《Mapping-Based Hierarchical Sensitivity Analysis 。。。》论文笔记

《Mapping-Based Hierarchical Sensitivity Analysis for Multilevel Systems With Multidimensional Correlations》笔记–Part 1

摘要

对带有多层子系统，层级间各变量关联复杂的工程系统，使用基于映射的分层灵敏的分析法构建灵敏度指标。（即基于子系统的SA评估系统整体的SA）

主要思路

• 对含有相关变量的子系统，结合**vine copula理论、Rosenblatt转换、多项式混沌展开（PCE）**三种方法（2012kuchenrenko）获得边缘SA指标；
• 利用边缘SA指标区分输入对响应的相互依赖贡献和独立贡献；
• 建立局部变量和共享变量的扩展聚合公式，整合各级子系统的敏感性指标，以估计输入对响应的全局影响。

研究进展

• A decomposition-based approach to uncertainty analysis offeed-forward multicomponent systems提出基于分解的复杂前馈系统不确定性分析方法，将局部不确定性分析综合为系统不确定性分析，该方法通过重要性抽样技术恢复变量间的依赖关系；
• HSSA：分层统计灵敏度分析，不足是只能处理具有独立子系统的层次系统；
• HSSA-sv（hierarchical statistic sensitivity analysis-shared variables）：用于处理由共享变量引起的子系统响应相关的工程系统。将相关响应（dependent responses）分为多组子集，将其协方差分解为单个单个共享变量的贡献。其不足是：只考虑了两个变量的相关性，难以处理具有多维相关性的系统。

处理难点

尽管SA已经被研究的很好，但仍然很难在分层系统上进行处理。难点主要在于相关变量的分析和灵敏度指标的集成
1.常用的将相关向量转换为独立正态向量的方法有：Rosenblatt变换和Nataf变换，但两者的使用都有一定的前提条件（已知PDF或相关系数矩阵），在实际应用中有局限性。vine-copula是近期较常用的模型。（vine-copula+Rosenblatt）

定义–由共享变量导致的多位相关性

如图所示为有3层子系统的分层系统，其中X为输入变量（懒得打公式啦··就是5个X_i），Z为输出，Y为中间变量向量。系统中的所有变量可分为三类：
1.局部变量：例如X_1,X_2,X_3;
2.共享变量：例如X_4;
3.跨层级共享变量：例如X_5;

由于共享变量的存在，Y和X_5之间相互依赖，并且可能是多维的、非线性的。若忽略这些以来的存在，则会导致分析出现偏差。