高斯过程回归超参数自适应选择粒子群优化算法

摘要：

超参数优化是减少高斯过程回归(Gaussian process regression,GPR)学习方法计算量,提高高斯模型性能的一个重要问题.为解决超参数优化问题中先验知识匮乏,对初始值过分依赖且易陷入局部最优等问题,文章引入粒子群优化(particle swarm optimization,PSO)算法,并结合差分速度更新公式及自适应变异策略,提出了一种自适应差分粒子群-高斯过程回归优化(adaptive differential particle swarm optimization-Gaussian process regression,ADPSO-GPR)算法对GPR中超参数进行自适应优化.该算法在线性与非线性两类时序回归序列上与多种主流超参数优化算法进行对比,实验结果表明,采用该文算法优化超参数后的GPR具有较高的拟合精度及泛化能力.

关键词：超参数、高斯过程回归(GPR)、粒子群优化(PSO)、自适应变异

所属期刊栏目：42

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金资助项目61672024;江西省教育厅科学技术研究资助项目GJJ161568;东莞职业技术学院示范建设专项资金资助项目政201803

在线出版日期：2019-12-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1479-1484