DACE:Matlab的克里金工具箱_第1页
DACE:Matlab的克里金工具箱_第2页
DACE:Matlab的克里金工具箱_第3页
DACE:Matlab的克里金工具箱_第4页
DACE:Matlab的克里金工具箱_第5页
已阅读5页,还剩17页未读, 继续免费阅读

付费下载

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

DACE:Matlab的克里金工具箱

译自:DACE:AMATLABKrigingToolbox,Version2.0,August1,2002

(version2.0,2002年8月1日)(技术报告IMM-TR-200202)

S0renN.Lophaven,HansBruunNielsen,JacobS0ndergaard

TechnicalUniversityofDenmark(丹麦技术大学)

翻译:CrazyP.er;QQ:457429602;2016.09.02

1.引言

本报告介绍了DACE(DesignandAnalysisofComputerExperiments,计算机实验设计与

分析)软件包的背景和使用说明。DACE软件包是一个对计算机模型做克里金近似(kriging

approximation)的Matlab工具箱。

本软件的典型应用是基于计算机实验数据建立一个克里金近似模型,并将其用作计算机

模型的代理模型。这里,计算机实验是指通过运行计算机琪型获得的若干组输入和响应数据。

而计算机模型的这些输入或响应数据都有可能是高维的.

我们考虑的计算机模型(译注:为便于理解,以下将其代称为“系统”)是确定型的,因

此模型的输出响应不包含随机误差。也就是说,这些模型对同一组输入参数的多次重复运行,

其输出响应总是相同的。

通常,对具有确定型最优参数组合的计算机模型的设计问题,一个近似模型总是需要的。

例如,用计算机模型拟合物理数据的问题。这类设计问题与更一般的预测计算机模型在未测

试输入参数条件下的输出有密切关系。

第2节,我们考虑计算机实验和有效预测器的模型;第3节讨论广义最小平方法

(generalizedleastsquares)及其实现细节;第4节我们考虑预测器的实验设计问题;第5

节是该工具箱的参考使用手册;第6、7节给出一个使用实例和一些注意事项。

2.建模与预测(ModellingandPrediction)

r

给定m个设计点S=.,…,sm](号GR”)及其响应丫=(yGR*)的组合。

假设这些数据服从标准化条件(normalizationconditions):

〃区]=0,必应]=1,7=1n

(2.1)

〃[匕]=°,丫[匕,匕]=1,J=i,,q

(注1:读者不必纠结于该标准化条件,因为模型构建的第•步就是对给定的S、Y做标准

化处理,因此(2.1)式是始终能够满足的。见后文5.1节。)

这里,表示给定矩阵X中的第J个列向量:〃口和修、・]分别表示均侑和协方差。

根据文献[9],我们将n维输入DqR"的确定型输出y(x)wR"表达为由一个回归模

型F和一个随机函数(随机过程)的近似组合:

力(X)=F(£,X)+Z(I),/=1,...,<?(2.2)

F是采用一种p个经过挑选的函数R"一R的线性组合的回归模型:

F(%x)=%工(%)+•••+PpJp(x)

r(2.3)

=[r1p.,

系数{纥,}是回归参数。

假设随机过程z的均值为0,z(w)和z(x)间的协方差为:

E[Z/(M,)Z/(X)]=CF;/?(0,W,X),I=1,…,q(2.4)

其中,苏是系统响应第/组分的过程方差,R(9,*x)表示带有参数夕的相关模型。

模型(2.2)可解释为:尽管系统响应是确定型的,回归模型的偏差可能类似于一个(经

过精心挑选的)随机过程z的采样路径。下面我们将重点关注),的克里金预测器。

但是,首先我们必须记住),的真值可记为:

*(x)=F(£,x)+a⑻㈤(2.5)

其中,。表示近似误差。我们假设:通过合理地选择〃,这一误差将在兴趣区域(如xwD)

内表现地像足“白噪声”。

2.1克里金预测器

对于实验设计点集S,我们可以得到一个扩展的〃维设计矩阵F,使得4=£.5):

尸=[〃》),.••,/(%)了(2.6)

其中/")的定义同(2.3)。进一步,定义R为不同设计点的z之间的随机过程相关系数,

&=,i,j=1,…,m

在未测试点x,令:

(2.8)

表示各设计点与x的z之间的相关系数。

现在,为了方便起见,假设4=1,也就是说尸=怎以及丫=匕,并考虑线性预测器:

y(x)=cry(2.9)

其中C=C(“€R"。其误差为:

y(x)-y(x)=crY-y(x)

rr

=c(F/7+Z)-(/(x)/7-z)

=cTZ-z+[FTc-f(A-))rG

其中Z=h,…,zj「表示各设计点的误差。为保证该预测器无偏,需要使尸'c-/(”)=0,或:

FZ(x)=/(x)(210)

在该条件下,预测器(2.9)的均方误差(MSE)为:

