[发明专利]一种基于样本点显著性的高斯过程回归序贯设计方法

权利要求书

1.一种基于样本点显著性的高斯过程回归序贯设计方法，其特征在于，包括如下步骤：

初始建模阶段：对原始候选输入参数集进行聚类分析，将原始候选输入参数集中的样本点聚成至少两个类别；从各类别中选出部分样本点，得到初始输入参数集；

序贯设计阶段：对于当前阶段，对上一阶段的所述初始输入参数集进行聚类分析，将所述初始输入参数集中的样本点聚成至少两个类别，得到聚类之后的输入参数集；获取聚类之后的输入参数集的每个类别中的显著性样本点的数量，计算得到每个类别的显著性样本率；获取所述原始候选输入参数集中除所述初始输入参数集之外的第一剩余输入参数集中各样本点与每个类别的聚类中心的距离，基于最小距离原则，将所述第一剩余输入参数集中的各样本点划分至对应的类别中，得到当前阶段的候选输入参数集以及各类别的样本量；基于预设的当前阶段的添加样本点的调节因子，以及每个类别的显著性样本率，得到当前阶段的每个类别的添加样本量；基于所述原始候选输入参数集、所述第一剩余输入参数集、当前阶段的每个类别的添加样本量以及所述当前阶段的候选输入参数集，得到当前阶段对应的目标输入参数集。

2.根据权利要求1所述的基于样本点显著性的高斯过程回归序贯设计方法，其特征在于，所述从各类别中选出部分样本点，包括：

基于中心化偏差最小的原则，从各类别中选出部分样本点。

3.根据权利要求1所述的基于样本点显著性的高斯过程回归序贯设计方法，其特征在于，所述初始建模阶段中，得到所述初始输入参数集之后，根据所述初始输入参数集建立GPR高斯过程回归模型。

4.根据权利要求1所述的基于样本点显著性的高斯过程回归序贯设计方法，其特征在于，所述获取所述初始建模样本集中的各个样本点的显著性指标，包括：

基于高斯过程回归模型，计算对应的观测值的概率，得到各个样本点的显著性指标；

相应地，显著性样本点的获取过程，包括：获取样本点的显著性指标，若显著性指标小于预设显著性阈值，则样本点为显著性样本点。

5.根据权利要求1所述的基于样本点显著性的高斯过程回归序贯设计方法，其特征在于，所述基于预设的当前阶段的添加样本点的调节因子，以及每个类别的显著性样本率，得到当前阶段的每个类别的添加样本量，包括：

对于当前阶段的任意一个类别的添加样本量，该类别的添加样本量等于当前阶段的添加样本点的调节因子、该类别的显著性样本率与划分之后该类别的样本量的乘积。

6.根据权利要求1所述的基于样本点显著性的高斯过程回归序贯设计方法，其特征在于，所述基于所述原始候选输入参数集、所述第一剩余输入参数集、当前阶段的每个类别的添加样本量以及所述当前阶段的候选输入参数集，得到当前阶段对应的目标输入参数集，包括：

根据遗传寻优算法，从所述原始候选输入参数集中除所述第一剩余输入参数集之外的第二剩余输入参数集中的各个类别中选出对应添加样本量的样本点，与所述当前阶段的候选输入参数集进行叠加，得到所述当前阶段对应的目标输入参数集。

7.根据权利要求1所述的基于样本点显著性的高斯过程回归序贯设计方法，其特征在于，所述序贯设计阶段的终止条件为：达到序贯设计阶段的最大数，或者，序贯设计前后两阶段模型预测的均方误差小于预设值。