叠前反演是获取地下介质弹性参数的一种重要手段,马尔可夫蒙特卡洛(Markov Chain Monte Carlo,MCMC)算法是叠前反演求解的经典方法。相比于传统的数值优化算法和线性反演方法,MCMC反演算法具备更高的精度,但仍然存在依赖初始模型、计算...叠前反演是获取地下介质弹性参数的一种重要手段,马尔可夫蒙特卡洛(Markov Chain Monte Carlo,MCMC)算法是叠前反演求解的经典方法。相比于传统的数值优化算法和线性反演方法,MCMC反演算法具备更高的精度,但仍然存在依赖初始模型、计算耗时长和不确定性大等问题。为此,对常规MCMC反演算法进行改进,提出基于构造倾角约束的BLI-MCMC叠前随机反演方法。首先,将地质构造倾角加入先验约束信息中,提高反演的采样效率,降低反演结果的不确定性;然后,利用贝叶斯线性反演(Bayesian Linear Inversion,BLI)算法为MCMC反演提供良好的初始模型,并作为迭代起点,缩短马尔科夫链的燃烧时间,从初始模型角度提高反演的效率。模拟数据和实际资料应用结果均表明,改进后的方法能够显著提高反演精度和效率,保持了地下介质较高的横向连续性。该方法可为地下起伏介质的反演提供技术支撑。展开更多
铂电阻传感器的温度测量系统为动态测量系统,其参数处于时变状态,传统不确定度评定方法的静态假设并不适用。因此,本文提出了一种基于马尔科夫蒙特卡洛(MCMC)的贝叶斯统计的铂电阻传感器动态不确定度评定方法,构建了云边端协同的在线计...铂电阻传感器的温度测量系统为动态测量系统,其参数处于时变状态,传统不确定度评定方法的静态假设并不适用。因此,本文提出了一种基于马尔科夫蒙特卡洛(MCMC)的贝叶斯统计的铂电阻传感器动态不确定度评定方法,构建了云边端协同的在线计量系统对动态测量系统进行实时监测;基于贝叶斯信息融合原理实现动态测量系统信息的动态更新;基于Metropolis-Hastings(M-H)算法求解贝叶斯信息融合后验分布的唯一收敛马氏链,有效减少了参数间的相关性,实现了动态测量系统的不确定度动态评定。实验对比GUM法(Guide to the Uncertainty in Measurement)、传统贝叶斯法和改进贝叶斯法的不确定度评定结果,结果表明,本文方法可有效提高温度测量动态系统的不确定度评定结果的精度,解决了铂电阻温度测量动态系统量值可靠性无法估计的问题。展开更多
为提高水文模型参数识别的可靠性,融合自回归模型与马尔可夫链-蒙特卡洛方法(auto regressive model based modified Markov Chain-Monte Carlo,AR-MCMC),利用自回归模型刻画残差序列的自相关性,修正MCMC方法中的残差协方差矩阵。通过...为提高水文模型参数识别的可靠性,融合自回归模型与马尔可夫链-蒙特卡洛方法(auto regressive model based modified Markov Chain-Monte Carlo,AR-MCMC),利用自回归模型刻画残差序列的自相关性,修正MCMC方法中的残差协方差矩阵。通过新疆提孜那甫河流域融雪径流模型(SRM)的案例分析发现:融雪径流模拟的残差序列具有显著的自相关性;修正残差协方差矩阵后,边缘似然值更大;综合考虑多项评价指标,AR-MCMC方法在识别期与验证期推求的预测区间均优于MCMC方法;对比2种方法在识别期与验证期的纳什系数,采用AR-MCMC方法依次为0.86、0.89,而采用MCMC方法依次为0.84、0.87,即AR-MCMC方法获取的模型拟合效果更好。分析结果表明,相对于传统的MCMC方法,AR-MCMC方法能够更好地对研究区融雪径流过程进行模拟预测。展开更多
文摘叠前反演是获取地下介质弹性参数的一种重要手段,马尔可夫蒙特卡洛(Markov Chain Monte Carlo,MCMC)算法是叠前反演求解的经典方法。相比于传统的数值优化算法和线性反演方法,MCMC反演算法具备更高的精度,但仍然存在依赖初始模型、计算耗时长和不确定性大等问题。为此,对常规MCMC反演算法进行改进,提出基于构造倾角约束的BLI-MCMC叠前随机反演方法。首先,将地质构造倾角加入先验约束信息中,提高反演的采样效率,降低反演结果的不确定性;然后,利用贝叶斯线性反演(Bayesian Linear Inversion,BLI)算法为MCMC反演提供良好的初始模型,并作为迭代起点,缩短马尔科夫链的燃烧时间,从初始模型角度提高反演的效率。模拟数据和实际资料应用结果均表明,改进后的方法能够显著提高反演精度和效率,保持了地下介质较高的横向连续性。该方法可为地下起伏介质的反演提供技术支撑。
文摘铂电阻传感器的温度测量系统为动态测量系统,其参数处于时变状态,传统不确定度评定方法的静态假设并不适用。因此,本文提出了一种基于马尔科夫蒙特卡洛(MCMC)的贝叶斯统计的铂电阻传感器动态不确定度评定方法,构建了云边端协同的在线计量系统对动态测量系统进行实时监测;基于贝叶斯信息融合原理实现动态测量系统信息的动态更新;基于Metropolis-Hastings(M-H)算法求解贝叶斯信息融合后验分布的唯一收敛马氏链,有效减少了参数间的相关性,实现了动态测量系统的不确定度动态评定。实验对比GUM法(Guide to the Uncertainty in Measurement)、传统贝叶斯法和改进贝叶斯法的不确定度评定结果,结果表明,本文方法可有效提高温度测量动态系统的不确定度评定结果的精度,解决了铂电阻温度测量动态系统量值可靠性无法估计的问题。
文摘为提高水文模型参数识别的可靠性,融合自回归模型与马尔可夫链-蒙特卡洛方法(auto regressive model based modified Markov Chain-Monte Carlo,AR-MCMC),利用自回归模型刻画残差序列的自相关性,修正MCMC方法中的残差协方差矩阵。通过新疆提孜那甫河流域融雪径流模型(SRM)的案例分析发现:融雪径流模拟的残差序列具有显著的自相关性;修正残差协方差矩阵后,边缘似然值更大;综合考虑多项评价指标,AR-MCMC方法在识别期与验证期推求的预测区间均优于MCMC方法;对比2种方法在识别期与验证期的纳什系数,采用AR-MCMC方法依次为0.86、0.89,而采用MCMC方法依次为0.84、0.87,即AR-MCMC方法获取的模型拟合效果更好。分析结果表明,相对于传统的MCMC方法,AR-MCMC方法能够更好地对研究区融雪径流过程进行模拟预测。
