一种基于改进MCMC算法的模型修正方法

摘要

cqvip:标准马尔可夫链蒙特卡罗(MCMC)算法不易收敛、拒绝率高,使其应用受到限制。在贝叶斯方法中引入最大熵值法来估计参数的后验概率密度函数最大值,进而将布谷鸟算法中新鸟巢更新的思想融入Metropolis-Hasting(MH)抽样算法得到改进的MH抽样算法,同时使用支持向量机(SVM)建立待修正参数与有限元模型输出之间的代理模型,以提高模型修正的计算效率。分别使用三自由度线性系统和平面桁架模型来验证本文方法的有效性,结果表明:修正后样本的马尔可夫链混合性能好,停滞概率低,修正后参数相对误差均小于2%。