×
嗯，韦恩·艾萨克·T。;米尔恰·格里戈里奥。

识别引起极端响应的输入随机场样本。 （英语） Zbl 1481.62071号

申请。数学。建模 82, 916-937 (2020).
小结：考虑一个由依赖于系数随机场的微分方程建模的物理系统。这项工作的目的是确定产生极端响应的随机场样本，作为一种手段：研究以罕见事件为条件的输入规律，并预测随机场样本是否会导致此类事件。这与专注于计算失效概率的可靠性工程不同。我们研究了两种识别这些感兴趣样本的分类方案：基于物理的指标（它是输入随机场的泛函）和近似响应的代理模型。作为这些方法的替代方案，我们提出了一个由两个阶段组成的通用框架，该框架结合了基于物理的代理模型和机器学习分类器的使用。在第一阶段，设计了一个需要对完整模型进行不频繁评估的多重性替代物。然后使用此代理生成足够数量的随机字段样本，这些样本产生极端事件，以便在第二阶段训练机器学习分类器。我们研究了代理模型所需的分析性质，并通过数值例子证明了所提方法的协同作用。

MSC公司：

62M40型 随机字段；图像分析
62G32型 极值统计；尾部推断
62H30型 分类和区分；聚类分析（统计方面）
62号05 可靠性和寿命测试

关键词：

罕见事件采样;不确定性量化;代理模型;极端事件;支持向量机

软件：

AK-MCS公司;Scikit公司
PDF格式BibTeX公司 XML格式引用
\textit{W.I.T.Uy}和\textit{M.D.Grigoriu}，应用。数学。型号82916--937（2020；Zbl 1481.62071）
全文： 内政部

参考文献：

[1] 莫里奥，J。；Balesdent，M。；Jacquemart，D。；Vergé，C.，静态投入产出模型罕见事件模拟方法综述，Simul。模型。实际。理论，49287-304（2014）
[2] 李，J。；Xiu，D.，通过替代模型评估失效概率，J.Compute。物理。，229, 23, 8966-8980 (2010) ·Zbl 1204.65010号
[3] 巴特勒，T。；Wildy，T.，利用代理模型的基于伴随的误差估计来准确预测事件的概率，Int.J.不确定。数量。，8, 2, 143-159 (2018) ·Zbl 1498.60011号
[4] 巴苏达尔，A。；密苏里州。；Sanchez，A.H.，使用支持向量机识别不连续响应和不相交失效域的极限状态函数，Probab。工程机械。，23, 1, 1-11 (2008)
[5] 博伊斯，B.L。；公元前Salzbrenner。；罗德拉斯，J.M。；斯威勒，L.P。；麦迪逊，J.D。；贾里德，B.H。；Shen，Y.-L.，极值统计揭示了添加剂制造中罕见的故障临界缺陷，高级工程师Mater。，19, 8, 1700102 (2017)
[6] Farazmand，M。；Sapsis，T.，探讨湍流动力学系统中极端事件的变分方法，科学。高级，3，9，e1701533（2017）
[7] Farazmand，M。；Sapsis，T.，《极端事件：机制和预测》，应用。机械。修订版，71，5，050801（2019）。https://asmedigitalcollection.asme.org/appliedmechanicsreviews/article-abstract/71/5/050801/629878/Extreme-Events-Mechanisms-and-Predication？redirectedFrom=fulltext
[8] 埃查德，B。；北卡罗来纳州盖顿。；Lemaire，M.，AK-MCS：一种结合克里金和蒙特卡罗模拟的主动学习可靠性方法，Struct。安全。，33, 2, 145-154 (2011)
[9] Grigoriu，M.，《随机微积分》。《科学与工程应用》（2002），Birkhäuser:Birkháuser Boston·Zbl 1015.60001号
[10] 序列号。Reliab公司。工程师。
[11] Grigoriu，M.，随机函数样本的参数模型，J.Compute。物理。，297, 47-71 (2015) ·Zbl 1349.65012号
[12] Grigoriu，M.，《微观和宏观尺度下的材料反应》，计算。马特。科学。，107, 190-203 (2015)
[13] 现场，R.V。；Grigoriu，M.，l^2随机变量多项式混沌近似的收敛性，桑迪亚报告SAND2007-1262（2007）
[14] 菲尔德，R。；Grigoriu，M.，关于多项式混沌近似的准确性，J.Compute。物理。，209, 617-642 (2005)
[15] Grigoriu，M.，《随机非均匀微观结构的响应统计》，SIAM/ASA J.《不确定性》。数量。，252-275（2014年）·Zbl 1348.60099号
[16] 尤伊，W.I.T。；Grigoriu，M.D.，基于voronoi细胞上的插值求解随机方程的自适应方法，Probab。工程机械。，51, 23-41 (2018)
[17] Fawcett，T.，ROC分析简介，模式识别。莱特。，27, 8, 861-874 (2006)
[18] 哈斯蒂，T。；Tibshirani，R。；Friedman，J.，《统计学习的要素》（2009），纽约斯普林格出版社·Zbl 1273.62005年
[19] 北卡罗来纳州克里斯蒂亚尼尼。；Shawe-Taylor，J.，《支持向量机和其他基于核的学习方法简介》（2000），剑桥大学出版社
[20] 莫赫里，M。；Rostamizadeh，A。；Talwalkar，A.，《机器学习基础》（自适应计算和机器学习系列）（2018年），麻省理工学院出版社·Zbl 1407.68007号
[21] Stein，M.，使用拉丁超立方体采样的模拟大样本特性，技术计量学，29，2，143-151（1987）·Zbl 0627.62010号
[22] 佩德雷戈萨，F。；瓦罗佐，G。；Gramfort，A。；米歇尔，V。；蒂里昂，B。；O.格栅。；布隆德尔，M。；普雷滕霍弗，P。；韦斯，R。；杜堡，V。；范德普拉斯，J。；帕索斯，A。；库纳波，D。；布鲁彻，M。；佩罗，M。；Duchesnay，E.，Scikit-learn：Python中的机器学习，J.Mach。学习。第12号决议，2825-2830（2011年）·Zbl 1280.68189号
[23] 弗伦奈，B。；Verleysen，M.，《标签噪声存在下的分类：调查》，IEEE Trans。神经网络。学习。系统。，25, 5, 845-869 (2014)
[24] 斯坦普费尔，G。；Ralaivola，L.，从松散标记的数据中学习SVM，《人工神经网络学报-ICANN 2009》，884-893（2009），施普林格：施普林格-柏林-海德堡
[25] 洛佩兹，V。；费尔南德斯，A。；南卡罗来纳州加西亚。；帕拉德五世。；Herrera，F.，《对不平衡数据分类的洞察：使用数据内在特征的实证结果和当前趋势》，《信息科学》。，250, 113-141 (2013)
[26] Wendland，H.，《分散数据近似》（2004），剑桥大学出版社
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。