基于特征值分解的设计空间坐标变换增强 Kriging 代理模型

基于摘要分析。本文研究设计变量存在相关性时的目标函数近似问题，提出通过设计空间坐标变换增强 Kriging 代理模型，服务于实际问题中的演化计算与全局优化；主要研究对象是数值优化及翼型设计，而非 EEG 解码或 BCI。 方法利用目标函数梯度，通过特征值分解提取目标函数的主要变化趋势，并据此确定适合代理建模的坐标。其关键思路是在建模前调整设计空间的表示，以改善相关变量条件下的函数近似。摘要未说明梯度如何获得、具体分解对象、坐标变换是否涉及降维，以及 Kriging 核函数与超参数的配置，这些细节尚未验证。 作者报告，在二维测试函数上，相较普通 Kriging，该方法具有更高的近似精度，并降低了达到全局优化所需的计算成本。在以样条曲线作为相关设计变量的翼型设计问题中，作者报告其近似精度与最优解探索能力均有改善。摘要未提供具体误差指标、计算预算、重复试验或统计结果，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若用于 BCI 系统的超参数或工程设计优化，可检验梯度引导的坐标变换是否有助于处理相关搜索变量；这不等同于已验证的 EEG 信号建模收益。可复用部分是坐标变换与 Kriging 代理建模流程，需改造部分是含噪、可能不可微的验证目标及梯度估计。低信噪比、跨被试差异、通道配置变化与小数据验证波动可能使梯度方向不稳定。一个小规模检验是在固定被试划分、相同初始化与评估预算下，对比普通 Kriging 与变换后的 Kriging，考察代理预测误差及最优验证目标随评估次数的变化；相关 EEG 工作尚未检索确认。