.png){kind=icon}
返回
Transitional active learning of small probabilities
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cma.2025.118144.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在结构可靠性分析和其他稀有事件分析任务中，对受多个失效域影响的小失效概率进行高效估计，是其中的核心且具有挑战性的问题，尤其是在计算资源有限但要求高精度的情形下。为填补这一空白，提出了一种新的主动学习方案，命名为过渡贝叶斯求积法（TBQ）。该方案利用两种平滑的人工中间分布（AIDs）来顺序逼近最优重要性采样密度，并提出了一种配备两种新颖采集函数的贝叶斯求积技术，用于自适应指定AIDs的退火参数以及主动学习连续中间概率的比值，并达到期望精度。特别值得一提的是，给出了便于采集函数和求积规则数值计算的封闭式公式，使TBQ算法在数值上具有高效性和鲁棒性。此外，还引入了一种桥接方案以提高稳定性。最终通过两个基准研究和两个工程应用，展示了两种TBQ算法的有效性和相对优势。
期刊
IF:
7.3
论文数:
1.3W
被引数:
5.6W
机构
暂无机构信息
引用论文
Transitional markov chain monte carlo method for Bayesian model updating, model class selection, and model averaging用于贝叶斯模型更新，模型类选择和模型平均的过渡马尔可夫链蒙特卡洛方法
.png){kind=icon}
PREAI
分享收藏An expected integrated error reduction function for accelerating Bayesian active learning of failure probability用于加速故障概率的贝叶斯主动学习的期望集成误差减少函数
PREAI
分享收藏
分享收藏分享收藏Look-ahead active learning reliability analysis based on stepwise margin reduction基于逐步降维的前瞻主动学习可靠性分析
PREAI
分享收藏
查看更多内容