一种基于概率关联的局部高斯过程回归算法

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.