时间信息的贝叶斯优化知觉

大脑运用贝叶斯推理加工时间信息形成优化知觉。贝叶斯模型在趋中效应、多源时间信息整合、时空干扰效应以及同时性的贝叶斯校准这四个课题上取得了较大的进展。本文在测量-估计-决策三阶段模型的框架下,对以上课题中的贝叶斯模型进行分析。未来需检验不同形式的时间信息先验的合理性,厘清似然性的心理表征,探明时间信息贝叶斯估计的神经基础。应该结合时间信息加工模型与贝叶斯模型的优势,为时间信息加工的认知神经机制研究提供新的思路。

关键本构模型识别与不确定性量化方法研究

典型基于输入的最佳估算加不确定性(BEPU)分析方法需要全面考虑各种来源的不确定性,但作为重要不确定性来源之一的最佳估算程序内部本构模型不确定性却很难得到准确量化。针对传统BEPU方法的不足,采用函数型数据分析加次序敏感性分析方法识别重要模型,贝叶斯校准方法加高斯过程代理模型量化模型参数不确定性,得到了一种准确的关键本构模型识别与不确定性量化方法。使用该方法量化了FLECHT-SEASET实验中重要模型的不确定性,并将量化的不确定性抽样传播至包壳温度。另外对该方法与传统的关键本构模型识别方法进行对比。结果表明,该方法可以准确识别瞬态过程中的关键本构模型,传播计算结果能够很好地包络实验值。

办公建筑的物理建模自动校准方法比较研究

可靠的模型校准方法对于建筑节能设计、运行优化、故障诊断起着关键性的作用。针对当下各种校准方法的精度、结果可解释性、时间成本等对比研究不够深入。本文基于办公建筑分别进行了手动校准、优化算法的频率法校准(以下简称频率法)和贝叶斯准则的贝叶斯校准(以下简称贝叶斯法)三种方法的实践以及对比分析。结果表明,手动校准的精度最低为21.3%,频率法和贝叶斯法精度相当,分别为9.7%、9.3%均在10%以内,但频率法的校准时间最短为3个小时,贝叶斯法校准时间最长计算机校准时间为6天。

本构模型不确定性评价结构化方法开发及应用

最佳估算加不确定性(BEPU)方法被国际原子能机构(IAEA)推荐用于核电厂安全分析,目前已成为核电厂执照申请的主流方法。典型BEPU方法依赖于最佳估算程序将输入参数的不确定性传播至输出,而程序本构模型的不确定性则往往没有得到适当考虑。本研究提出了一种结构化方法用于评价程序本构模型的不确定性,基于该方法对本构模型按照特征进行分类,针对不同模型类型采用不同评价方法。本研究使用的模型评价方法包括前向方法中的非参数曲线估计法以及反向方法中的贝叶斯校准法和覆盖率校准法,此外还包含替代模型的构建方法。使用该结构化方法量化了失水事故中重要模型的不确定性,并将量化的模型不确定性通过抽样计算传播至包壳峰值温度。结果表明,抽样计算值和实验值均小于保守计算值,考虑了模型不确定性后的传播计算结果能够很好地包络实验值,且考虑模型不确定性后能够有效增加安全裕量。