基于带输入噪声的在线稀疏高斯过程回归的系统辨识
机器学习
2017-08-17 v3 机器学习
系统与控制
摘要
使用非参数回归方法如高斯过程（GP）回归进行系统辨识的兴趣日益增长。GP回归传统上有三个重要缺点：（1）计算密集；（2）无法在线高效纳入新获得的测量值；（3）无法处理随机（含噪）输入点。在本文中，我们提出一种同时解决这三个问题的算法。所得的稀疏在线含噪输入GP（SONIG）回归算法能在常数运行时间内纳入新的含噪测量值。一项比较表明，它比类似的现有回归算法更准确。当应用于非线性黑盒系统建模时，其性能与现有的非线性ARX模型相当。
引用
@article{arxiv.1601.08068,
title = {System Identification through Online Sparse Gaussian Process Regression with Input Noise},
author = {Hildo Bijl and Thomas B. Schön and Jan-Willem van Wingerden and Michel Verhaegen},
journal= {arXiv preprint arXiv:1601.08068},
year = {2017}
}