您的位置:首页 > 其它

2015-《Sparse Gaussian Process Regression for Compliant, Real-Time Robot Control》

2017-02-27 22:54 1061 查看
发表在《 ICRA》上

稀疏高斯过程回归(GPR)模型,在大数据集的回归上,提供了一个有效的方法。其主要思想是,在可用的训练数据中,选择一个代表性的子集,然后用于GPR近似模型。

过去,用于GPR近似模型的数据选择标准有很多,但是都不够好,或者精确度不够,或者计算成本高。

这篇文章提出了一个新的选择标准,成功选择训练点用于GPR模型。该新算法又快又有效的选择。

在评估阶段,文章用了大数据集来做,充分证明了该近似GPR模型能快速对机器人控制进行实时预测。对比现有的很好的技术,该文章能做到更快和更好的迭代精度。

稀疏高斯过程回归如下:













用最大误差贪婪标准来选择集合

对超参数的增量式学习

评估结果

内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
标签: 
相关文章推荐