岩石力学精品课程课件岩石力学反问题.ppt

岩石力学反问题 第一章 　绪　论 　第一节　反问题 二、研究岩石力学反问题的意义 第二节 系统辨识和参数辨识 一、系统辨识 二、参数辨识 　第二章　参数辨识方法　　　　　的基础知识 第一节 参数辨识的几个要素 一、模型 二、参数和状态 三、准则函数 第二节　参数辨识的方法分类 第三节　参数辨识方法简述 一、观测变量和参数之间的关系 二、线性问题 三、常规最小二乘估计 四、高斯—马尔可夫估计(Gauss-markov estimation) 五、最大似然估计(maximum likelihood estimation) 六、最大验后估计与贝叶斯估计 第四节 参数估计量的统计特性 一、无偏性 二、有效性 三、一致性 第三章　 简单线性模型　　　　 的参数辨识 第一节 引 言 第二节 常规最小二乘估计(简称OLS估计) 第三节　最大似然估计(maximum likelihood Estimation) 第四节　最大验后估计(贝叶斯估计) 第四章　线性模型参数辨识 的矩阵方法及非线性模型参数辨识方法　　　的最优化方法 一、线性模型的矩阵表示 二、常规最小二乘法 三、加权最小二乘法 四、最大似然估计 五、最大验后估计(贝叶斯估计) 六、各种估计的关系 七、非线性模型的参数辨识及最优化方法 八、最优化方法中的基本概念 第五章　参数可辨识条件及其在巷道位移反分析中的应用 第一节　引言 第二节 灵敏系数及可辨识性 第三节　参数可辨识条件 第四节　围岩弹性参数及地应力可辨性的探讨 　用矩阵表示的线性模型比用代数符号表示的线性模型一般性强，用矩阵表示的线性模型的一般式为 　　　　　　　　　　η=Xβ η表示模型输出，β表示参数矢量，它是一个m维的列矩阵，若对η量测n次，则η可记为n维列矩阵，由上式可以看出，此时X必为一n×m的矩阵，我们称X为灵敏矩阵，这是因为它是η关于参数的导数。 η，X和β的矩阵表示为 此式包括了第三章讨论的所有模型。 　对于线性模型η=Xβ，常规最小二乘法的准则函数为　　　　　J=(Y-Xβ) T(Y-Xβ)　　　　　(4-1) 　显然，准则函数J的值，随着所选的参数的不同而不同，使J为最小的β＊，应该是β的最好估计。 　当XTX为非奇异阵，可解得β＊为 　　　　　β＊=(XTX)-1XTY　　　　　　　(4-4) 式(4-4)这个结果称为参数的最小二乘估计量，由式(4-4)可以看出，估计量β＊是量测值Y的线性函数。也有称这样的估计为线性估计。 　可以证明估计量式（4－4）是无偏、有效估计，只有特定的某些X，才是一致估计。 　一般地说，由于量测往往是在不同条件(时刻或位置，仪器精度、环境)下进行的，这些量测所得的数据对于参数估计，有的“价值”大，有的“价值”小，在利用这些数据来估计时，往往希望“价值”大的数据占有较大的比重，使其对估计结果产生较多的影响，我们就用一个数值来表示量测的“信任程度”，这就称之为“权”，引入“权”这个概念以后，最小二乘法就进一步推广为加权最小二乘法。 　它与上述的常规最小二乘法的不同点是在准则函数(4-1)中乘上一个权矩阵，即 　　　　　　　　J=(Y-Xβ)TW(Y-Xβ)　　　　(4-25) 这里W限于对称正定矩阵。 　显然，准则函数J的值，除了随着β的不同而不同外，它也随着所选权的不同而不同，即当J(β＊）=minJ(β)时，所求的参数估计值β＊也与权有关。当权矩阵W取为ψ-1时加权最小二乘估计就变为高斯—马尔可夫估计（　　　　　）。 　　可求得加权最小二乘估计量为 　　　　　　　β＊=(XTWX)-1XTWY　　　　　(4-26) 　　　为了唯一地求出β＊，XTWX必须为非奇异矩阵。由式(4-26)可以看出，当权矩阵为单位矩阵In时，则表示不同时刻(或不同位置)的量测数据一样好，此时的加权最小二乘估计就是常规最小二乘估计，因此常规最小二乘法只是加权最小二乘法的一种特殊情形。　如何选择权，对这个问题并没有普遍适用的规律，需要根据实际量测情况选取权的形式。一般来说，权的形式通常根据各次量测的精度来选择。 　　 　与式(3-37)类似，这里取似然函数为  　将线性模型η=Xβ代入(4-31)得 　由此看出，这是加权最小二乘法中准则函数(4-25)的特例。故最大似然估计可以直接由(4-26)写出 　当量测误差不相关，且有相同的方差σ2时，ψ=σ2In，则由式(4-36)可得 　　　　　β＊=(XTX)-1XTY 　这与常规最小二乘法的估计值完全相同。 　由第三章第四节知，最大验后估计也叫贝叶斯估计，这种估计不但要利用量测误差的统计特性，而且也要利用参数的统计特性