提出了一种集成高斯过程回归(Gaussian process regression,GPR)模型的预测方法,首先将信号进行时域和频域分析,提取信号时频域特征,再结合距离相关系数(distance correlation,DC)进行特征筛选;为了提高模型的预测精度,采用Bagging算法...提出了一种集成高斯过程回归(Gaussian process regression,GPR)模型的预测方法,首先将信号进行时域和频域分析,提取信号时频域特征,再结合距离相关系数(distance correlation,DC)进行特征筛选;为了提高模型的预测精度,采用Bagging算法对多个基学习器进行GPR集成,最大限度地降低噪声信号的影响;最后根据贝叶斯后验概率计算得到各子模型的权重,对子模型的输出进行融合,得到全局预测值。进行对比分析实验,验证了该方法的有效性,较之人工神经网络和支持向量机,该方法预测精度更好,具有一定的工程实用意义。展开更多
文摘提出了一种集成高斯过程回归(Gaussian process regression,GPR)模型的预测方法,首先将信号进行时域和频域分析,提取信号时频域特征,再结合距离相关系数(distance correlation,DC)进行特征筛选;为了提高模型的预测精度,采用Bagging算法对多个基学习器进行GPR集成,最大限度地降低噪声信号的影响;最后根据贝叶斯后验概率计算得到各子模型的权重,对子模型的输出进行融合,得到全局预测值。进行对比分析实验,验证了该方法的有效性,较之人工神经网络和支持向量机,该方法预测精度更好,具有一定的工程实用意义。