.png){kind=icon}
返回
Sequential Monte Carlo with likelihood tempering and parallel implementation for uncertainty quantification
.png){kind=icon}
OA
AI
DOI：10.1002/aic.70319.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
贝叶斯估计能够实现不确定性量化，但解析实现通常难以处理。作为一种近似方法，马尔可夫链蒙特卡罗（MCMC）方法被广泛应用，但由于需要频繁评估似然函数，它带来了较高的计算成本。作为替代方法，序贯蒙特卡罗（SMC）方法在时间序列数据中广为人知，而其在利用似然退火处理非时间序列数据方面的优势尚未得到充分探索。本研究实现了一种带有似然退火的SMC算法，并通过两类问题——玩具问题和利用真实实验数据的甲烷化反应器模型的参数不确定性量化问题——与MCMC进行了比较。此外，我们评估了并行化对SMC性能的影响。结果表明，带有似然退火的SMC在参数相关性较强且似然评估需要计算密集型模拟的问题上，展现出显著更好的计算效率和稳定性。
Keyword:
Sequential Monte Carlo
likelihood tempering
uncertainty quantification
Bayesian estimation
parallel implementation
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4
论文数:
1.1W
被引数:
2.9W
机构
引用论文
Modeling and uncertainty quantification of CO2 absorption process using phase separation solventOAAI
OAAI分享收藏
Gaussian Mixture Model-Based Ensemble Kalman Filtering for State and Parameter Estimation for a PMMA Process.png)
ProcessesOAAI
ProcessesIF0
OAAI分享收藏
查看更多内容