基于高斯过程回归的试验样本点选取方法与流程

技术特征：
1.一种基于高斯过程回归的试验样本点选取方法，其特征在于，包括：在仿真数据进行性态分析的过程中，确定高斯过程回归模型的核函数；确定误差响应函数；获取实际工程问题中性能测试的历史数据，生成训练数据集；导入所述训练数据集，运用高斯过程回归模型，确定所述核函数的初始化超参数；进行初始化试验构建；运用高斯过程回归模型进行采样的迭代优化，选取最优采样点集合；所述迭代优化结束后，输出选取的所述最优采样点集合。2.根据权利要求1所述的基于高斯过程回归的试验样本点选取方法，其特征在于，所述核函数的计算公式为：其中，x1,x2,...,x
n
为n维样本空间上的坐标；h1,h2,x
10
,x
20
...,x
n0
,a1,a2,...,a
n
为待优化的超参数；h1,h2为调节关联长度的大小；a1,a2,...,a
n
为所述调节关联长度的变化趋势；x
10
,x
20
...,x
n0
为所述调节关联长度的极值的均值。3.根据权利要求1所述的基于高斯过程回归的试验样本点选取方法，其特征在于，所述误差响应函数的计算公式为：其中，var(x)为在n维样本空间中x点上的预测方差。4.根据权利要求3所述的基于高斯过程回归的试验样本点选取方法，其特征在于，假设给出n个采样点后，所述误差响应函数存在p个极大值ε(x
i
),i＝1,...,p，并假定预设指向精度误差为ε0，待选取的所述采样点的坐标x
k
满足：ε(x
k
)≥ε0 f(ε
max-ε0)；其中，ε
max
为所述误差响应函数的最大极大值；f为截断系数，0＜f＜1。5.根据权利要求4所述的基于高斯过程回归的试验样本点选取方法，其特征在于，所述误差响应函数的最大极大值ε
max
的计算公式为：ε
max
＝max[ε(x
i
)]；其中，i＝1,...,p。6.根据权利要求1所述的基于高斯过程回归的试验样本点选取方法，其特征在于，所述初始化试验构建包括：所述核函数的初始化超参数作为初始超参数；预设n
max
值，当采样点的数量超出所述n
max
值，核函数超参数优化程序启动并对所述初始超参数进行优化；设置预设指向精度误差ε0；确定初始采样点集合。7.根据权利要求1所述的基于高斯过程回归的试验样本点选取方法，其特征在于，所述迭代优化包括：判断所述初始化试验构建中的初始采样点集合的数目是否大于n
max
，若大于，所说核函
数超参数优化程序启动；运行所述高斯过程回归模型，在所述训练数据集上确定预设指定精度误差ε0；根据所述误差响应函数确定极大值ε(x
i
)；判断所述极大值ε(x
i
)是否满足max[ε(x
i
)]≤ε0，若满足，所述迭代优化结束，输出选取的所述最优采样点集合。8.根据权利要求7所述的基于高斯过程回归的试验样本点选取方法，其特征在于，所述迭代优化还包括：若所述初始采样点集合的数目小于n
max
，则直接运行所述高斯过程回归模型，在所述训练数据集上确定所述预设指定精度误差ε0。9.根据权利要求7所述的基于高斯过程回归的试验样本点选取方法，其特征在于，所述迭代优化还包括：若所述极大值ε(x
i
)不满足max[ε(x
i
)]≤ε0，选取满足ε(x
k
)≥ε0 f(ε
max-ε0)的所述极大值的采样点集合{x
i
}，将所述采样点集合{x
i
}加入所述初始采样点集合中，重复执行所述迭代优化。10.根据权利要求1至9中任一项所述的基于高斯过程回归的试验样本点选取方法，其特征在于，所述历史数据包括历史实测数据和历史仿真数据。

技术总结
本发明提供了一种基于高斯过程回归的试验样本点选取方法，包括：在仿真数据进行性态分析的过程中，确定高斯过程回归模型的核函数；确定误差响应函数；获取实际工程问题中性能测试的历史数据，生成训练数据集；导入训练数据集，运用高斯过程回归模型，确定核函数的初始化超参数；进行初始化试验构建；运用高斯过程回归模型进行采样的迭代优化，选取最优采样点集合；迭代优化结束后，输出选取的最优采样点集合。本发明解决了现有技术中试验样本点选取效率低的问题。选取效率低的问题。选取效率低的问题。


技术研发人员：刘若鹏 赵治亚 周鑫 何洋
受保护的技术使用者：深圳光启尖端技术有限责任公司
技术研发日：2020.11.17
技术公布日：2022/5/17