首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文

基于高斯过程的动态系统研究

摘要第6-8页
ABSTRACT第8-9页
第一章 绪论第16-25页
    1.1 研究背景和意义第16-21页
    1.2 相关工作第21-23页
        1.2.1 高斯过程第21页
        1.2.2 动态系统第21-22页
        1.2.3 变分近似推理第22-23页
    1.3 本文工作第23页
    1.4 论文的组织结构第23-25页
第二章 高斯过程相关模型第25-44页
    2.1 高斯过程第25-30页
        2.1.1 高斯过程回归第25-28页
        2.1.2 高斯过程分类第28-29页
        2.1.3 模型选择第29-30页
    2.2 稀疏高斯过程第30-32页
        2.2.1 Nystrom低秩近似第30-31页
        2.2.2 信息向量机数据子集近似第31页
        2.2.3 变分辅助变量近似第31-32页
    2.3 多输出高斯过程第32-34页
        2.3.1 协同区域化的线性模型第33页
        2.3.2 卷积多输出高斯过程第33-34页
    2.4 高斯过程隐变量模型第34-37页
        2.4.1 主成分分析与概率主成分分析第34-35页
        2.4.2 高斯过程隐变量模型第35-37页
    2.5 高斯过程动态模型第37-41页
        2.5.1 模型设置第38-39页
        2.5.2 模型推理第39-41页
    2.6 变分高斯过程动态系统第41-43页
        2.6.1 模型设置第41-42页
        2.6.2 模型推理第42-43页
    2.7 本章小结第43-44页
第三章 改进的高斯过程动态模型第44-57页
    3.1 前言第44-45页
    3.2 数据丢失情况分析第45-46页
    3.3 改进的GPDM处理不完全训练数据第46-49页
    3.4 改进的GPDM处理不完全测试数据第49页
    3.5 改进的GPDM处理不连续丢失数据第49-50页
    3.6 实验第50-56页
        3.6.1 改进的GPDM处理训练集丢失第50-53页
        3.6.2 改进的GPDM处理测试集丢失第53-56页
    3.7 本章小结第56-57页
第四章 高阶高斯过程动态模型第57-71页
    4.1 前言第57-58页
    4.2 模型介绍第58-61页
        4.2.1 四阶动态系统第59页
        4.2.2 四阶高斯过程动态模型第59-61页
    4.3 模型训练第61-62页
    4.4 模型预测第62-64页
        4.4.1 隐变量估计第62-63页
        4.4.2 流量预测第63-64页
    4.5 实验第64-70页
        4.5.1 数据集描述与实验设置第64-66页
        4.5.2 实验结果及分析第66-68页
        4.5.3 性能与效率分析第68-70页
    4.6 本章小结第70-71页
第五章 变分依赖多输出高斯过程动态系统第71-91页
    5.1 前言第71页
    5.2 模型介绍第71-76页
        5.2.1 卷积过程协方差函数第74-76页
    5.3 模型训练第76-80页
        5.3.1 关于统计量ψ_0、ψ_1与ψ_2的计算第78-79页
        5.3.2 基于共轭梯度的优化方法第79-80页
    5.4 模型预测第80-82页
        5.4.1 给定时间的预测第80-82页
        5.4.2 给定部分观测的重构第82页
    5.5 实验第82-90页
        5.5.1 人工数据第83-87页
            5.5.1.1 给定时间的预测第83-86页
            5.5.1.2 给定部分观测的重构第86-87页
        5.5.2 运动捕获数据第87-89页
        5.5.3 性能与效率分析第89-90页
    5.6 本章小结第90-91页
第六章 变分依赖多输出多层高斯过程回归模型第91-98页
    6.1 前言第91页
    6.2 模型介绍第91-92页
    6.3 模型训练第92-93页
    6.4 模型预测第93-94页
    6.5 实验第94-96页
        6.5.1 数据集描述与实验设置第94-95页
        6.5.2 实验结果及分析第95-96页
    6.6 本章小结第96-98页
第七章 总结与展望第98-101页
    7.1 总结第98-99页
        7.1.1 提出改进的GPDM用于丢失数据处理第98页
        7.1.2 提出高阶GPDM用于交通流预测第98-99页
        7.1.3 提出VDM-GPDS用于时序数据建模第99页
        7.1.4 提出VDMM-GPRM用于静态数据回归第99页
    7.2 展望第99-101页
        7.2.1 VDM-GPDS分类模型第100页
        7.2.2 VDM-GPDS的大规模处理方法第100-101页
参考文献第101-110页
附录A VDM-GPDS的变分下界推导第110-113页
附录B VDM-GPDS的参数梯度表达式第113-117页
附录C VDM-GPDS的预测分布推导第117-119页
作者简历及在学期间所取得的科研成果第119-122页
致谢第122页

论文共122页,点击 下载论文
上一篇:深紫外与真空紫外飞秒激光的产生及应用探索
下一篇:几类非线性问题的迭代解法及其应用