2023年12月5日 · 高斯过程回归 (Gaussian Process Regression, GPR) 是一种强大的非参数回归方法，它能够有效地处理多输入单输出 (Multiple Input Single Output, MISO) 的回归预测问题，并提供预测结果的不确定性估计。

2024年4月20日 · 高斯过程回归（Gaussian Process Regression, GPR）是一种基于高斯过程理论的非参数机器学习方法，尤其适用于回归分析任务。 它以其强大的建模能力和对不确定性量化的优势，在诸多领域如生物医药、金融预测、地质勘探、计算机视觉等得到了广泛应用。

一个gpr模型通过一个高斯过程（gp），引入潜在变量来解释响应。 GPR对于每个样品xi，都引入一个服从高斯分布的潜变量f（xi），所有的f（xi）合起来是一组随机变量，其共同具有一个联合高斯分布。

线性模型的参数仅在于线性部分，而GPR的参数在于线性部分和 kernel部分 ，并且kernel部分是模型的重点； 线性模型的计算复杂度是 O(p^3) ，而高斯过程回归的计算复杂度是 O(n^3) ，p是数据的维度，n是数据量。

2024年8月12日 · 高斯过程回归（Gaussian Process Regression，简称GPR）是一种非参数的机器学习方法，用于建模输入和输出之间的关系。 它可以用于回归问题，通过给定一组输入数据和对应的输出数据，预测新的输入数据对应的输出。

2020年12月30日 · GPR 和内核岭回归（Kernel Ridge Regression）的比较 内核脊回归（KRR）和 GPR 通过内部使用 “kernel trick(内核技巧)” 来学习目标函数。 KRR学习由相应内核引起的空间中的线性函数，该空间对应于原始空间中的非线性函数。

2023年7月15日 · Free GPR data. Ground-penetrating radar data from Schmelzbach and Huber (2015): GPR data recorded with Pulse Ekko Pro from Sensors & Software on the river bed of the Tagliamento River (NE Italy). Avalaible on Zenodo: This data was used to test the efficient deconvolution scheme of Schmelzbar and Huber (2015):

GPR (高斯过程回归)详细推导. 一、综述. GPR来源于线性模型，有两种方式可以推导出GPR，一种是 weight space view,另外一种是function space view。两者考察方式假设不同，关注的对象不同，但是最后导出的结果是相同的。

2024年4月2日 · 高斯过程回归（GPR）是一种强大的非参数贝叶斯方法，适用于回归问题。本文介绍了使用sklearn.gaussian_process模块在Python中实现GPR的步骤，包括模型训练、预测以及参数调整等。

Dataset and utilities for research on localizing ground penetrating radar (GPR). A python-package for handling well based field campaigns. This is an attempt to develop a ground penetrating FMCW radar. The operating range is 100MHz to 1000MHz, central frequency 435MHz. This is work in progress and not yet concrete.