高斯过程在机器学习中的应用

西安郵電大学科研训练报告书基于高斯过程在机器学习中的应用摘要高斯过程是近年来发展起来的一种新的机器学习方法，它有着严格的统计学习理论基础，对处理高维数非线性小样本复杂问题具有良好的适应性。对列车精准停车问题的这种复杂的非线性问题，将高斯过程机器学习方法应用于此问题，并提出相应的模型，减少数据间复杂的内在物理或其他关系。很多工程实例研究表明，高斯过程机器学习模型是科学可行的，预测精度高，简单实用，对很多问题问题具有较好的适用性。关键词：高斯过程；机器学习；列车精准停车AbstractGaussianprocesses(GP)isanewlydevelopedmachinelearningmethodbasedonthestrictstatisticallearningtheory.GPiscapableofsolvingthehighlynonlinearproblemwithsmallsamplesandhighdimensions.Precisetrainstoppingcomplexnonlinearproblem,GPmachinelearningmodelappliedtothisproblem,andproposeamodeltoreducethecomplexityofdatabetweentheintrinsicphysicalorotherrelationship.Casestudiesshowthatmanyoftheworks,GPmachinelearningmodelisscientificandfeasible,thepredictionaccuracyishigh,simpleandpractical,onmanyissuestheproblemhasgoodapplicability.KeyWords:Gaussianprocesses;machinelearning;precisetrainstopping1引言列车（包括火车、地铁、轻轨等轨道交通工具）的精确停车是轨道交通控制系统中的一项关键技术。对于有效使用站台屏蔽门、保证乘客安全、较少乘客换乘时间等有着至关重要的作用。然而就实际物理模型建模时收到很多方面的制约，且耗费大量的金钱。通过研究，将实际上依赖于物理模型的建立和控制参数的调整，而采用对数据本身的练习进行学习和建模。如果能从数据中学习到列车精确停车的规律，则可以在保证列车达到精确停车所需指标的同时，大量节省硬件方面的费用，并建立数据规律，同时使结果与实际模型相联系，促进物理模型的建立。因此，在利用机器学习来分析列车精确停车问题时，不需要过多关注各种复杂的如轨道坡度、摩擦系数、天气状况、乘客数量等外在因素，而只需关注对精度有明显影响的因素如停车的初始速度及距离等。在本文中，将研究机器学习领域的高斯过程（GaussianProcess，GP），并以实际的列车停车车的预测均值。3结语（1）在实际应用中，应尽可能多地收集与分析列车精准停车相关的各种影响因素的信息资料，通过丰富学习样本提高高斯过程学习的效果，若能充分考虑自然环境的影响因素并把相关信息纳入学习样本，可以进一步提高高斯过程模型预测结果的。（2）在实际应用中高斯过程机器学习，可以将复杂的物理实际模型抽象为内在的数据联系，以多次试验资料作为数据源进行机器学习，就能推断出准确可靠的预测结果，对列车的精准停车的动态预测具有较强的适用性，为克服精准停车测量时条件高度复杂或测量资料不充分情况下数值方法模拟困难的局限性提供有效的途径。（3）实际工程中较多出现的是小样本预测问题，与神经网络相比较，高斯过程机器学习方法对处理小样本预测问题较优，具有很强的适应性。但对于大样本预测的问题，大型协方差矩阵的存储和运算将导致高斯过程的计算负担稍显繁重，为提高高斯过程的计算效率，建议采用稀疏化技术来处理。参考文献[1]SeegerM.Gaussianprocessesformachinelearning[J].InternationalJournalofNeuralSystem，2004，14