idGaussianProcessgydF4y2Ba
高斯过程回归映射函数为非线性ARX模型(需要gydF4y2Ba统计和机器学习工具gydF4y2Ba)gydF4y2Ba
描述gydF4y2Ba
一个gydF4y2BaidGaussianProcessgydF4y2Ba
对象实现高斯过程回归模型,估计非线性ARX模型是一个非线性映射函数。这种映射对象,也称为gydF4y2Ba非线性gydF4y2Ba,包含了gydF4y2BaRegressionGPgydF4y2Ba
(统计和机器学习的工具箱)gydF4y2Ba对象的映射函数创建使用统计和机器学习的工具箱™。映射对象包含三个组件:一个线性组件,使用线性权重的组合,一个偏移量,和一个非线性组件。gydF4y2Ba
数学上,gydF4y2BaidGaussianProcessgydF4y2Ba
是一个函数映射gydF4y2Ba米gydF4y2Ba输入gydF4y2BaXgydF4y2Ba(gydF4y2BatgydF4y2Ba)= (gydF4y2BaxgydF4y2Ba(gydF4y2BatgydF4y2Ba1gydF4y2Ba),gydF4y2BaxgydF4y2Ba2gydF4y2Ba(gydF4y2BatgydF4y2Ba),…gydF4y2BaxgydF4y2Ba米gydF4y2Ba(gydF4y2BatgydF4y2Ba)]gydF4y2BaTgydF4y2Ba一个标量输出gydF4y2BaygydF4y2Ba(gydF4y2BatgydF4y2Ba)使用以下关系:gydF4y2Ba
在这里,gydF4y2Ba
XgydF4y2Ba(gydF4y2BatgydF4y2Ba)是一个gydF4y2Ba米gydF4y2Ba1的输入向量,或gydF4y2Ba解释变量gydF4y2Ba,意思是gydF4y2Ba 。gydF4y2Ba
ygydF4y2Ba0gydF4y2Ba是输出补偿,一个标量。gydF4y2Ba
PgydF4y2Ba是一个gydF4y2Ba米gydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba投影矩阵,gydF4y2Ba米gydF4y2Ba解释变量的数量和吗gydF4y2BapgydF4y2Ba是数量的线性权重。gydF4y2Ba米gydF4y2Ba必须大于或等于gydF4y2BapgydF4y2Ba。gydF4y2Ba
lgydF4y2Ba是一个gydF4y2BapgydF4y2Ba1的权重向量。gydF4y2Ba
GgydF4y2Ba(gydF4y2BaXgydF4y2Ba,gydF4y2BaθgydF4y2Ba)是退化的高斯过程构成的非线性分量gydF4y2Ba
idGaussianProcessgydF4y2Ba
对象。gydF4y2BaGgydF4y2Ba具有零均值和协方差,用户指定一个内核,通过选择和一般可以表示为gydF4y2Ba
高斯过程gydF4y2BaGgydF4y2Ba可以更精确地定义为一个测试的预测价值输入给定值的gydF4y2BaθgydF4y2Ba。在这种情况下,关系就变成:gydF4y2Ba
在这里:gydF4y2Ba
KgydF4y2Ba(gydF4y2BaXgydF4y2Ba测试gydF4y2Ba,gydF4y2BaXgydF4y2Ba火车gydF4y2Ba协方差)是核函数。gydF4y2Ba
XgydF4y2Ba火车gydF4y2Ba是一个矩阵表示的训练集输入。gydF4y2Ba
XgydF4y2Ba测试gydF4y2Ba是一个矩阵表示的一组测试输入。gydF4y2Ba
YgydF4y2Ba火车gydF4y2Ba从训练集的向量输出。gydF4y2Ba
σgydF4y2BangydF4y2Ba测量噪声的标准差是添加剂。gydF4y2Ba
关于创建高斯过程回归模型的更多信息,参见gydF4y2BafitrgpgydF4y2Ba
(统计和机器学习的工具箱)gydF4y2Ba。gydF4y2Ba
使用gydF4y2BaidGaussianProcessgydF4y2Ba
的价值gydF4y2BaOutputFcngydF4y2Ba
财产的gydF4y2BaidnlarxgydF4y2Ba
模型。例如,指定gydF4y2BaidGaussianProcessgydF4y2Ba
当你评估一个gydF4y2BaidnlarxgydF4y2Ba
使用下面的命令模式。gydF4y2Ba