8(x)=W(沁)一加)广

=E[CZ-Z)]

(2.11)

=E[z2+crZZrc-2cTZz']

=a2{\+c,Rc-2crr)

在(2.10)式约束下,以c为自变量最小化9,需要的拉格朗日函数为:

L(c,A)=cy2(\+cTRc-2cTr)-AT[FTc-f)(2.12)

(2.12)式相对c的梯度为:

4(c,/l)=2(T2(7?c-r)-F2

根据最优性的一阶必要条件(参考文献⑺的12.2节),我们可得到以下方程组:

(213)

这里,我们定义:

(2.13)式的解为:

A=(FTR7-/)

(2.14)

c=/?-'(/--F/t)

因此矩阵R与/T是对称的。同时,利用(2.9)我们得到:

y(x)=(r-F2f/?,T

1,(2.15)

=rr/?,y-(Fr/?lr-/)(FTR-'F]FTRXY

在第3节我们将证明,对于回归问题,有:

F/3=Y

其广义最小平方解(相对于R)为:

将其代入(2.15)即可得预测器的表达式为:

y(x)=rrRlY-(F,Rlr-f^p'

=fT/3r+iJR'(Y-F^)(2.16)

=/(x)%+,(x)',

对多响应情况(即q>l),公式(2.16)对丫中的每一列都成立。因此,(2.16)可通过

由(2.15)算得的"eRi和由残差W=”尸〃算得的/屋口…计算。

需要注意的是,对一组固定的设计点,矩阵夕和,也是固定的。对每一个新的x,我

们仅需计算向量/(%)€R,和r(x)eR'\并增加两次简单的乘积。

获得误差的估计需要更多一点的计算工作。同样,首先我们令夕=1。通过(2.11)和(2.14)

我们可以得到预测器的MSE的以下表达式:

(p(x)=cr2(1+cr2r)J

=(T2(l+(F/i-r)y/e'(F/i+r))

,-rr.-r,J(2.17)

=CT^\+ATFTRlFA-rTR'r)

=1+〃,(FrR-'F)'u-r1ATr)

其中〃=和b?通过下文的(3.7)式获得。该表达式可直接推广到多响应情况:对

第/个响应,我们可将。替换为巧——第/个响应函数的过程方差。详细的计算过程将在3.1

节给出。

备注2.1.1令x=s,表示第i个设计点,「")=勺表示A的第i列,R0")=4表示单位阵的

第i列,即将这些关系和(2.6)式代入(2.16)即可得到:

£&)=♦6)「一+/&),Q(y-F/r)

=/(.*)「/r+e:(y-F/r)

这说明克里金模型实现了对设计数据的插值。进一步,在(2.17)中我们得到

“=尸/经_/('.)=0和相关的MSE

。(4)="(1-用C)=(1-1)=0

因为凡=1。

备注2.1.2正如MSE(最小均方误差)的名称所表达的:我们期望但在(217)

式中,+]〃可能发生,而这将导致03<0。这一点需要更深入的研

究,但作为直观理解,我们给出以下解释:式(2.11)是以回归模型与真值之间的偏差是“白

噪声”的假设为基础的,而如果存在显著的近似误差,则(2.5)式及其后续推导都将不成立。

备注2.1.3由(2.16)可得,梯度

嘏「M

可被表示为:

=+•/,(x/Y(218)

其中,乙和J,分别是/和「的雅克比行列式:

(〃(吼=*),(〃吼=£(仇3)<219)

由(2.17)可得MSE的梯度可表达为:

,'।\(220)

=24((〃RT”)(/RY尸-

这些表达式都在工具箱中实现了,详见5.2节。

2.2回归模型

木工具箱提供了0,1,2阶的多项式回归模型。更具体地说,令七表示x的第/个分量,

常数项,p=l:

Z(x)=l(2.21)

一次项,p=n+\:

/(力=1,&("=再,…,fn+l(x)=xn(2.22)

二次项,p=g(〃+l)(〃+2):

工3=1

f2(x)=xitZ,+I(x)=x„

力+2(%)=*,…,以用(%)"以(2.23)

启+2(%)=¥,…,力”(1)=%%

fp(x)=Xn

对应的雅克比行列式为(下标〃Xq表示矩阵的尺寸,O表示全。矩阵):

常数项:

一次项:〃=[。,臼/_],

二次项:勿=[。向InxnH]

这里,我们通过举例的形式对HeR'M〃-1)进行说明:

2芭x0

〃=2时:H=2

0x12X2

x2x3000

〃=3时:H=0x(02X2x30

00x,0x22x

2.3相关模型

与文献[9]保持一致,我们仅考虑如下形式的相关模型:

R(仇卬,")=.Rj(。,吗一Xj)

>=<

也就是静态的一阶相关模型的乘积。更具体地说,本工具箱提供了以下7种选择:

名称

Riad)

EXPexp(-6M|)

EXPGexp卜q0<。向42

GAUSSexp(--)

