文献类型：期刊文章

作　　者：周亚同[1,2] 陈子一[1] 马尽文[1]

机构地区：[1]北京大学数学科学学院,数学及其应用教育部重点实验室,北京100871 [2]河北工业大学电子信息工程学院,天津300401

出　　处：《信号处理》

基　　金：国家自然科学基金(61171138);教育部人文社会科学基金(15YJA630108);中国博士后科学基金(2014M561053)共同资助

年　　份：2016

卷　　号：32

期　　号：8

起止页码：960-972

语　　种：中文

收录情况：BDHX、BDHX2014、CSA、CSCD、CSCD2015_2016、JST、RCCSE、ZGKJHX、核心刊

摘　　要：高斯过程(GP)模型是核学习方法与贝叶斯推理相结合的典范,现已成为机器学习领域的一个研究热点。作为对GP模型的拓展,高斯过程混合(MGP)模型具有更强大的学习能力和适应性。然而,目前关于GP和MGP模型的研究较为零散,尚缺少系统的分析与总结。本文首先对于GP模型的基本原理及其研究进展进行了深入地分析和讨论;然后将GP模型拓展至MGP模型,从多方面对MGP模型的研究现状和进展进行了深入地分析和讨论,并指出未来值得探索的研究方向和应用问题。

关 键 词：高斯过程 高斯过程混合模型  机器学习  回归预测  聚类分析

分 类 号：TP18]