混沌多项式展开（Polynomial Chaos Expansions，PCE）- 待更

最新推荐文章于 2024-05-22 10:04:55 发布
最新推荐文章于 2024-05-22 10:04:55 发布
阅读量9.5k 收藏 10
点赞数 1
分类专栏： Mathematics
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wanjiac/article/details/103724457
版权

polynomial chaos expansions 能够精确描述任意分布形式的随机变量的随机性，是一种非常有效的基于随机展开的不确定性分析方法[1]，主要用于“代理模型方法”[2]，代理模型解释见代理模型（百度）以及Surrogate model（WIKI）。

 

这个问题，暂时搁置，后续再学习。

理解其在代理模型的使用即可！

 

References

  1. PCE-知乎：https://zhuanlan.zhihu.com/p/40853397
  2. Nora Lüthen, Stefano Marelli, and Bruno Sudret，Sparse Polynomial Chaos Expansions: Literature Survey and Benchmark
  3. Géraud Blatman, Bruno Sudret ，Sparse polynomial chaos expansions and adaptive stochastic finite elements using a regression approach
  4. Stefano Marelli, Bruno Sudret,  Adaptive designs and sparse polynomial chaos expansions for structural reliability analysis
  5. Polynomial chaos expansion
  6. Bruno Sudret, Global sensitivity analysis using polynomial chaos expansions. Reliability Engineering and System Safety 93 (2008) 964–979

 

 

 

