基于更新径向基函数网络模型的广义Pareto分布函数拟合

广义Pareto分布函数GPD(Generalized Pareto Distribution)是一种针对随机参数尾部进行渐进插值的方法,能够对高可靠性问题进行评估。但这种方法要求样本空间较大,计算成本较高,尽管可以通过径向基函数网络RBFNN(Radial Basis Function Neural Network)辅助抽样的方法削减计算成本,但对于非线性程度较高的问题,RBFNN精度问题使得辅助抽样方法失效。针对这类问题,根据GPD的特点,提出了高效的更新RBFNN训练样本的方法,改善了RBFNN在功能函数分布尾部的精度,将RBFNN辅助抽样方法推广应用到非线性程度较高的问题,准确地得到了所有需要的尾部样本,基于该尾部样本集的GPD拟合结果与基于直接计算所有样本的GPD拟合结果完全一致。