【深度学习驱动的不确定性量化方法18000字】 .pdfVIP

深度学习驱动的不确定性量化方法

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11

2.4.1前处理部分11

2.4.2计算单元矩阵单元节点载荷向量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

3.3.3.1均方损失函数22

33.3.2交叉嫡损失函数22

3.3.4激活函数讨论与分析22

3.3.4.1Sigmoid激活函数23

33.4.2tanh激活函数24

33.4.3ReLU激活函数25

33.4.4Elu激活函数2

33.4.5LeakyReLU激活函数2

3.3.4.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31

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

4.2.2循环神经网络原理35

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3

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⑴。随机不确定性是

客观存在的，可以通过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（萧景明，孟雨萱，2022）[1]o

2

Ai(u)、

A(u)=A2(u)=0(在。内)(2-1)

B(u)、

B(u)=B2(u)=0(在「内)(2-2)

式中，域Q可以代表体积域，也可以代表面积域等等；而「是域Q的边界。未知

函数U可以是标量如：温度，湿度等等；也可以是向量场如：位移，应力，应变，

磁场等等(耿逸尘，苗雪霏，2018)o在后续的研究中，本文将更加注重理论与

实践的结合，通过实地调研、案例分析等方式，将研究成果应用于实际问题的解

决中。同时也会积极寻求与业界、政府等机构的合作，共同推动研究成果的转化

和应用，为社会经济发展贡献力量。在