基于数据驱动的多保真稀疏多项式逼近：理论、算法与不确定性量化应用.docxVIP

基于数据驱动的多保真稀疏多项式逼近：理论、算法与不确定性量化应用

一、引言

1.1研究背景与意义

在现代科学与工程领域，不确定性广泛存在于各种实际问题中，如气候变化预测、航空航天工程、金融风险管理、生物医学建模等。这些不确定性可能源于数据的不完整性、测量误差、模型参数的不确定性以及对系统物理机制理解的不足等。不确定性量化（UncertaintyQuantification,UQ）旨在评估和表示这些不确定性对模型预测、参数估计或系统行为的影响，为决策提供可信度评估和风险控制，已成为相关领域研究的关键环节。

传统的不确定性量化方法，如蒙特卡洛模拟（MonteCarloSimulation），虽然原理简单、应用广泛，但收敛速度慢，计算成本高，尤其是在处理高维不确定性问题时，计算量呈指数级增长，面临“维数灾难”的挑战。为了克服这些局限性，研究人员不断探索新的方法和技术，其中基于多项式逼近的方法逐渐受到关注。

多保真稀疏多项式逼近是一种新兴的不确定性量化方法，它结合了多保真度建模和稀疏多项式逼近的优势。多保真度建模利用不同精度层次的模型来描述系统，通过低保真模型提供的先验信息，指导低保真模型的构建和计算，从而在保证精度的前提下，显著降低计算成本。而稀疏多项式逼近则基于系统响应通常具有稀疏性的特点，即只有少数几个多项式项对系统响应起主要作用，通过选择这些关键项进行逼近，避免了传统