基于多点贝叶斯主动学习的线抽样方法及其在罕见事件估计中的应用

《RELIABILITY ENGINEERING & SYSTEM SAFETY》:Multi-point Bayesian active learning line sampling for rare event estimation

【字体: 大 中 小 】 时间:2025年12月30日 来源:RELIABILITY ENGINEERING & SYSTEM SAFETY 11

编辑推荐:

  本文创新性地提出了一种多点贝叶斯主动学习线抽样(MBAL-LS)方法,用于高效评估小失效概率。该方法通过推导后验方差松弛上界(RUPV)作为失效概率认知不确定性的量化指标,并解析提出松弛后验方差缩减(RUPVR)学习函数,实现了批量样本的全局最优选择。相较传统"局部"学习函数,MBAL-LS显著提升了计算效率,并首次为线抽样(LS)量身定制了并行主动学习框架,为工程可靠性分析提供了新范式。

  
亮点
  • •
    首次从多点贝叶斯主动学习视角重构线抽样(LS),提出松弛后验方差上界(RUPV)指标,可量化LS估计失效概率的最大认知不确定性
  • •
    解析推导出前瞻性学习函数RUPVR,能选择使RUPV最大缩减的k(≥1)个新样本批次
  • •
    通过逐步最大化RUPVR实现批量样本富集,重要方向更新和线处理流程均针对并行计算优化
提出的多点贝叶斯主动学习线抽样方法
为最大程度降低RUPV,每轮迭代选择K个最优样本点XK*= {x⊥(n+1), ..., x⊥(n+K)},通过直接优化高维目标函数实现批量富集。虽然候选池规模nc=O(103-4)时组合数巨大,但通过候选池剪枝策略显著提升优化效率。
算例分析
采用K=1,3,5三种批量尺寸测试MBAL-LS性能。与传统LS、子集模拟(SuS)、自适应Kriging-重要性抽样(AK-IS)等方法对比表明,新方法能以更高精度评估小失效概率,且计算效率显著提升。
结论
MBAL-LS通过将LS中的距离函数赋予Kriging先验,从贝叶斯推断角度定义了可证明的不确定性度量RUPV。基于前瞻性原则推导的RUPVR学习函数,通过逐步最大化实现多点富集,为罕见事件估计提供了新范式。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号