基于贝叶斯理论的水文频率参数估计不确定性分析——以P-Ⅲ型分布为例

水文序列受到多重不确定性因素的影响,直接关系到水文频率参数估计结果的精度及可靠性.本文将贝叶斯方法与适线法耦合起来,用于分析水文频率参数估计结果的不确定性,采用基于自适应采样算法的马尔科夫链蒙特卡洛方法(AM-MCMC)求解贝叶斯公式,以P-Ⅲ型分布为例,通过实测序列加以验证,从不确定性角度定量分析了序列长度和历史洪水信息对参数估计结果的影响.将贝叶斯方法估计结果与几种常用方法所得结果进行了对比,相比于传统的确定性方法,贝叶斯方法不仅能应用于P-Ⅲ型分布的参数估计而且可对结果进行不确定性分析,从而可进一步提高水文分析计算的可靠性.

基于核密度估计的AM-MCMC算法在径流模拟中的应用

无资料或资料稀缺地区的径流概率模拟,是目前水文研究难点问题之一。基于此,利用Kernal核密度估计法估算出流量的月径流概率密度函数,采用基于自适应采样算法(Adaptive Metropolis algorithm,AM)的马尔可夫链蒙特卡罗(Markov Chain Monte Carlo,MCMC)模拟方法求解,最后给出月径流量的模拟预测。实例表明基于Kernel核密度估计的AM-MCMC算法模型计算结果精度较高,有良好的应用价值,可在资料较少地区推广使用。

基于AM-MCMC的瓦斯危险等级测评

用相对瓦斯涌出量划分矿井瓦斯等级存在着临界级别模糊性和局限性的缺点,将AM-MCMC算法与BP神经网络相结合,建立测评模型,该模型解决了相邻瓦斯危险级别所存在的模糊性以及训练样本少的问题;结合已有的研究成果,选取最能反映瓦斯危害的5项指标作为基本判别指标,以18组典型的实测数据作为训练样本进行分析计算,所得结果与实际情况基本相符;研究结果表明:基于AM-MCMC的BP神经网络可以应用于煤矿瓦斯危险等级测评当中。

基于AM-MCMC算法和Nash模型的概率洪水预报

贝叶斯理论不仅可与任一确定性水文模型协同工作实现概率洪水预报,而且还可以通过综合参数的先验信息和样本信息来研究指定参数的不确定性.由于难于求得参数的贝叶斯后验密度解析式,采用改进的基于自适应采样的马尔可夫链蒙特卡罗算法(AM-MCMC)求其数值解的方法.经实例应用,得到了长江三峡地区沿渡河流域Nash模型参数k,n的后验分布,实现了该流域的概率洪水预报,同时给出了各时刻洪水流量的均值和方差的预报值.

求van Genuchten模型参数的AM-MCMC方法

采用基于自适应采样算法的马尔科夫链蒙特卡罗方法(简称AM-MCMC)来估算描述土壤水分特征曲线的van Genuchten模型的参数,并推求出模型参数的后验分布,从而为模型参数的不确定性分析提供依据。结果表明,对于van Genuchten模型而言,采用AM-MCMC算法能得到模型参数后验均值和方差的分布,并且能推求出模型参数的置信区间,所以用这种算法来求解van Genuchten方程的参数是行之有效的,为求解van Genuchten模型参数提供了一种新的思路。

物流仓库中的RFID数据与位置联合参数估计方法

由于RFID设备固有特性的限制和环境噪声的影响,造成RFID原始数据的不确定,进一步引起标签位置信息的不准确,严重影响目标对象识别、定位以及跟踪与追溯等业务功能。在物流仓库中基于实际采样处理的电子标签可能溢出到相邻阅读器识别区域这一冗余特点,利用贝叶斯概率推断模型并辅以最小熵的阅读器识别模型,从RFID不确定数据流中捕获标签数据的位置概率分布,采用自适应Markov Chain Monte Carlo(MCMC)方法联合估计物流仓库中RFID数据与标签符号位置参数。最后,利用仿真实验对本算法的有效性和准确性进行了验证。

基于贝叶斯MCMC法的P-Ⅲ分布估参效率比较

基于贝叶斯方法对P-Ⅲ分布的参数进行估计时,为解决复杂高维积分问题并降低计算量,采用MCMC方法得到参数样本。结合实例,对MH算法、DR算法和AM算法等3种常用MCMC方法的计算效率进行比较。结果表明,抽样算法的选择对MCMC方法的结果影响较大,而对频率曲线的拟合效果影响很小,与MH算法和DR算法相比,AM算法的收敛速度更快,计算效率更高。