.png){kind=icon}
返回
Gaussian Process with Bayesian Kernel Selection for Seismic Attenuation Modeling
.png){kind=icon}
PRE
AI
DOI：10.1061/AJRUA6.RUENG-1579.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
建立地震衰减关系模型旨在估算特定场点处地震引起的预期地面运动，这对于地震灾害评估和灾害减缓具有重要意义。地震学机制的复杂性给推导可靠的参数化地震衰减模型带来了挑战。高斯过程（GP）回归是一种贝叶斯非参数方法，用于推断所关注量的估计值及其相关不确定性。由于该方法不依赖预设的函数方程，因此适用于地震衰减建模。然而，需要对GP核函数进行主观指定，且不恰当的核函数可能影响建模性能。为解决此问题，我们提出了一种贝叶斯最优核函数选择方法。具体而言，建立了一个包含潜在核函数的候选池，该池包含典型核函数类型以及所关注输入变量的不同组合。采用贝叶斯推断选择最优核函数，以在拟合能力与鲁棒性之间实现最佳平衡。基于所选最优核函数，GP回归能够正确用于估算所关注量，同时参数及所有估计值的不确定性均可被量化。为验证所提方法的有效性，采用了Ms 8.0汶川大地震的数据集进行演示，并进一步与参数化建模方法进行了对比研究。
Keyword:
Bayesian inference
Gaussian process (GP)
Kernel selection
Nonparametric modeling
Seismic attenuation
Peak ground acceleration
期刊
机构
引用论文
Simultaneous quantification of epistemic and aleatory uncertainty in GMPEs using Gaussian process regression使用高斯过程回归同时量化GMPEs中的认知和偶然不确定性
PREAI
分享收藏Ground-motion prediction equations for the average horizontal component of PGA, PGV, and 5%-damped PSA at spectral periods between 0.01 s and 10.0 s.png)
EARTHQUAKE SPECTRA
EARTHQUAKE SPECTRAIF3.7
PREAI
分享收藏Generative broad Bayesian (GBB) imputer for missing data imputation with uncertainty quantification用于不确定性量化的缺失数据填补的生成广义贝叶斯 (GBB) 填补
PREAI
分享收藏
查看更多内容