基于贝叶斯平滑样条 ANOVA 的含分类参数与相关输出计算模型校准
统计方法学
2014-06-19 v2
摘要
使用复杂计算机模型预测无数据区域的结果已成为常态。通常需要利用实验数据对这些模型进行校准和验证，而这些实验数据通常由多个相关输出组成。此外，某些模型参数可能本质上是分类的，例如指向系统部分物理的替代模型（或子模型）的指针变量。本文提出了一种适用于此类情况的通用校准方法，其中计算量大的模型的仿真器以及模型与现实的偏差项均在贝叶斯平滑样条（BSS）ANOVA 框架中表示。与传统的 Gaussian Process 相比，BSS-ANOVA 框架具有若干优势，包括易于处理分类输入和相关输出，以及更高的计算效率。最后，将该框架应用于其设计所针对的问题：对用作 CO2 捕集系统中吸收剂的鼓泡流化床的计算流体力学模型进行校准。
引用
@article{arxiv.1405.5297,
title = {Calibration of Computational Models with Categorical Parameters and Correlated Outputs via Bayesian Smoothing Spline ANOVA},
author = {Curtis B. Storlie and William A. Lane and Emily M. Ryan and James R. Gattiker and David M. Higdon},
journal= {arXiv preprint arXiv:1405.5297},
year = {2014}
}