sys = nlarx(数据、解释变量idGaussianProcess)gydF4y2Ba
nlarxgydF4y2Ba
估计模型,它估计的参数gydF4y2BaidGaussianProcessgydF4y2Ba
函数。gydF4y2Ba
您可以配置gydF4y2BaidGaussianProcessgydF4y2Ba
函数来禁用组件和修正参数。忽略线性组件集gydF4y2BaLinearFcn.UsegydF4y2Ba
来gydF4y2Ba假gydF4y2Ba
。省略了抵消,集gydF4y2BaOffset.UsegydF4y2Ba
来gydF4y2Ba假gydF4y2Ba
。指定已知值的线性函数和偏移量,设置他们的gydF4y2Ba价值gydF4y2Ba
直接和设置相应的属性gydF4y2Ba免费的gydF4y2Ba
属性来gydF4y2Ba假gydF4y2Ba
。修改评价的选项,设置选项属性gydF4y2BaEstimationOptionsgydF4y2Ba
。例如,改变方法gydF4y2Ba“准确”gydF4y2Ba
,使用gydF4y2BaG.EstimationOptions。FitMethod = '的'gydF4y2Ba
。使用gydF4y2Ba评估gydF4y2Ba
计算功能对于一个给定的输出向量的输入。gydF4y2Ba
创建gydF4y2Ba
语法gydF4y2Ba
描述gydF4y2Ba
创建一个gydF4y2BaGgydF4y2Ba
= idGaussianProcessgydF4y2BaidGaussianProcessgydF4y2Ba
对象gydF4y2BaGgydF4y2Ba
与内核函数gydF4y2Ba“SquaredExponential”gydF4y2Ba
和默认内核参数。输入的数量确定在模型估计和输出的数量是1。gydF4y2Ba
指定一个特定的内核。gydF4y2BaGgydF4y2Ba
= idGaussianProcess (gydF4y2Ba内核gydF4y2Ba
)gydF4y2Ba
初始化内核指定的参数值gydF4y2BaGgydF4y2Ba
= idGaussianProcess (gydF4y2Ba内核gydF4y2Ba
,gydF4y2BakernelParametersgydF4y2Ba
)gydF4y2BakernelParametersgydF4y2Ba
。gydF4y2Ba
指定是否函数使用一个线性函数作为子组件。gydF4y2BaGgydF4y2Ba
= idGaussianProcess (gydF4y2Ba内核gydF4y2Ba
,gydF4y2BakernelParametersgydF4y2Ba
,gydF4y2BaUseLinearFcngydF4y2Ba
)gydF4y2Ba
指定是否函数使用一个偏移量gydF4y2BaygydF4y2Ba0gydF4y2Ba参数。gydF4y2BaGgydF4y2Ba
= idGaussianProcess (gydF4y2Ba内核gydF4y2Ba
,gydF4y2BakernelParametersgydF4y2Ba
,gydF4y2BaUseLinearFcngydF4y2Ba
,gydF4y2BaUseOffsetgydF4y2Ba
)gydF4y2Ba
输入参数gydF4y2Ba
属性gydF4y2Ba
例子gydF4y2Ba
另请参阅gydF4y2Ba
nlarxgydF4y2Ba
|gydF4y2BaRegressionGPgydF4y2Ba
(统计和机器学习的工具箱)gydF4y2Ba|gydF4y2BafitrgpgydF4y2Ba
(统计和机器学习的工具箱)gydF4y2Ba|gydF4y2BaidLineargydF4y2Ba
|gydF4y2BaidTreePartitiongydF4y2Ba
|gydF4y2BaidWaveletNetworkgydF4y2Ba
|gydF4y2BaidSigmoidNetworkgydF4y2Ba
|gydF4y2BaidFeedforwardNetworkgydF4y2Ba
|gydF4y2BaidCustomNetworkgydF4y2Ba
|gydF4y2BaidnlarxgydF4y2Ba
|gydF4y2Ba评估gydF4y2Ba
主题gydF4y2Ba
- 高斯过程回归模型gydF4y2Ba(统计和机器学习的工具箱)gydF4y2Ba