基于马尔可夫链蒙特卡罗(Markov chain Monte Carlo,MCMC)方法的α稳定分布参数估计具有良好的性能,但不合适的提议函数常导致算法不收敛或混合性能不好。针对提议函数难以选择的问题,提出了一种基于自适应Metropolis算法的非对称α稳...基于马尔可夫链蒙特卡罗(Markov chain Monte Carlo,MCMC)方法的α稳定分布参数估计具有良好的性能,但不合适的提议函数常导致算法不收敛或混合性能不好。针对提议函数难以选择的问题,提出了一种基于自适应Metropolis算法的非对称α稳定分布参数估计新方法。该方法利用Markov链的历史信息自动调整提议函数的协方差矩阵,使其不断地逼近目标分布,从而获得更好的估计结果。理论分析和仿真结果表明,此方法不仅能准确地估计出α稳定分布的4个参数,而且具有良好的鲁棒性和灵活性。展开更多
基于贝叶斯理论,以马尔可夫链蒙特卡罗方法(Markov chain Monte Carlo Simulation,MCMC法)的自适应差分演化Metropolis算法为参数后验分布抽样计算方法,建立利用时变测试数据的参数随机反分析及模型预测方法。以香港东涌某天然坡地降雨...基于贝叶斯理论,以马尔可夫链蒙特卡罗方法(Markov chain Monte Carlo Simulation,MCMC法)的自适应差分演化Metropolis算法为参数后验分布抽样计算方法,建立利用时变测试数据的参数随机反分析及模型预测方法。以香港东涌某天然坡地降雨入渗测试为算例,采用自适应差分演化Metropolis算法对时变降雨条件下非饱和土一维渗流模型参数进行随机反分析,研究参数后验分布的统计特性,并分别对校准期和验证期内模型预测孔压和实测值进行比较。研究结果表明,DREAM算法得到的各随机变量后验分布标准差较先验分布均显著减小;经过实测孔压数据的校准,模型计算精度很高,校准期内95%总置信区间的覆盖率达到0.964;验证期第2～4个阶段95%总置信区间的覆盖率分别为0.52、0.79和0.79,模型预测结果与实测值吻合程度较高。展开更多
文摘基于马尔可夫链蒙特卡罗(Markov chain Monte Carlo,MCMC)方法的α稳定分布参数估计具有良好的性能,但不合适的提议函数常导致算法不收敛或混合性能不好。针对提议函数难以选择的问题,提出了一种基于自适应Metropolis算法的非对称α稳定分布参数估计新方法。该方法利用Markov链的历史信息自动调整提议函数的协方差矩阵,使其不断地逼近目标分布,从而获得更好的估计结果。理论分析和仿真结果表明,此方法不仅能准确地估计出α稳定分布的4个参数,而且具有良好的鲁棒性和灵活性。
文摘基于贝叶斯理论,以马尔可夫链蒙特卡罗方法(Markov chain Monte Carlo Simulation,MCMC法)的自适应差分演化Metropolis算法为参数后验分布抽样计算方法,建立利用时变测试数据的参数随机反分析及模型预测方法。以香港东涌某天然坡地降雨入渗测试为算例,采用自适应差分演化Metropolis算法对时变降雨条件下非饱和土一维渗流模型参数进行随机反分析,研究参数后验分布的统计特性,并分别对校准期和验证期内模型预测孔压和实测值进行比较。研究结果表明,DREAM算法得到的各随机变量后验分布标准差较先验分布均显著减小;经过实测孔压数据的校准,模型计算精度很高,校准期内95%总置信区间的覆盖率达到0.964;验证期第2～4个阶段95%总置信区间的覆盖率分别为0.52、0.79和0.79,模型预测结果与实测值吻合程度较高。
