.png){kind=icon}
返回
Bayesian generative kernel Gaussian process regression
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ymssp.2025.112395.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
贝叶斯生成核高斯过程回归（BGKGPR）被提出，这是一种采用最优生成核的新型渐进式概率方法，用于非参数建模。在高斯过程（GP）回归中，核函数被分配以表示输入数据之间的相似性。传统核函数被分配为所有输入变量常用的核函数，并通过试错过程获得最终核函数。然而，核函数类型的选择不当和/或冗余输入变量会显著降低建模性能。为解决此问题，所提出的方法提供了一种生成核增强方案，以开发具有适当输入变量的最优核函数。该方案从一个候选核函数集合开始。通过采用更多特征，这些候选核函数演变为增强核函数。构建了一个贝叶斯指标来评估潜在核函数的性能。因此，选择在拟合能力与鲁棒性之间达到最优平衡的核函数集合进行进一步增强。生成过程以迭代方式执行，直至进一步的增强不再显著提高核函数性能。所提出的方法具有三个显著特点：首先，可以生成具有适当输入变量的最优核函数；其次，结果核函数可以以自动方式高效获得；第三，所有估计值的不确定性可以被量化。为说明所提出方法的有效性，展示了两个数值算例和一个案例研究，该案例研究涉及对一座22层钢筋混凝土建筑进行为期三年的连续监测。
Keyword:
Bayesian inference
Gaussian process
Optimal kernel
Nonparametric modeling
Structural health monitoring
期刊
IF:
8.9
论文数:
1.3W
被引数:
6.6W
机构
引用论文
Model-free data reconstruction of structural response and excitation via sequential broad learning
.png){kind=icon}
PREAI
分享收藏
Eliminating environmental and operational effects on structural modal frequency: A comprehensive review消除环境和操作对结构模态频率的影响: 综合评述
OAAI
OAAI分享收藏分享收藏
查看更多内容