基于貝葉斯推斷的改進(jìn)Kriging元建模方法研究.pdf

1、計(jì)算機(jī)試驗(yàn)的設(shè)計(jì)理論和建模方法是在經(jīng)典試驗(yàn)設(shè)計(jì)基礎(chǔ)上發(fā)展起來(lái)的一個(gè)新的方向。借助于計(jì)算機(jī)試驗(yàn)，能夠使得企業(yè)在產(chǎn)品的研發(fā)和制造中獲得設(shè)計(jì)成本低、上市周期短、性能質(zhì)量高等一系列優(yōu)勢(shì)。當(dāng)前，計(jì)算機(jī)試驗(yàn)設(shè)計(jì)與建模已經(jīng)成為企業(yè)的重要組成部分，對(duì)產(chǎn)品設(shè)計(jì)和制造具有重要意義。
　　 與其它多種元建模方法相比，由于Kriging模型具有相對(duì)較高的預(yù)測(cè)精度，因而成為計(jì)算機(jī)試驗(yàn)研究中使用最為廣泛的元模型。鑒于Kriging元模型在計(jì)算機(jī)試驗(yàn)文獻(xiàn)中具

2、有不可替代和舉足輕重的作用與地位，本文著重對(duì)Kriging元模型進(jìn)行了詳細(xì)的討論、分析與研究，并主要針對(duì)Universal Kriging模型的回歸系數(shù)非稀疏性問題展開具體研究。
　　 我們的核心思想是：在基于Kriging的元建模方法中，除了要估計(jì)相關(guān)系數(shù)，還要同時(shí)進(jìn)行回歸模型的選擇和回歸系數(shù)的估計(jì)，換句話說(shuō)，就是實(shí)現(xiàn)回歸模型系數(shù)的稀疏求解。通過在Kriging元建?？蚣芟驴紤]回歸模型的選擇問題，不僅能夠提供一種靈活的Krig

3、ing元建模方法，而且能夠提高模型的預(yù)測(cè)精度。這樣做既能克服Ordinary Kriging在元建模上的不充分，又能避免不重要因子變量對(duì)最佳線性無(wú)偏預(yù)測(cè)的惡性影響。具體地說(shuō)，論文在第四章提出了一種基于Bayesian稀疏先驗(yàn)的快速Kriging建模方法。相對(duì)于最佳線性無(wú)偏Kriging建模中的回歸系數(shù)的最小二乘估計(jì)，本文基于Bayesian稀疏先驗(yàn)的估計(jì)方法本質(zhì)上是一種自適應(yīng)的Tikohonov正則最小二乘估計(jì)，不僅能夠在一定程度上保證