张生;杨秀;萨米·廷德尔;林广 增强高斯随机场:理论与计算。 (英语) Zbl 1492.60091号 离散连续。动态。系统。,序列号。S公司 15,第4期,931-957(2022)。 摘要:我们提出了新的增广高斯随机场(AGRF),这是一个通用的框架,包含了任何阶的可观测数据和导数。建立了严格的理论。我们证明了在一定条件下,任何阶的可观测值及其导数都由单个高斯随机场控制,即上述AGRF。作为推论,“高斯过程的导数仍然是高斯过程”的说法得到了验证,因为导数是由AGRF的一部分表示的。此外,构造了一种与通用AGRF框架相对应的计算方法。考虑了无噪音和噪音场景。后验分布的公式以一种很好的闭合形式推导出来。我们计算方法的一个显著优点是,通用AGRF框架提供了一种自然的方法来合并任意阶导数并处理缺失的数据。我们用四个数值例子证明了计算方法的有效性。数值例子包括复合函数、阻尼谐振子、Korteweg-De-Vries方程和Burgers方程。 引用于1文件 MSC公司: 60G15年 高斯过程 60G60型 随机字段 关键词:高斯随机场;高斯过程回归;任意阶导数;缺少数据;噪声数据 PDF格式BibTeX公司 XML格式引用 \textit{S.Zhang}等人,离散Contin。动态。系统。,序列号。S 15,编号4,931--957(2022;Zbl 1492.60091) 全文: 内政部 arXiv公司 参考文献: [1] P.Abrahamsen和N.regnesentral,高斯随机场和相关函数综述挪威Regnesentral/挪威计算中心,1997年。 [2] R.J.Adler,随机域的几何《工业和应用数学学会》,2010年·Zbl 1182.60017号 [3] O.A.Chkrebtii;D.A.Campbell;B.Calderhead;M.A.Girolma,微分方程贝叶斯解不确定性量化,贝叶斯分析,11239-1267(2016)·Zbl 1357.62108号 ·doi:10.1214/16-BA1017 [4] H.-S.Chung和J.Alonso,使用梯度构建高维设计优化问题的协克里金近似模型第40届AIAA航空航天科学会议和展览,美国航空航天研究所,2002年。 [5] J.Cockayne、C.J.Oates、T.J.Sullivan和M.Girolama,贝叶斯概率数值方法,SIAM审查, 61 (2019), 756-789. ·Zbl 1451.65179号 [6] H.Cramér和M.r.Leadbetter,平稳及相关随机过程:样本函数性质及其应用,调和分析中的实变数法,多佛出版公司,纽约州米诺拉,2004年。 [7] S.Da Veiga;A.Marrel,带不等式约束的高斯过程建模,《图卢兹数学科学年鉴》,21529-555(2012)·Zbl 1279.60047号 ·doi:10.5802/afst.1344 [8] 邓玉祥;G.林;X.Yang,通过梯度增强高斯过程回归实现多保真数据融合,计算物理通信,281812-1837(2020)·Zbl 1477.62238号 ·doi:10.4208/cicp。OA-2020-0151号文件 [9] R.M.Dudley,实分析与概率,编号74剑桥高等数学研究,剑桥大学出版社,2002年·Zbl 1023.60001号 [10] A.I.Forrester;A.Sóbest;A.J.Keane,通过代理建模实现多精度优化,《皇家学会学报A:数学、物理和工程科学》,463,3251-3269(2007)·Zbl 1142.90489号 ·doi:10.1098/rspa.2007.1900 [11] P.Hennig,M.A.Osborne和M.Girolama,概率数字和计算中的不确定性,英国皇家学会会刊A:数学、物理和工程科学, 471 (2015), 20150142. ·Zbl 1372.65010号 [12] M.C.肯尼迪;A.O'Hagan,当快速近似可用时预测复杂计算机代码的输出,Biometrika,87,1-13(2000)·兹比尔0974.62024 ·doi:10.1093/biomet/87.1.1 [13] L.Koralov和Y.G.Sinai,概率论与随机过程,Universitext,Springer Berlin Heidelberg,2007年·邮编:1181.60004 [14] L.Laurent;R.Le Riche;B.苏利埃;P.