多项式混沌展开稀疏恢复的近优采样策略
统计计算
2018-07-04 v2
摘要
压缩采样已成为在可用模拟样本数量有限时构建多项式混沌代理模型的一种广泛应用方法。最初，这些昂贵的模拟样本会在参数空间中随机位置获取。后来表明，样本位置的选择会显著影响所得代理模型的准确性。这促使了新的采样策略或实验设计方法的出现，例如相干最优采样，旨在改善相干性属性。在本文中，我们提出了一种采样策略，该策略能够识别近最优的样本位置，从而改善局部相干性属性，并增强测量矩阵的互相关属性。我们为所提出的采样策略提供了理论动机，并给出了几个数值示例，表明与其他采样策略相比，我们的近优采样策略产生了更为准确的结果。
引用
@article{arxiv.1702.07830,
title = {A Near-Optimal Sampling Strategy for Sparse Recovery of Polynomial Chaos Expansions},
author = {Negin Alemazkoor and Hadi Meidani},
journal= {arXiv preprint arXiv:1702.07830},
year = {2018}
}