💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
摘要:
在工程领域,通常需要寻求概率分布,以进行扩展不确定度评估和可靠性分析。虽然有各种方法可用于近似分布,但其中一种常用的方法是基于统计矩(或累积量)的方法。给定这些参数,可以使用各种算法可靠地近似相应的解。然而,常用的算法仅受四个矩的限制,并假定相应的分布是单峰的。因此,本论文分析了一种相对较新且改进的参数分布拟合技术,即基于矩约束的最大熵方法的性能,该方法克服了这些缺点。结果表明,建议的方法的不确定性(或可靠性)估计质量随着矩的数量的增加而改善,而不管分布的形态如何。最后,本文利用来自照明改造项目和电磁传感器设计问题的案例研究,证实了矩法在设计优化问题中的计算效率和数值稳定性。文中提出的结果和讨论可以指导工程师们以最适合其各自系统的方式使用最大熵方法。
寻找感兴趣量的概率分布一直是工程领域的经典问题。根据可用信息的类型,有不同的方法来估计概率分布。例如,当用户打算对分布估计施加先验假设时,通常会采用贝叶斯方法[1]。相反,也有许多情况下,直接观察输出概率分布不可行,但与分布相关的统计数据是可用的,例如矩(或累积量)。在这种情况下,概率分布的构建必须仅基于矩。在工程科学和技术中,基于矩的概率分布估计方法经常用于仪器校准[2]、迭代过程如控制设计[3]和概率设计优化[4]、固态物理学[5]等方面。
给定矩的完整知识而找到累积分布函数(CDF)或概率密度函数(PDF)被称为矩问题。杰出的数学家如斯提尔杰斯、切比雪夫、马尔可夫等人为这一工作奠定了非常坚实的理论基础[6]。早期的研究集中在解的存在性和唯一性。然而,在大多数情况下找到完整的矩序列并不实际,因此在实践中通常使用有限的矩序列。给定有限矩序列下的CDF(或PDF)的问题通常被称为截断矩问题。长期以来人们已经知道,截断矩问题的解不是唯一的,并且对矩值非常敏感[7]。这些发现非常有价值,可以认识到矩方法的局限性(将在下文澄清),然而,它们也导致了广泛的错误看法,即截断矩方法通常是不可靠而低劣的方法。
从截断矩估计的概率分布中最常见的用途之一是用于扩展不确定度评估。根据《测量不确定度的表达指南》[8]及其补充资料[9],这是最广泛引用的不确定度评估文件之一,一个预定置信水平下的量的覆盖区间将被称为扩展不确定度。因此,扩展不确定度的评估只涉及概率分布的上下“尾部”。
详细文章见第4部分。
📚2 运行结果
部分代码:
function polyvalue = polycalc(M,vect,k,p1,l,p2)
% substitutes the vector into the polynomial
%
% for different input arguments
if nargin == 4 % for gradient
p_k = p1(:,k);
polyvalue = 0;
for K = 1:length(p_k)
polyvalue = polyvalue + p_k(M-K+1)*vect.^(M-K);
end
% polyvalue = sum(bsxfun(@times, bsxfun(@power, repmat(vect,[1,9]), linspace(8,0,9)), flipud(p_k).'),2);
elseif nargin == 6 % for hessian
p_k = p1(:,k);
p_l = p2(:,l);
conv_p = conv(p_k,p_l);
IFull = length(conv_p);
polyvalue = 0;
for i = 1:length(conv_p)
polyvalue = polyvalue + conv_p(IFull-i+1)*vect.^(IFull-i);
end
else % unknown number of input arguments
error('Please insert the correct number of input arguments')
end
end
🎉3 参考文献
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。
ARVIND RAJAN 1 , YE CHOW KUANG1 , , MELANIE PO-LEEN OOI1,2,3,, SERGE N. DEMIDENKO4,5, , AND HERMAN CARSTENS6