Gaussian Process Modeling with Weighted Additive Kernels

NCU Institutional Repository > 理學院 > 統計研究所 > 博碩士論文 > Item 987654321/86289

jsp.display-item.identifier=請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/86289

题名:	Gaussian Process Modeling with Weighted Additive Kernels
作者:	吳炳璋;Wu, Bing-Jhang
贡献者:	統計研究所
关键词:	電腦實驗;相加模型;相關函數;Kriging;Computer experiments;Additive models;Correlation function
日期:	2021-07-26
上传时间:	2021-12-07 12:28:05 (UTC+8)
出版者:	國立中央大學
摘要:	電腦實驗在如今變得愈來愈熱門，高斯隨機過程因為具備高靈活性及內插性質，而成為其中一種被廣泛用在電腦實驗的代理模型。此外，高斯隨機過程對於複雜的反應曲面也具有相當優秀的預測表現。一個常見用來定義高斯隨機過程的共變異數函數的方法就是使用相乘性核函數。然而，當有兩個資料點離得太遠時，相乘性核函數可能會表現不佳。為了克服此問題，我們提出一個新的加權相加性核函數，其將相乘性核函數視為特例。我們透過模擬結果和實際資料來展現這個新方法具有較好的預測和解釋能力。;Computer experiments have become more and more popular nowadays. Gaussian processes (GPs) are one of the widely used surrogate models for computer simulators due to their high flexibility and the property of interpolation. GPs also possess good prediction performance for complex response surfaces. A common way for defining the covariance function of a GP is to use a product kernel. However, the product kernel may result in bad performance especially when two inputs have a large lower-dimensional distance. To circumvent this problem, we propose a new weighted additive kernel, which treats the product kernel as a special case. We show that the new kernel leads to better prediction and interpretation performance under several simulated examples and real datasets.
显示于类别:	[統計研究所] 博碩士論文

文件中的档案:

档案	描述	大小	格式	浏览次数
index.html		0Kb	HTML	103	检视/开启

在NCUIR中所有的数据项都受到原著作权保护.

社群 sharing

数据加载中.....