ddd...e_bug
关注
专栏目录
aPC Matlab工具箱：数据驱动的任意多项式混沌：数据驱动的任意多项式混沌扩展用于机器学习，不确定性量化和全局灵敏度分析-matlab开发
05-28
诺伯特·维纳（Norbert Wiener）于1938年提出的多项式混沌扩展（PCE）。直观地，可以将PCE视为在不确定模型参数下以高维多项式形式构造和获得模型响应面的数学最优方法。 最近，多项式混沌扩展得到了对任意多项式混沌扩展的概括（aPC：Oladyshkin S.和Nowak W.，2012），这就是PCE的所谓数据驱动的概括。 像所有多项式混沌扩展技术一样，aPC通过在正交多项式基础上进行扩展来近似仿真模型输出对模型参数的依赖性。 aPC将混沌扩展技术推广到具有任意概率测度的任意分布，该概率测度可以是离散的，连续的或离散的连续的，并且可以解析地（作为概率密度/累积分布函数），数值表示为直方图或原始数据集来指定。 处于有限扩展阶数的aPC仅需要存在有限数量的矩，并且不需要完全的知识，甚至不需要概率密度函数。 这避免了分配有限的可用数据未充分支持的参数概率分布的必要性。 或者，它允
schmidt正交化matlab代码-aPCE:任意多项式混沌展开的Matlab代码
06-08
schmidt变量化matlab代码任意多项式混沌展开 (aPCE) 概括 图：使用任意多项式混沌展开（aPCE）的示意图 作者/合作者 和 描述 我们研究了由多项式混沌扩展 (PCE) 辅助的数据驱动代理建模，并将其应用于工程问题中所需感兴趣量 (QoI) 的预测。 由于在解决复杂问题中的不确定性方面的准确性和效率，PCE 已广受欢迎。 然而，给定系统中随机变量的不可靠信息会限制其使用。 例如，随机变量的公认参数形式可能不是 PCE 的最佳用途。 PCE 所需的从原始变量到自变量的概率转换可能是非线性的，因此可能导致所需 QoI 的计算不准确。 我们不使用参数多项式族，而是利用潜在随机变量的原始矩来开发基于 PCE 的替代模型，并随后预测 QoI。 我们在各种数值示例中演示了这种方法，包括对复杂振动现象导致的海上结构累积疲劳损伤的预测。 相关出版物/演示文稿 Lim, H 和 Manuel, L，用于高效结构可靠性分析的无分布多项式混沌扩展代理模型，工程力学研究所会议，加利福尼亚州帕萨迪纳，2019 年 6 月 18 日至 21 日。[] Lim, H 和 Manuel, L，结构振
多项式混沌展开法
weixin_44606558的博客
08-20 5287
关于多项式混沌展开法求解结构可靠度的基本原理和流程
探索不确定性：chaospy —— Python中的数值工具箱
最新发布
gitblog_00056的博客
05-22 490
探索不确定性：chaospy —— Python中的数值工具箱 chaospyChaospy - Toolbox for performing uncertainty quantification.项目地址:https://gitcode.com/gh_mirrors/ch/chaospy 1、项目介绍 chaospy 是一个强大的Python库，专为执行不确定性量化而设计。它利用多项式混沌展开...
不确定性量化方法简介
m0_46361204的博客
03-05 3120
不确定性量化——广义多项式混沌展开
建立稀疏多项式混沌展开的自适应算法
03-15
建立稀疏多项式混沌展开的自适应算法；Polynomial chaos (PC) expansions are used in stochastic finite element analysis to represent the random model response by a set of coefficients in a suitable (so-called polynomial chaos) basis.
多项式混沌逼近：使用多项式混沌展开方法对几个一维概率分布进行逼近-matlab开发
05-30
主文件“PC_examples_1D.m”包含基本示例，其中使用多项式混沌 (PC) 扩展来近似几个概率分布。 该方法的关键组成部分在于正交多项式的计算和 PC 系数的计算： 一世）。 提供了计算 N 维 Hermite、Charlier 和 Jacobi 多项式的函数； 扩展到其他类型的正交多项式很简单。 ii). PC 系数是使用投影方法估计的，其中使用高斯-厄米积分求解积分。 此步骤仅针对 1D Hermite 多项式编程。 因此，需要进一步扩展到其他类型的正交多项式。 用于估计 PC 系数的回归方法的实现可以解决这个问题（希望它会包含在未来的版本中）。
特征构建：生成多项式特征
AuGuSt_81的博客
01-25 8141
机器学习，一些比赛竞赛中，通常会给一定的特征数据进行分类或者回归预测。有时需要构建更多的特征，然后对特征再进行特征选择。通过增加一些输入数据的非线性特征来增加模型的复杂度通常是有效的。一个简单通用的办法是使用多项式特征，这可以获得特征的更高维度和互相间关系的项。这在 PolynomialFeatures 中实现: >>> import numpy as np >>> from sklea
Coefficients of Polynomial Chaos Expansion (PCE)：这个简单的 Matlab 代码计算对数正态分布不确定参数 X 的 PCE 系数，最高可达 N 阶。-matlab开发
