基于高斯过程回归的自适应建模方法技术

本发明专利技术公开了基于高斯过程回归的自适应建模方法，以上一次采样样本高斯过程回归(GPR)建模的极值点和拐点作为参考点确定下一次采样的样本点，并通过多次采样过程和建模过程迭代，对代理模型进行验证和微调，得到最终的预测代理模型。能详细捕捉到细微但重要的局部特征(如窄峰或零点)，从而大大减少高精度的仿真模型所需的时间和硬件成本。仿真模型所需的时间和硬件成本。仿真模型所需的时间和硬件成本。

【技术实现步骤摘要】
基于高斯过程回归的自适应建模方法


[0001]本专利技术属于模型建立方法
，涉及基于高斯过程回归的自适应建模方法。

技术介绍

[0002]高斯过程回归(Gaussian Process Regression，GPR)是一种典型的基于协方差函数的预测算法，具有较高的非线性表达能力和较好的泛化性能，已被广泛的适用于性能分析、模式识别等方面。例如，Jacobs等人先后使用基于局部周期协方差函数的GPR和基于谱混合协方差函数的GPR来建模导弹的准周期雷达散射截面(Radar Cross Section，RCS)响应；Ding等人提出结合GPR和贝叶斯委员会机器分析三维物体的单站RCS随形状的变化规律；Bilal等人利用GPR分析飞机参数化模型的非周期RCS响应。它们可以有效地挖掘稀疏分布样本之间的关系，以获得目标的完整RCS响应，从而显著减少了全波模拟所需的昂贵的时间和硬件成本。然而，传统的基于GPR的建模技术均采用单次采样策略(如均匀采样策略和均匀随机采样策略)，这使得在样本稀疏时难以捕获RCS响应中包含的窄峰值或零点，从而降低了建模精度。...

【技术保护点】

【技术特征摘要】
1.基于高斯过程回归的自适应建模方法，其特征在于，包括以下步骤：步骤1、获取RCS频域原始样本集，所述原始样本集包括频率、RCS，利用所述原始样本集对GPR模型进行训练，得到RCS响应的代理模型；步骤2、对代理模型进行一阶求导，得到极值点对应的频率；计算在每个极值点频率处的曲率、每个极值点频率与原始样本集中频率的最小频率间隔；根据所述曲率、最小频率间隔计算极值点频率的采样概率向量；步骤3、根据采样概率向量确定是否存在新增采样频率；若否，进行下一步；若是，通过仿真方法得到新增采样频率下的RCS响应，更新原始数据集，计算代理模型与仿真方法在更新后原始数据集中每个频率的RCS响应的近似精度；若近似精度小于预设阈值，进行下一步；否则，调整代理模型的参数，用更新后原始数据集训练代理模型，然后回到步骤2；步骤4、对步骤得到代理模型进行二阶求导，得到拐点对应的频率；计算每个拐点频率与更新后原始样本集中频率的最小频率间隔；根据最小频率间隔计算极值点频率的采样概率向量；步骤5、将步骤4得到采样概率向量代入步骤3；步骤6、采样结束，调整代理模型的参数，用步骤5更新后的原始数据集训练代理模型，得到最终代理模型。2.根据权利要求1所述的基于高斯过程回归的自适应建模方法，其特征在于，步骤1具体为：获取RCS频域原始样本集D
(f,σ)
＝{(f
i
,σ
i
)|i＝1,...,n}，其中f
i
、σ
i
分别为第i个样本的频率、RCS，利用所述原始样本集对GPR模型进行训练，得到代理模型m(f)；上式中，权重其中ν、l1、l2、p分别为待求解的超参数，σ＝[σ(f1),...,σ(f
n
)]
T
是包含采样...

【专利技术属性】
技术研发人员：郭立新，肖东海，侯牡玉，左炎春，刘伟，吕冰，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：