基于改进的 M-H 方法的流场入口边界条件反向识别
-
Upload
lamar-mckee -
Category
Documents
-
view
93 -
download
1
description
Transcript of 基于改进的 M-H 方法的流场入口边界条件反向识别
基于改进的 M-H 方法的流场入口边界条件反向识别
胡祥龙
1
本次内容
利用改进的 Metropolis-Hastings (MH) 算法求解流场入口边界条件
基本思路:利用多项式拟合的方法估算接受概率,对于拒绝掉的迭代点不进行计算,而对于接受的迭代点进行精确计算。
2
Metropolis-Hastings (MH )算法
1. 设定参数初始值 x ,设定 i=1 ;2. 从 proposal 分布 q( x , y ) 中生成 y ,计算接受概率
,, min 1,
,i
ii i
y q y xx y
x q x y
,ix y t
3. 生成 [0,1] 之间均匀分布的随机数 t ;
4. 如果
就设置 xi+1=y ,否则 xi+1=xi
5. 重复以上步骤直到预设的迭代次数
每一步搜索过程,都要求解一次正向模型方程,计算量很大
3
改进的 Metropolis-Hastings (MH)算法1. 设定参数初始值 x ,设定 i=1 ;2. 从 proposal 分布 q( x , y ) 中生成 y ,计算接受概率
,, min 1,
,i
ii i
y q y xx y
x q x y
,ix y t
3. 生成 [0,1] 之间均匀分布的随机数 t ;
接受 xi+1=y ,否则 xi+1=xi
5. 重复以上步骤直到预设的迭代次数
,, min 1,
,i
ii i
y q y xx y
x q x y
以概率 改进后的方法是先选择,后精确计算,只对接受的迭代点进行精确计算。
4
4. 如果
算例
如右图所示,房间长 5m ,宽 3m , A 、 B 为两个监测点。入口处风速为 0.25m/s
利用 COMSOL 软件求得 A 、B 两点处的速度,作为“监测数据”
Proposal 分布采取对称区间上的均匀分布
接受概率的估计是采用三次方拟合
马尔可夫链的搜索步数设为5000 步
5
计算结果分析
6
a. 一般情形 b. 快速收敛的情形 c. 缓慢收敛的情形
图中,横坐标均为迭代次数,纵坐标为入口速度值
由于搜索方向的随机性以及初始迭代点的不同,同种计算方法,收敛速度也不一样。但是最终的计算结果都能达到精度要求。
情形 c的统计分析结果入口速度 真实值 平均值 概率极值点 标准差
U_in(m/s) 0.2500 0.2498 2.5016 8.8767e-04
7
结论
改进后的 MH 算法增加了接受概率的预估过程,可以减少计算量,节省计算时间。
由于搜索方向的随机性以及初始迭代点的不同,即使是同种计算方法,收敛速度也不一样。但是最终的计算结果都能达到精度要求。
8
下一步的研究计划
1. 缩小参数的先验范围 a. 与其他优化方法结合,如先利用神经网
络确定一个大致的范围。 b. “ 多个短链 + 一个长链” 2. 减少收敛步数 Proposal 分布的选择
9
谢 谢
10