基于组合核函数的高斯过程边坡角智能设计

高斯过程(gp)是近年来发展迅速的一种全新学习机。与支持向量机(svm)相比，该方法有着容易实现、超参数可自适应获取及预测输出具有概率意义等优点。结合边坡工程中的边坡角设计，编写了在多种因素影响下边坡角设计的gp程序，为克服单一核函数预测精度和网络泛化能力差的缺点，采用单一核函数相加作为gp的组合核函数，将自动关联性测定参数（ard）引入其中，建立了关于超参数的gp回归网络模型，使用共轭梯度下降算法导出最优超参数，用ard超参数进行输入属性相关性分析和特征选取，并以此网络对测试样本进行学习预测，结合支持向量回归方法给出了在回归问题上的应用和对比分析。结果表明：在边坡角智能设计应用中，采用组合核函数的gpr网络ard参数具有明确的物理意义，预测回归性能优于svm，且预测输出的概率解释能更好的体现预测值的代表性，为边坡角设计开辟新径。