基于深度高斯过程的贝叶斯推断用于污染源定位
应用统计
2018-10-18 v1
摘要
本文提出了一种在危险污染物意外释放事件中定位多个源的贝叶斯框架。该框架将污染物浓度的传感器测量值与基于集成多区域计算流体动力学（multizone-CFD）的污染物归趋与传输模型相融合。为保证在线可处理性，框架采用基于深度高斯过程（DGP）的 multizone-CFD 模型仿真器。为有效表征 multizone-CFD 模型的瞬态响应，该 DGP 仿真器使用矩阵变量高斯过程先验重新表述。所得到的深度矩阵变量高斯过程仿真器（DMGPE）用于定义贝叶斯框架的似然函数，而马尔可夫链蒙特卡罗方法用于从后验分布中采样。所提方法在由 CONTAM 模拟器建模的 30 区域单层建筑中的单源与多污染源定位任务上进行了评估，表明该方法能准确推断污染源位置。此外，DMGP 仿真器以更少的超参数数量优于 GP 与 DGP 仿真器。
引用
@article{arxiv.1806.08069,
title = {Deep Gaussian Process-Based Bayesian Inference for Contaminant Source Localization},
author = {Young-Jin Park and Piyush M. Tagade and Han-Lim Choi},
journal= {arXiv preprint arXiv:1806.08069},
year = {2018}
}
备注
28 pages, 14 figures, submitted to IEEE Access