适应多目标模糊聚类的多模型高斯过程回归(GPR)软测量建模方法。首先使用自适应多目标聚类方法自动确定聚类个数并得到最优数据子集,避免了聚类个数不易人为给定的问题;然后对各数据子集分别建立GPR子模型,最后采用子模型加权融合方法得到最终的预测结果。使用火电厂历史运行数据建立烟气含氧量软测量模型验证该方法,仿真结果表明,该方法可以提高软测量模型精度,提升模型泛化能力。     

一种基于EGMM的高斯过程回归软测量建模

提出了一种基于误差高斯混合模型（EGMM）的高斯过程回归（GPR）软测量方法．首先,选择合适的变量组成误差数据集,利用贝叶斯信息准则优化得到合适的高斯成分的个数;然后用EGMM对误差数据进行拟合计算得到条件误差均值和方差的表达式;最后当新的数据到来时,用建立的GPR模型进行输出预测,并利用EGMM模型得到的条件误差均值对输出进行补偿,从而得到更加精确的建模结果．通过数值仿真及硫回收装置（SRU）的H₂S浓度的软测量,进一步验证所提算法的可行性和有效性．     

基于多模型的发酵过程高斯过程回归软测量建模研究（英文）

软测量仪表在实际应用中往往存在预测精度低、缺乏预测精度信息等问题。基于多模型方法的软测量仪表通过子模型来描述局部变化,可以有效提高软测量仪表预测精度。在本研究中,高斯过程回归(GPR)模型因其预测方差能够反映预测精度信息特性,被用于构建局部子模型。同时,基于不确定性推理方法,本文提出了基于高斯过程回归预测方差的多模型融合策略。最后,将所提方法应用于工业红霉素发酵过程数据。结果表明,与其他高斯过程回归方法相比较,所提出方法预测精度更高,95%置信区间范围更小。     

一种基于高斯混合模型的轨迹预测算法

在智能交通控制系统、军事数字化战场、辅助驾驶系统中,实时、精确、可靠的移动对象不确定性轨迹预测具有极高的应用价值.智能轨迹预测不仅可以提供精准的基于位置的服务,而且可以提前监测和预判交通状况,进而推荐最佳路线,已经成为移动对象数据库研究的热点,亟需设计准确而高效的位置预测方法.针对现有方法的不足,提出了基于高斯混合模型的轨迹预测方法GMTP,主要步骤包括:(1) 针对复杂运动模式利用高斯混合模型建模;(2) 利用高斯混合模型计算不同运动模式的概率分布,进而将轨迹数据划分为不同分量;(3) 利用高斯过程回归预测移动对象最可能的运动轨迹.GMTP是高斯非线性概率统计模型,其优势在于:计算结果不仅是位置预测值,更是关于移动对象未来所有可能运动轨迹的概率分布,可以利用概率统计分布特性获得某种运动模式(如匀加速运动)下的位置预测.大量真实轨迹数据集上的实验结果表明:与相同参数设置下的高斯回归预测和卡尔曼滤波预测法相比,GMTP的预测准确性平均提高了22.2%和23.8%,预测时间平均缩减了92.7%和95.9%.     

基于哨兵-2数据的喀斯特高原深水湖库CODMn遥感反演

利用哨兵-2数据及多种方法反演喀斯特高原深水湖库的高锰酸盐指数(COD_Mn),对于区域水环境管理和丰富水质反演理论具有重要意义。以贵阳市红枫湖与百花湖为研究区,基于Sentinel-2 MSI影像和COD_Mn浓度数据,使用随机森林回归(RFR)、支持向量回归方法(SVR)、高斯过程回归(GPR),构建COD_Mn反演模型,获得2018～2020年不同时期的COD_Mn空间分布。结果表明：(1)RFR模型估算精度最高,验证集RMSE为0.222 mg·L^-1,MAPE为5.84%,R2为0.841;(2)红枫湖COD_Mn浓度变化呈现上游高于下游、春季高于夏季的时空分布特征。百花湖除了上游,整体湖区COD_Mn浓度较低且随时间变化不大。研究揭示了RFR模型与Sentinel-2数据在喀斯特高原深水湖库COD_Mn浓度反演具有良好的适用性。     

