混沌系统的替代-基于贝叶斯校准方法：传统方法与非传统方法的比较

参数校准对于减少不确定性和改进基于物理的模型的预测保真度至关重要，但通常受限于模型评估的高计算成本。贝叶斯校准方法提供了一种原则框架，用于在严格量化不确定性的同时，将先前信息与数据结合起来。在本文中，我们比较了四种仿真器-基于贝叶斯校准策略：校准-仿真-抽样 (CES)、历史匹配 (HM)、贝叶斯最优实验设计 (BOED) 以及一种针对 BOED 的目标导向扩展 (GBOED)。 proposed GBOED 公式明确针对校准后验的信噪比进行信息增益，使设计决策与下游推断保持一致。我们使用准确性和不确定性量化指标、在计算预算增加下的收敛行为，以及实用考虑如实现复杂度和鲁棒性来评估方法。在 Lorenz '96 系统上，CES、HM 和 GBOED 都产生了强大的校准性能，即使在有限的模型评估次数下也能做到，而标准 BOED 在这一环境下通常表现不佳。在计算预算增加时，这些最强方法之间的差异相对有限。对于双层准地形系统，所有方法都产生合理的后验估计，收敛行为更为一致。总体而言，我们的结果表明，当恰当地应用于时，多种仿真器-基于校准策略可以相当出色地表现，方法选择往往更多地受计算和实用考虑而非准确性因素的影响。这些发现突显了标准 BOED 用于校准的局限性，以及目标导向和迭代方法在复杂动力系统中高效贝叶斯推断的前景。