-A.Boucard,梯度增强元模型及其应用概述,《工程计算方法档案》,26,61-106(2019)·doi:10.1007/s11831-017-9226-3 [15] L.Le Gratet;J.Garnier,《多保真度计算机实验设计的递归共克立格模型》,《国际不确定性量化杂志》,4365-386(2014)·Zbl 1497.62213号 ·doi:10.1615/国际不确定性定量杂志.2014006914 [16] 林书豪;D.B.Dunson,使用高斯过程投影的贝叶斯单调回归,生物统计学,101,303-317(2014)·Zbl 1452.62285号 ·doi:10.1093/biomet/ast063 [17] H.Liu;Y.-S.Ong;X.Shen;J.Cai,《当高斯过程遇到大数据时:可扩展GP的回顾》,IEEE神经网络和学习系统汇刊,314405-4423(2020)·doi:10.10109/TNNLS.20192957109 [18] A.F.López-Lopera,F.Bachoc,N.Durrande和O.Roustant,带线性不等式约束的有限维高斯近似,SIAM/ASA不确定性量化杂志, 6 (2018), 1224-1255. ·Zbl 1405.60047号 [19] 莫里斯医学博士;T.J.Mitchell;D.Ylvisaker,《计算机实验的贝叶斯设计和分析:导数在表面预测中的应用》,《技术计量学》,35,243-255(1993)·Zbl 0785.62025号 ·doi:10.1080/00401706.1993.10485320 [20] A.Pensoneault;X.Yang;X.Zhu,非负强化高斯过程回归,《理论与应用力学快报》,第10期,182-187页(2020年)·doi:10.1016/j.taml.20.01.036 [21] P.Perdikaris、M.Raissi、A.Damianou、N.D.Lawrence和G.E.Karniadakis,用于数据高效多保真建模的非线性信息融合算法,英国皇家学会会刊A:数学、物理和工程科学, 473 (2017), 20160751. ·Zbl 1407.62252号 [22] M.Raissi;P.Perdikaris;G.E.Karniadakis,使用高斯过程的线性微分方程机器学习,计算物理杂志,348,683-693(2017)·Zbl 1380.68339号 ·doi:10.1016/j.jcp.2017.07.050 [23] M.Raissi、P.Perdikaris和G.E.Karniadakis,含时和非线性偏微分方程的数值高斯过程,SIAM科学计算杂志,40(2018),A172-A198·兹比尔1386.65030 [24] C.E.Rasmussen和C.K.I.Williams,机器学习、自适应计算和机器学习的高斯过程麻省理工学院出版社,2006年·Zbl 1177.68165号 [25] J.袋子;W.J.韦尔奇;T.J.米切尔;H.P.Wynn,《计算机实验的设计与分析》,《统计科学》,第4409-423页(1989年)·Zbl 0955.62619号 [26] M.Schober、D.Duvenaud和P.Hennig,具有runge-kutta均值的概率ODE解算器,arXiv:1406.2582,[cs,数学,统计], 2014. [27] E.Solak、R.Murray-smith、W.E.Leithead、D.J.Leith和C.E.Rasmussen,动态系统高斯过程模型中的导数观测神经信息处理系统的进展15(S.Becker、S.Thrun和K.Obermayer编辑),1057-1064,麻省理工学院出版社,2003年。 [28] S.Ulaganathan;一、库库特;费兰蒂;E.拉尔曼;T.Dhaene,多保真度梯度增强kriging的性能研究,结构和多学科优化,51,1017-1033(2015)·doi:10.1007/s00158-014-1192-x [29] X.Yang;D.巴拉哈斯·索拉诺;G.塔塔科夫斯基;A.M.Tartakovsky,Physics-informed CoKriging:一种基于高斯过程回归的多元数据模型收敛方法,计算物理杂志,395,410-431(2019)·Zbl 1453.62651号 ·doi:10.1016/j.jcp.2019.06.041 [30] X.Yang,G.Tartakovsky和A.Tartakowsky,《基于物理的kriging:一种基于物理的高斯过程回归方法用于数据模型收敛》,arXiv:1809.03461,[cs,统计], 2018. ·Zbl 1453.62651号 [31] X.Yang、X.Zhu和J.Li,当双重性遇到CoKriging:一种有效的基于物理的多保真方法,SIAM科学计算杂志,42(2020),A220-A249·Zbl 1531.62007年 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。