基于主动学习与贝叶斯深度神经网络的高维多输出不确定性传播方法OA北大核心CSTPCD

针对实际工程中存在的具有多个输出响应的高维问题,提出一种基于主动学习与贝叶斯深度神经网络的高维多输出不确定性传播方法。利用多个输出响应对应同一组输入变量的特点,对输入变量进行一次性采样,从而构造初始训练样本集。采用贝叶斯深度神经网络初步构建高维多输出问题的代理模型。贝叶斯深度神经网络能够同时求解多个预测输出响应的不确定性估计,基于该特点发展了一种针对高维多输出问题的主动加点策略,通过主动学习的方式进一步构建具有较高精度的高维多输出代理模型。然后,利用蒙特卡罗采样方法以及高斯混合模型求解多个输出响应的联合概率密度函数。研究结果表明,所提方法不仅能够避免分别对多个输出响应进行独立求解的复杂过程,而且能够利用多个输出响应之间的关联,主动筛选关键样本点进行建模,在一定程度上提高了高维多输出问题的求解效率。最后,通过几个数值算例验证了所提方法的有效性。