利用稀疏多项式混沌展开识别网络输出方差的显著影响输入
统计方法学
2020-06-09 v2
摘要
敏感性分析（SA）是过程自动化的重要方面。其通常旨在识别对过程输出方差有显著影响的过程输入。现有SA方法通常将输入输出关系视为黑箱，并从实际过程或其高保真仿真模型中进行大量随机采样以识别显著影响输入。本文针对一类表示为有向无环网络的输入输出关系，提出一种基于稀疏多项式混沌展开模型的替代新颖方法。该模型利用关系结构，通过将网络节点递归关联至其直接前驱节点，将输出方差追溯至输入。从而准确高效地估计衡量各输入对输出方差影响的Sobol指数。理论分析在某些正则条件下，当网络输出的预测依概率收敛于真实输出时，确立了模型的有效性。在两个制造过程上的实证评估表明，与最先进的蒙特卡洛采样方法相比，该模型以远少的观测值准确估计Sobol指数。
引用
@article{arxiv.1907.04266,
title = {Identifying the Influential Inputs for Network Output Variance Using Sparse Polynomial Chaos Expansion},
author = {Zhanlin Liu and Ashis G. Banerjee and Youngjun Choe},
journal= {arXiv preprint arXiv:1907.04266},
year = {2020}
}