高斯过程在机器学习中的应用.pdfVIP

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 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 Abstract Gaussian processes ( GP) is a newly developed machine learning method based on the strict statistical learning theory. GP is capable of solving the highly nonlinear problem with small samples and high dimensions.Precise train stopping complex nonlinear problem, GP machine learning model applied to this problem, and propose a model to reduce the complexity of data between the intrinsic physical or other relationship. Case studies show that many of the works, GP machine learning model is scientific and feasible, the prediction accuracy is high, simple and practical, on many issues the problem has good applicability. Key Words: Gaussian processes;machine learning;precise train stopping 1 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（Gaussian Process，GP）， 并以实际的列车停车数据做了相关评测。 2 .高斯过程 在机器学习领域中，GP 是指在高斯随机过程与贝叶斯学习理论 基础上发展起来的一种机器学习方法。在统计学理论中，GP 是这样 的一个随机过程：其任意有限变量集合的分布都是高斯分布，即对任 意整数 n  1及任意的一族随机变量 X ，与其对应的 t 时刻的过程状态 f (x) 的联合概率分布服从 n 维高斯分布。GP