基于单一线性回归的多保真度代理模型
摘要：多种框架已被提出，以结合来自不同忠诚度的数据进行设计优化和不确定性量化的机械系统响应预测，根据Fern年份dez-Godino等人和Peherstorfer等人的综述。在所有框架中，基于高斯过程的贝叶斯框架具有最高精度的潜力。然而，贝叶斯框架需要通过优化来估计超参数，并且在存在噪声数据的情况下，估计不当的超参数的风险就像Kriging surrogate经常出现的那样。我们提出了一个简单但强大的实际设计和应用框架。在本技术说明中，我们修改了一个启发式框架，通过优化来最小化高忠诚度样本的预测误差。通过多项式基于差异函数来近似系统行为（高忠诚度行为）。关键思想是将低忠诚度模型视为多忠诚度模型中的基础函数，其中缩放因子是回归系数。最小二乘估计的设计矩阵由低忠诚度模型和差异函数组成。然后，使用线性回归同时获得基础函数的缩放因子和系数，从而保证拟合过程的唯一性。除了能够有效估计参数外，所提出的最小二乘多忠诚度代理（LS-MFS）还可以通过简单替换设计矩阵而适用于其他回归模型。因此，预计LS-MFS能够轻松应用于各种应用，如预测方差，D-最优设计，不确定性传播和设计优化。
作者：Yiming Zhang, Nam-Ho Kim, Chanyoung Park and Raphael T. Haftka
论文ID：1705.02956
分类：Data Analysis, Statistics and Probability
分类简称：physics.data-an
提交时间：2017-05-09