05-29
具有 LN(mu,sigma) 的任何不确定参数 X 的“n”阶系数可以分析计算为： ai_a=sigma^n*exp(mu+sigma^2/2)/(n!) 代码使用Matlab符号积分计算系数
PCE工具箱Matlab.zip
04-28
MATLAB工具箱
基于混沌多项式法的汽车线束串扰统计特性研究
03-02
基于混沌多项式法的汽车线束串扰统计特性研究，高印寒，王天皓，针对汽车线束中导线间的相对距离和线束对地高度会由于不同的安装方式和汽车不同的运动状态而发生随机变化，从而导致汽车线束内导
混沌函数的matlab代码-OpenPC:Matlab的开源多元素广义多项式混沌工具箱
05-28
混沌函数的matlab代码
matlab开发-Polynomialchaosapproximation
08-25
matlab开发-Polynomialchaosapproximation。用多项式混沌展开法逼近了几种一维概率分布
pygpc:基于广义多项式混沌方法的Python敏感性和不确定性分析工具箱
05-26
pygpc 基于广义多项式混沌方法的Python敏感性和不确定性分析工具箱 基本功能： N维系统的高效不确定性分析 使用Sobol指数和基于全局导数的敏感性指数进行敏感性分析 轻松耦合到用Python，Matlab等编写的用户定义模型... 并行化概念允许并行运行模型评估 高效的自适应算法可以分析复杂的系统 包括高效的CPU和GPU（CUDA）实施，可极大地加快解决高维和复杂问题的算法和后处理例程 包括最新技术，例如： 投影：确定最佳折减基数 L1最小化：利用压缩感测中的概念减少必要的模型评估 梯度增强型gPC：使用模型函数的梯度信息以提高准确性 多元素gPC：分析具有间断和急剧过渡的系统 优化的拉丁文Hypercube采样可实现快速收敛 应用领域： pygpc可用于分析各种不同的问题。 例如，在以下框架中使用它： 非破坏性测试： 无创性脑刺激： 经颅磁刺激：
多项式拟合Example-Polynomial-Curve-Fitting.
08-30
它通过找到一个最佳多项式函数来逼近一组数据点，从而帮助我们更好地理解和预测数据的趋势。 #### 二、基本概念 在进行多项式拟合之前，我们需要了解几个基本概念： - **多项式函数**：形式为\(f(x) = a_nx^n + a_...
DTOJ #1079. 多项式展开 mult
Nelson Boss' Blog
04-04 193
一个式子
matlab数值分析和微分Polynomial
weixin_69405372的博客
12-03 517
matlab数值分析和微分Polynomial
多维混沌多项式展开,pce matlab程序
06-22
### 回答1： 多维混沌多项式展开（Multivariate Chaos Polynomial Expansion，MCPE）是一种用于多维随机场的展开方法。它是在多项式混沌理论的基础上发展起来的，而多项式混沌理论是一种利用正交多项式来展开随机变量的方法。 MCPE可以简化求解复杂系统行为的难度，因为它可以用少量的系数来表示多维随机场。它在计算机模拟、风险分析、优化设计等领域中有广泛的应用。 在使用Matlab进行MCPE的计算时，需要编写相应的程序。这个程序可以帮助用户计算MCPE的系数，并且可以对结果进行可视化分析。 编写MCPE Matlab程序时，需要将多项式混沌理论的公式应用于多维随机场的展开。在本程序中，通过使用多项式混沌的公式，可以计算出每个混沌元素对应的系数。 在程序中还需要定义多项式混沌的单元数、单元值以及多项式的次数等基本参数。计算过程中，需要使用循环语句对每一个单元进行计算，从而得到多维混沌多项式展开的结果。 最终，MCPE Matlab程序可以将结果进行可视化，包括展示每个混沌元素对应的系数，同时还可以对结果进行统计分析、优化设计等操作。 ### 回答2： 多维混沌多项式展开，简称为MDCP（Multidimensional Chaos Polynomial Expansion），是一种将随机输入变量和系统输出之间的非线性关系建立模型的方法。PCE（Polynomial Chaos Expansion）是将随机变量进行多项式展开的方法，MDCP是在PCE基础上引入混沌映射来实现对非线性关系的建模。 MDCP方法可以应用于多个领域，例如工程、气象、金融等。在工程领域中，MDCP可以用于建立输入与输出之间的关系，从而预测系统的性能，优化系统设计，提高系统的可靠性和稳定性。在气象预测中，MDCP可以用于建立气象变量之间的关系，从而提高气象预测的准确度。在金融领域中，MDCP可以用于预测股票市场变化、利率走势等金融变量之间的关系。 在MATLAB中，可以使用PCE工具箱进行MDCP建模。该工具箱提供了多项式展开、参数分布、统计量计算等基本功能。使用PCE工具箱的流程包括：定义输入变量及其分布、定义模型、进行模型拟合、进行模型预测。在模型定义过程中，需要选择多项式基函数的类型、阶数，以及混沌映射的类型和参数。在模型拟合和预测过程中，可以使用交叉验证等方法评估模型的性能，选择最优模型。 总之，MDCP方法是建立输入与输出之间非线性关系模型的一种有效方法，在MATLAB中可以使用PCE工具箱实现。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值