采用邻域近似算法估计环境参数不确定性

摘要：

根据贝叶斯理论,逆问题的解可以用后验概率密度来表征,它包含了模型参数先验知识和观测数据信息,反映了反演参数的不确定性.一种快速吉布斯采样算法已经被用于后验概率密度的多维积分运算,但其需要调用大量的声场前向模型,在多个频率或水平变化的匹配场参数反演中,计算量仍然很大.基于邻域近似算法,提出一种比快速吉布斯采样算法更快的参数不确定性估计方法.对低维参数反演问题,邻域算法可以很好地逼近真实的后验概率密度;而对高维问题及其敏感参数,在模型参数样本量有限的条件下,邻域算法很难精确地估计后验概率密度.为了克服以上缺点,并完整地得到反演参数的不确定性信息,设计了一种多步估计方案.数值仿真和实测数据分析表明,多步邻域算法采用较少的计算代价,可获得与快速吉布斯方法相似的估计精度.

机标关键词：邻域算法、近似算法、环境、参数不确定性、approximation algorithm、概率密度、吉布斯、模型参数、反演参数、参数反演、采样算法、不确定性信息、先验知识、数值仿真、数据信息、实测数据、敏感参数、计算代价、估计精度、估计方法

所属期刊栏目：33

分类号：O4(物理学)

资助基金：国家自然科学基金10774119;陕西省自然科学基金2005F40

在线出版日期：2008-04-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：41-50