多模式移动对象不确定性轨迹预测模型

以移动设备、车辆、飞机、飓风等移动对象不确定性轨迹预测问题为背景,将大规模移动对象数据作为研究对象,以频繁轨迹模式挖掘、高斯混合回归技术为主要研究手段,提出多模式移动对象轨迹预测模型,关键技术包括:1）针对单一运动模式,提出一种基于频繁轨迹模式树FTP-tree的轨迹预测方法,利用基于密度的热点区域挖掘算法将轨迹点划分成不同的聚簇,构建轨迹频繁模式树,挖掘频繁轨迹模式预测移动对象连续运动位置.不同数据集上实验结果表明基于FTP-tree的轨迹预测算法在保证时间效率的前提下预测准确性明显优于已有预测算法.2）针对复杂多模式运动行为,利用高斯混合回归方法建模,计算不同运动模式的概率分布,将轨迹数据划分为不同分量,利用高斯过程回归预测移动对象最可能运动轨迹.实验证明,相比于基于隐马尔科夫模型和卡尔曼滤波的预测方法,所提方法具有较高的预测准确性和较低的时间代价.     

改进的GMPF在动态跟踪系统中的应用

针对动态跟踪系统的非线性问题,提出一种非线性非高斯性能较优的状态估计器:考虑最新观测值的影响,使用基于平方根二阶差分(SRDD2)的高斯混合(GM)模型给出粒子滤波的建议分布.重要性采样和再采样阶段分别采用基于蒙特卡罗的重要性采样和进化的再采样方法,以减轻粒子滤波(PF)的样本退化问题,增强样本的多样性.实验结果表明,与平方根二阶差分Kalman滤波、PF、GM粒子滤波相比,该状态估计器提高了动态跟踪系统状态估计器的综合估计性能.     

基于查询采样的高维数据混合索引

为了改进高维数据库查询的效率,通常需要根据数据分布来选择合适的索引策略.然而,经典的分布模型难以解决实际应用中图像、视频等高维数据复杂的分布估计问题.提出一种基于查询采样进行数据分布估计的方法,并在此基础上提出了一种支持最近邻查询的混合索引,即针对多媒体数据分布的不均匀性,自适应地对不同分布的数据使用不同的索引结构,建立统一的索引结构.为了实现混合索引,采用构造性方法:首先通过聚类分解分割数据并建立树状索引;然后使用查询采样算法,对数据实际分布进行估计;最后根据数据分布的特性,把稀疏数据从树状索引中剪裁出来,进行基于顺序扫描策略的索引,而分布比较密集的数据仍然保留在树状索引中.在4个真实的图像数据集上进行了充分的实验,结果显示,该索引方法明显优于iDistance,M-Tree等度量空间索引,在维数达到336时,查询效率仍高于顺序扫描.实验结果显示,该查询采样算法在采样数据量仅为N~(1/2)(N为数据量)的情况下即可获得满足索引需要的分布估计结果.     

基于变分模态分解和高斯过程回归的锂离子电池剩余寿命预测方法

锂离子电池在实际工作中常处于间歇工作状态,存在容量再生现象,其性能退化呈现非单调性和随机性,无法采用传统的单一模型准确进行预测。针对上述问题,研究一种基于变分模态分解（Variational Mode Decomposition, VMD）和高斯过程回归（Gaussian Process Regression, GPR）的锂离子电池剩余寿命预测方法。首先,利用VMD将锂离子电池容量退化数据分解为一系列相对平稳的分量,并获取电池退化趋势分量及容量再生分量。然后针对不同分量的具体特性,构建合适的GPR预测模型以提高单个分量预测精度。最后,将分量预测结果叠加获取容量预测结果,进而实现电池剩余寿命预测。基于NASA研究中心锂电池容量退化数据进行实验分析,结果表明本文方法相比于直接采用GPR模型,降低了容量预测误差,并有效提高了剩余寿命预测精度。     

用基于中值滤波的高斯过程预测3G网络性能

针对3G网络中主动监控和对性能指标数据进行预测的需要,提出了基于中值滤波的高斯回归模型的网络性能指标预测方法,将高斯回归模型与中值滤波法相融合,对样本空间中的性能指标数据先进行中值滤波预处理,再对处理过的数据进行高斯回归预测,预测结果作为主动告警机制的预测曲线。仿真实验结果表明,相对于其他预测方法,基于中值滤波的高斯过程预测结果更加有效,生成的预测曲线更精确,为3G及以上网络进行主动监控确定更有效的阈值提供理论依据。