典型文献
一种基于概率关联的局部高斯过程回归算法
文献摘要：
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.
文献关键词：
机器学习;概率模型;大数据量;实时更新
中图分类号：
作者姓名：
肖文鑫;张文文
作者机构：
北京大学计算机学院 北京100871;同济大学电子与信息工程学院 上海201804
文献出处：
引用格式：
[1]肖文鑫;张文文-.一种基于概率关联的局部高斯过程回归算法)[J].自动化学报,2022(08):1940-1949
A类：
B类：
高斯过程回归,回归算法,学习任务,常用方法,无参数,参数学习,学习技术,训练数据,计算量,实时更新,更新模型,不断更新,局部回归,空间模型,平滑处理,紧凑,概率分布,分局,局部模型,最近邻搜索,少数据,数据分配,回归预测,计算效率,快速更新,在线学习,概率模型,大数据量
AB值：
0.408773
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
