【《全连接神经网络与循环神经网络在不确定性量化中的比较研究》18000字】 .docxVIP

全连接神经网络与循环神经网络在不确定性量化中的比较研究

第一章绪论 2

第二章基于MATLAB的有限元分析 3

2.1引言 4

2.2建立有限元方程的基本方法 4

2.2.1加权余量法 4

2.2.2变分方法 7

2.3弹性力学基本方程 8

2.4MATLAB有限元法基本步骤 1

2.4.1前处理部分 11

2.4.2计算单元矩阵及单元节点载荷向量 12

2.4.3系统刚度，阻尼，质量矩阵和节点载荷向量 12

2.4.4施加约束条件 13

2.5算例分析 13

第三章基于全连接神经网络的不确定性量化 18

3.1引言 18

3.2全连接神经网络概述 18

3.3全连接神经网络算法推导 19

3.3.1全连接神经网络前向传播算法 20

3.3.2全连接神经网络反向传播算法 21

3.3.3损失函数讨论与分析 21

均方损失函数 2

交叉熵损失函数 22

3.3.4激活函数讨论与分析 2

Sigmoid激活函数 23

tanh激活函数 24

ReLU激活函数 25

Elu激活函数 26

LeakyReLU激活函数 26

Maxout激活函数 27

3.4基于全连接神经网络的不确定性量化 28

3.4.1自变量，低精度解与高精度解 28

3.4.2自变量与高精度解 32

第四章基于循环神经网络的不确定性量化 34

4.1引言 34

4.2循环神经网络简介 34

4.2.1循环神经网络概述 34

2

4.2.2循环神经网络原理 5

如上图所示，定义输出层神经元公式为 35

4.3基于循环神经网络的不确定性量化 36

4.3.1自变量，低精度解与高精度解 36

4.3.2自变量与高精度解 39

第五章基于贝叶斯神经网络的不确定性量化 41

5.1引言 41

5.2贝叶斯神经网络概论 41

5.2.1变分推断 42

5.3基于贝叶斯神经网络的不确定性量化 43

5.3.1自变量，低精度解与高精度解 43

5.3.2自变量与高精度解 45

参考文献 47

第一章绪论

从真实世界中的物理系统到计算机科学中的仿真模型，每一个系统或者模型都存在不确定性。如图1-1所示为不确定性分类图。

不确定性主要可以分为认知不确定性和随机不确定性两类[1。随机不确定性是客观存在的，可以通过概率方法进行统计分析，也称为客观不确定性。随机不确定性又可以分为同方差不确定性和异方差不确定性。同方差不确定性是指输出的不确定性不随输入的不同而改变，异方差不确定性是指随着输入的改变，输出的不确定性将发生改变，实际问题中异方差不确定性往往占据多数，降低了模型的可信度。

认知不确定性往往是由于知识不够，数据不足，认知有限等因素造成的不确定性。认知不确定性主要包括参数的不确性和结构的不确定性，对于参数不确定性往往先假设参数服从某一分布，再根据给定的数据观察参数分布的变化，也就是估计后验分布，进而得到参数的概率估计来表征参数的不确定性。结构不确定性是选择模型时所带入的误差(吴雨桐，徐梓轩，2022)[1]。

不确定性

不确定性

随机不确定性认知不确定性

异方差随机不确定性同方差随机不确定性结构不确定性参数不确定性

图1-1不确定性分类

而不确定性量化(UncertaintyQuantification,UQ),就是一门在计算应用领域进行定量表征和降低不确定性的科学。KarenWillcox和YoussefMarzouk定义：在实际应用中，不确定性量化主要包括定量表征和不确定性管理。它涵盖了数据观测，理论分析和计算机模型等领域(龙景轩，黎俊杰，2023)。在这样的趋势之下不确定性量化涵盖许多任务，包括灵敏度分析，不确定性传播，统计推断，模型校准，模型验证，实验设计和不确定性决策等等(余睿渊，沈诗涵，2021)。

因此，不确定性量化从应用数学和统计学中引用了许多基础性知识及概念，例如：

误差估计，近似理论，蒙特卡罗方法和随即建模121。不确定性量化不仅可以应用于工程领域，而且也可以延伸到金融领域，使这些行业受益匪浅。当系统某些方面无法准确确定的情况下，不确定性量化可以应用在量化和确定系统某个输入或者