摘要：本课题以高斯过程动态模型的分析建模作为研究背景，对不完整的训练数据和测试数据进行建模和恢复。本课题首先回顾了高斯过程动态模型的四种算法，MAP、Fix.α̅B-GPDM和T.MAP；探讨了带条件的高斯过程动态模型算法CM。面对训练数据缺失与测试数据缺失两种情况，提出了新的适应性算法MAP+、Fix.α̅+、B-GPDM+和T.MAP+来弥补训练数据的不足，以新的CM+算法对测试数据进行恢复。本课题进一步区分数据的连续与随机缺失对以上模型进行改进，推出了更具一般化形式的公式，使用MATLAB平台作出直观图像来展示不同算法对缺失的运动捕获数据的恢复效果，表格列出多次数据的恢复误差，最终实现了一个可以对随机丢失的时序数据的有效恢复算法。

关键词：高斯过程动态模型时序数据数据恢复贝叶斯

毕业设计说明书外文摘要

Title Gaussian Process Dynamical Models for Sequential Data Modeling with Missing Data

Abstract：In this paper, we model and recover the incomplete training data and test data  based on the analysis and modeling of Gaussian process dynamical models. Firstly, we review four algorithms of GPDM, namely MAP、Fix. α̅、B-GPDM and T.MAP, and then discuss the conditional GPDM, namely CM. Secondly, we propose four new adaptive algorithms to make up for the deficiency of the training data, which are MAP+、Fix. α̅+、B-GPDM+ and T.MAP+, and new algorithm CM+ to recover the missing test data. Finally, we further distinguish the continuous and stochastic missing of the data and improve the model above. A more general form is introduced. The MATLAB platform is used to depict images and list recover error in order to visualize the effects of different algorithms on the missing motion capture data. Ultimately, we implement an effectively restored algorithm to recover sequential data with random loss. 

Keywords  GPDM    Sequential Data    Data Missing   Bayesian

目 次

1绪论.1

1.1工程背景与意义1

1.2高斯过程动态模型数据缺失研究现状1

1.2.1高斯过程动态模型研究现状..1

1.2.2时间序列数据缺失研究现状..2

1.3总体技术方案及其社会影响..3

1.3.1总体技术方案和研究内容.3

1.3.2社会影响3

1.4技术方案的经济因素分析.4

1.5论文章节安排..4

2高斯过程动态模型基础6

2.1高斯过程动态模型学习7

2.2有条件的高斯过程动态模型..8

2.3本章小结8

3基于高斯过程动态模型的时序数据恢复方法9

3.1不完整训练数据下的高斯过程动态模型.9

3.1.1MAP+10

3.1.2Fix.