输入:N 个底层指标特征 X 1 , X 2 , ⋯ , X N 和上层指标特征 Y 1 , Y 2 , ⋯ , Y N ,第 N + 1 个底层指标特征 X N + 1
输出:预测得到的第 N + 1 个上层指标特征 Y N + 1
步骤1:选择高斯核函数:
K i , j = K ( X i , X j ) = θ 0 exp { − 1 2 ∑ d = 1 D 1 η d ( x i , d − x j , d ) 2 } + θ 1
式中:
X i 、 X j ——N组底层指标特征中第i 个和第j个底层指标特征向量, i = 1 , 2 , ⋯ , N , j = 1 , 2 , ⋯ , N ;
θ 0 、 η d 、 θ 1 ——高斯核函数中的超参数, d = 1 , 2 , ⋯ , D 1 ;
x i , d 、 x j , d —— X i 、 X j 中第d 维上的数值;
利用训练样本及核函数构建映射关系,用共轭梯度法及求解其中的超参数 。
步骤2:计算协方差矩阵C :
C i , j = C ( X i , X j ) = k i , j + β − 1 δ i , j
式中: β ——噪声变量, δ i , j = { 1 i = j 0 i ≠ j ;
步骤3:计算 Y N + 1 = k C − 1 t
式中:k——元素为 k ( X i , X N + 1 ) 的向量;t—— ( y 1 , y 2 , ⋯ , y N ) ;
结果: Y N + 1 。