[发明专利]用于训练高斯过程回归模型的设备和方法

权利要求书

1.一种用于训练高斯过程回归模型（107）的计算机实现的方法，包括：

基于训练数据点集合来训练（601）高斯过程回归模型（107），其中每个训练数据点与传感器数据函数值和一个或多个传感器数据导数值相关联，其中每个传感器数据导数值是由训练数据点处传感器数据的微分给定的值；

确定（602）附加训练数据点的批次，其基于从所述批次的传感器数据函数值和传感器数据导数值的预测协方差矩阵中选择的部分预测协方差矩阵的度量的优化，部分预测协方差矩阵包括所述批次的传感器数据函数值的预测协方差，其中基于部分预测协方差矩阵的一个或多个特征值的度量的最大化来选择所述批次；以及

基于传感器数据函数值和与附加训练数据点相关联的一个或多个传感器数据导数值来更新（603）高斯过程回归模型（107）。

2.根据权利要求1所述的方法，进一步包括取决于训练数据点和/或所确定的附加训练数据点的批次，控制传感器（103）获取传感器数据，从所述传感器数据可以导出传感器数据函数值和传感器数据导数值，以及从所获取的传感器数据导出传感器数据函数值和传感器数据导数值。

3.根据权利要求1至2中任一项所述的方法，其中矩阵的度量是部分预测协方差矩阵的迹、行列式或最大特征值。

4.根据权利要求1至3中任一项所述的方法，包括基于在数据点空间的一个或多个方向上附加训练数据点的传感器数据函数值的预测方差的最大化来选择所述批次。

5.根据权利要求1至4中任一项所述的方法，包括基于附加训练数据点的传感器数据函数值的预测协方差矩阵的一个或多个主要方向度量的最大化来选择所述批次。

6.根据权利要求1至5中任一项所述的方法，包括确定所述批次的传感器数据函数值和传感器数据导数值的预测协方差矩阵，以及从所述批次的传感器数据函数值和传感器数据导数值的预测协方差矩阵中选择部分预测协方差矩阵。

7.根据权利要求1至6中任一项所述的方法，其中，选择部分预测协方差矩阵，以省略所述批次的传感器数据函数值和传感器数据导数值的预测协方差矩阵中包括传感器数据函数值与传感器数据导数值之间的协方差以及传感器数据导数值本身之间的协方差的那些部分。

8.根据权利要求1至7中任一项所述的方法，其中高斯过程回归模型（107）包括高斯过程超参数，并且其中训练高斯过程回归模型（107）包括基于训练数据点集合确定超参数。

9.根据权利要求1至8中任一项所述的方法，其中高斯过程回归模型（107）包括高斯过程超参数，并且其中更新高斯过程回归模型（107）包括基于传感器数据函数值和与训练数据点相关联的一个或多个传感器数据导数值以及基于传感器数据函数值和与附加训练数据点相关联的一个或多个传感器数据导数值来确定超参数。

10.根据权利要求8或9所述的方法，其中确定超参数包括在给定由超参数指定的高斯过程回归模型（107）的情况下，基于传感器数据函数值和所述一个或多个传感器数据导数值的概率的最大化来确定超参数。

11.根据权利要求1至10中任一项所述的方法，进一步包括将训练数据点加上附加数据点设置为下一训练数据点集合，以及基于作为训练数据点集合的下一训练数据点集合重复批次选择和高斯过程回归模型（107）的更新。

12.根据权利要求1至11中任一项所述的方法，进一步包括基于经更新的高斯过程回归模型（107）控制一个或多个致动器（106）。

13.一种回归设备（105），被配置为执行权利要求1至12中任一项的方法。