Resumen

Para resolver el problema de que el algoritmo de Monte Carlo con cadena de Markov no es fcil de converger, tiene un alto ndice de rechazo y es fcil que lo perturbe el ruido cuando la dimensin de los parmetros es alta, se propone un mtodo mejorado de actualizacin de modelos que combina los valores singulares de las funciones de respuesta en frecuencia y el algoritmo de bsqueda de antenas de escarabajo. En primer lugar, se utiliza el muestreo de hipercubos latinos para extraer las muestras de entrenamiento. La matriz de Hankel se reconstruye utilizando las funciones de respuesta en frecuencia calculadas y se descompone mediante descomposicin de valores singulares. Los valores singulares efectivos se conservan para representar las funciones de respuesta en frecuencia. En segundo lugar, segn las muestras de entrenamiento y los valores singulares correspondientes, se ajusta el modelo sustituto de la mquina de vectores de soporte y se comprueba su precisin. A continuacin, se estima la distribucin de probabilidad posterior de los parmetros introduciendo el algoritmo de bsqueda de antenas de escarabajo sobre la base del algoritmo estndar MetropolisHastings para mejorar el rendimiento de las cadenas de Markov y la ergodicidad de las muestras. Los resultados de los ejemplos muestran que las cadenas de Markov tienen un mejor rendimiento global y que la tasa de aceptacin de muestras candidatas aumenta tras la actualizacin. Incluso si se introduce el ruido blanco gaussiano en las funciones de respuesta en frecuencia de las pruebas en condiciones de dao de trabajo nico y mltiple, tambin pueden obtenerse resultados de actualizacin satisfactorios.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Algoritmo markov chain monte carlo; Convergencia; Tasa de rechazo; Ruido; Dimensión de los parámetros; Valores singulares; Algoritmo de búsqueda de antenas de escarabajo; Muestreo de hipercubos latinos; Matriz de hankel; Funciones de respuesta en frecuencia; Descomposición de valores singulares; Máquina de vectores soporte; Modelo sustituto; Distribución de probabilidad posterior; Algoritmo metropolis hastings; Ergodicidad; Ruido blanco gaussiano; Condiciones de daño.
• Keywords:Markov chain monte carlo algorithm; Convergence; Rejection rate; Noise; Parameter dimension; Singular values; Beetle antennae search algorithm; Latin hypercube sampling; Hankel matrix; Frequency response functions; Singular value decomposition; Support vector machine; Surrogate model; Posterior probability distribution; Metropolis hastings algorithm; Ergodicity; Gaussian white noise; Damage conditions.