贝叶斯蒙特卡罗法在水质模型不确定性中应用.pptxVIP

贝叶斯蒙特卡罗法在水质模型不确定性研究中的应用发展 Development of Bayesian Monte Carlo techniques for water quality model uncertainty 相关概念和介绍 Concept Introduction 相关概念与介绍 水质模型的不确定性及其研究意义 相关概念与介绍 贝叶斯定理由英国数学家贝叶斯发展，用来描述两个条件概率之间的关系，比如 P(A|B) 和 P(B|A)。 按照乘法法则，可以立刻导出： P(A∩B) = P(A)*P(B|A)=P(B)*P(A|B)。 如上公式也可变形为：P(B|A) = P(A|B)*P(B) / P(A)。 当所求解问题是某种随机事件出现的概率，或者是某个随机变量的期望值时，通过某种“实验”的方法，以这种事件出现的频率估计这一随机事件的概率，或者得到这个随机变量的某些数字特征，并将其作为问题的解。 一般是构造或描述概率过程来模拟实际事件，再从中抽样，建立各种估计量，对大量实验的结果统计，以模拟实际解 相关概念与介绍 | 模型参数有不确定性 | | 利用蒙特卡洛方法量化不确定性 | |使用统计似然函数用于评估给定模型参数在模型状态变量上描述观测数据的能力| |将参数分布初始信息与状态变量测量结合 提供参数分布的改进估计| |在n维超立方体中存储参数分布 直接考虑不确定参数间的协方差| 方法 Methodology Development BMC法的原理和历史 【起源】：原本用于研究内有大量缺省数据时，来判别是否需要处理 【初步的探究步骤】： 根据文献，划定一定参数的范围 从不同参数中寻找统一的分布 从上述统一分布中随机选取参数进行蒙特卡洛分析 比较这些输出 和系统期待响应 当响应能够描述输出时，记录下该组参数 BMC法的原理和历史 【起源】：原本用于研究内有大量缺省数据时，来判别是否需要处理 【初步的探究步骤】： 而当如果通过上一步操作发现 满足条件的参数的范围特别的大 证明实际参数 没有什么有价值信息 【发展】：Fedra (1980) 将其从分析不确定性发展为预测模型结果不确定性——只使用前述步骤中模拟效果好的参数获得结果——并通过这些结果来描述由于输入导致的不确定性 从而用这种方法获得了参数间的协方差，找寻出参数间的关系 所根据的统计学原理 贝叶斯方法在BMC中的应用 BMC中的贝叶斯统计方法，能够改进参数分布的初步估计。 贝叶斯定理可以通过数学上的组合，将先前已知的有关这些参数的一般信息与描述系统行为的现场测量的现场数据相结合，得到一个改进的参数分布估计。 其中，参数值精确指—— ①参数使得模型能很好地表述变量 ②与前述中响应可描述输出的那些参数值相等 所根据的统计学原理 贝叶斯方法在BMC中的应用 改进后的式子为每一个参数值提供一个改进的概率估计值，作为观测数据的函数和对参数概率的预先评估。该方法利用了贝叶斯方法的优点，将来自两个独立源的信息组合起来，以提供对真实参数值的改进估计，贝叶斯理论认为，后验分布所包含的不确定性比两独立源单独测定中的任何一种都要少。 参数的后验估计概率 给定观测数据的参数值的可能性 （c为修正常数） 之前（初步）参数的概率估计 *P (𝜃) 所根据的统计学原理 蒙特卡罗方法在BMC中的应用 将上述原理中描述的分析加入至BMC中，同时考虑任意参数个数（n）下的不确定性。 则使用蒙特卡罗法，对整个n维参数范围内重复上述计算，但在计算时，并不明确计算每个联合参数集的先验概率，而是与从所有与他们先验频率成正比的值中抽出的样结合，进行蒙特卡洛分析。 这样使得所有的不确定性参数都能计算出改进的可能性分布，并进一步分析所得到的矩阵的大o每个不确定参数产生改进的（后）边缘分布，也可以用作第二次分析的输入，以找到导致模型预测中的不确定性的因素。 似然的计算 只要能定义出观测数据的概率密度函数，就可以直接计算水质模型应用的似然函数；同时假设误差是正常的且独立分布，均值为0，误差计算公式如下 多个状态变量时的情况 多个状态变量时的情况 不同标准偏差下的似然分布情况 可以发现高标准偏差的更分散，反之则更集中 高度具有不确定性的现场数据，在广泛的数据误差范围内，似然值保持相对恒定。 当标准偏差减小时，似然值会随着相对误差变为零而急剧下降。 这与贝叶斯推断方法的优点是一致的，因为具有更大确定性的数据比高度不确定性的数据对后验分布有更强的影响。 实际应用 Application of BMC 应用模型介绍 模型：评估污水溢出对溶解氧影响的水质模型 地点： 美国密歇根大急流湾大急流河(the Grand River near Grand Rapids, Michigan ) 一维水质模型，具有四个