高斯過程在機(jī)器學(xué)習(xí)中的應(yīng)用

西安郵電大學(xué)科研訓(xùn)練報告書基于高斯過程在機(jī)器學(xué)習(xí)中的應(yīng)用摘要高斯過程是近年來發(fā)展起來的一種新的機(jī)器學(xué)習(xí)方法，它有著嚴(yán)格的統(tǒng)計學(xué)習(xí)理論基礎(chǔ)，對處理高維數(shù)非線性小樣本復(fù)雜問題具有良好的適應(yīng)性。對列車精準(zhǔn)停車問題的這種復(fù)雜的非線性問題，將高斯過程機(jī)器學(xué)習(xí)方法應(yīng)用于此問題，并提出相應(yīng)的模型，減少數(shù)據(jù)間復(fù)雜的內(nèi)在物理或其他關(guān)系。很多工程實例研究表明，高斯過程機(jī)器學(xué)習(xí)模型是科學(xué)可行的，預(yù)測精度高，簡單實用，對很多問題問題具有較好的適用性。關(guān)鍵詞：高斯過程；機(jī)器學(xué)習(xí)；列車精準(zhǔn)停車AbstractGaussianprocesses(GP)isanewlydevelopedmachinelearningmethodbasedonthestrictstatisticallearningtheory.GPiscapableofsolvingthehighlynonlinearproblemwithsmallsamplesandhighdimensions.Precisetrainstoppingcomplexnonlinearproblem,GPmachinelearningmodelappliedtothisproblem,andproposeamodeltoreducethecomplexityofdatabetweentheintrinsicphysicalorotherrelationship.Casestudiesshowthatmanyoftheworks,GPmachinelearningmodelisscientificandfeasible,thepredictionaccuracyishigh,simpleandpractical,onmanyissuestheproblemhasgoodapplicability.KeyWords:Gaussianprocesses;machinelearning;precisetrainstopping1引言列車（包括火車、地鐵、輕軌等軌道交通工具）的精確停車是軌道交通控制系統(tǒng)中的一項關(guān)鍵技術(shù)。對于有效使用站臺屏蔽門、保證乘客安全、較少乘客換乘時間等有著至關(guān)重要的作用。然而就實際物理模型建模時收到很多方面的制約，且耗費(fèi)大量的金錢。通過研究，將實際上依賴于物理模型的建立和控制參數(shù)的調(diào)整，而采用對數(shù)據(jù)本身的練習(xí)進(jìn)行學(xué)習(xí)和建模。如果能從數(shù)據(jù)中學(xué)習(xí)到列車精確停車的規(guī)律，則可以在保證列車達(dá)到精確停車所需指標(biāo)的同時，大量節(jié)省硬件方面的費(fèi)用，并建立數(shù)據(jù)規(guī)律，同時使結(jié)果與實際模型相聯(lián)系，促進(jìn)物理模型的建立。因此，在利用機(jī)器學(xué)習(xí)來分析列車精確停車問題時，不需要過多關(guān)注各種復(fù)雜的如軌道坡度、摩擦系數(shù)、天氣狀況、乘客數(shù)量等外在因素，而只需關(guān)注對精度有明顯影響的因素如停車的初始速度及距離等。在本文中，將研究機(jī)器學(xué)習(xí)領(lǐng)域的高斯過程（GaussianProcess，GP），并以實際的列車停車車的預(yù)測均值。3結(jié)語（1）在實際應(yīng)用中，應(yīng)盡可能多地收集與分析列車精準(zhǔn)停車相關(guān)的各種影響因素的信息資料，通過豐富學(xué)習(xí)樣本提高高斯過程學(xué)習(xí)的效果，若能充分考慮自然環(huán)境的影響因素并把相關(guān)信息納入學(xué)習(xí)樣本，可以進(jìn)一步提高高斯過程模型預(yù)測結(jié)果的。（2）在實際應(yīng)用中高斯過程機(jī)器學(xué)習(xí)，可以將復(fù)雜的物理實際模型抽象為內(nèi)在的數(shù)據(jù)聯(lián)系，以多次試驗資料作為數(shù)據(jù)源進(jìn)行機(jī)器學(xué)習(xí)，就能推斷出準(zhǔn)確可靠的預(yù)測結(jié)果，對列車的精準(zhǔn)停車的動態(tài)預(yù)測具有較強(qiáng)的適用性，為克服精準(zhǔn)停車測量時條件高度復(fù)雜或測量資料不充分情況下數(shù)值方法模擬困難的局限性提供有效的途徑。（3）實際工程中較多出現(xiàn)的是小樣本預(yù)測問題，與神經(jīng)網(wǎng)絡(luò)相比較，高斯過程機(jī)器學(xué)習(xí)方法對處理小樣本預(yù)測問題較優(yōu)，具有很強(qiáng)的適應(yīng)性。但對于大樣本預(yù)測的問題，大型協(xié)方差矩陣的存儲和運(yùn)算將導(dǎo)致高斯過程的計算負(fù)擔(dān)稍顯繁重，為提高高斯過程的計算效率，建議采用稀疏化技術(shù)來處理。參考文獻(xiàn)[1]SeegerM.Gaussianprocessesformachinelearning[J].InternationalJournalofNeuralSystem，2004，14