LINmax{o,l-耳同}

SPHERICAL1-1.5务+0.54,g=min{iq同}

CUBIC1一31+24,4j=min{l,4M|}

SPLINE

州),(2.24),当

表2.1相关函数(dj=W/-Xj)

SPLINE相关模型定义如下:

1-155+30嫣0<<0.2

4易)=,L250YJ0.2<<.<1(2.24)

。务之1

图2.1展示了其中一些相关函数。可以看出,在所有情况中,相关函数随着|号|而递减,

而更大的0值将导致更快的下降速率。数据的标准化公式(2.1)暗示了卜/fl,因此我们主

要感兴趣141f2的范围,正如图中表示的范闱。

EXPGAUSS

图2.1相关函数(0W4W2,虚线、实线和点划线分别表示0=021,5)

表2.1中的相关函数可被分为两组:一类在原点附近有近似于抛物线的表现,如GAUSS、

CUBIC和SPLINE,另一类在原点附近类似于线性,如EXP、LIN和SPHERICAL。广义指

数函数EXPG根据最后一个参数的取值不同可分别表现出两种特性;巧向=2和月向=1分别

对应高斯函数和指数函数3

相关函数的选择应以我们希望优化的函数或物理过程为依据。如果所研究的现象是连续

可微的,则其相关函数在原点附近应表现地类似于抛物线,因此应该选择高斯函数、立方函

数或样条函数。相反地,如果所研究的现象在原点附近表现出线性特征,则应选择EXP、

EXPG、LIN或SPERICAL函数,详见文献[2]。同时,需要注意的是,当相对距离较大时,

线性、立方、球状和样条相关函数的值为0,而其他函数是趋近于0。

通常,这一现象是各向异性的。这说明,不同方向表现出不同的相关性,也就是图2.1

中的函数形状在不同方向是不同的。这一特性在表2.1所列的函数中已有考虑,因为我们可

以在n个维度上取不同的巧参数。

假设•个高斯过程,相关函数的最优系数夕可通过求解下式得到:

min-y/(0)=\R\^cr2j(2.24)

其中|R|是R的行列式。0’的这种定义对应于最大似然函数。图2.2中我们展示了函数(2.25)

表现出来的典型特征:

图2.20<4小上收、园5和/的典型特征(数据已按5.1式标准化)

注意到:区宜在该区间内是单调增的。这符合我们的期望,因为对于大夕,凡近似等于单

位阵,而对于小0,它趋于无限。对于0=0,及对应着全I阵,其秩为I。对于无限R的

情况,,我们定义4=W(&)="8"。

文献[4]对不同相关模型的性质以及(2.25)式的优化问题有更全面的讨论。

3.广义最小平方拟合(GeneralizedLeastSquaresFit)

本节我们将以线性代数的观点对统计教材中广为人知并源于概率工具的广义最小平方

估计进行讨论。

考虑某随机过程的m维输出向量y,并令

y=Ffi+e(3.1)

其中,尸eR"7'已给定假设

E⑷=0,E[牛)]=0况(3.2)

其中人是假定已知的协方差矩阵R的第(")个元素。于是可将(3.2)式表示为:

E[e]=0,E[ee,]=/R

首先,假设所有误差之间是不相关的,并具有相同的方差。这等同于R=/。因此,参

数向量的最大似然估计是最小方差解,也就是说歹是卜.列标准方程的解:

[FrF)^=FTYE[e]=0,E[eeT}=a2R(3.3)

而对应的方差最大似然估计为:

o-2=l(y-F/7jy(y-F/)(3.4)

为了得到该方差的中心估计,其分母帆应替换为自由度〃LP。

其次,假设误差之间不相关,但具有不同的方差,也就是且对于iwj

七[《4]=0。于是R是对角阵:

一飒序..号)

引入以下权重矩阵W:

/、

W=diag—,…,—<=>W2=R'(3.5)

此时可以很容易地看出加权观察y=WT=w/N+e满足:

E[eeT'\=WE[eeT~^VT=a2/(3.6)

也就是说,这一改变形式的观察集合满足前一最简单的假设条件。这使得〃和。可通过在

(3.3)(3.4)中将尸、丫替换为师和WF求得。其结果为:

(XW2?)夕=尸卬2丫,a2=-(Y-F^}rW2(Y-F/3t)

通过(3.5),我们可将这些关系表达为:

FrR'Y,a2=-(Y-F^)1R'(Y-F^)(3.7)

最后,考虑误差之间是非零相关的情形,也就是R不是对角阵。对于任意aeR”'.令

是丫中元素的线性组合。则

〃=a’尸尸+£且£=a'e

同时

七[']=Ra

由于对于任意a都有E|>1>0,我们可以得到R一定是正的。更进一步,从其定义可

以直接看出R是对称的。这两条性质暗示我们可以将其写作分解形式:

R=CCT(3.8)

其中可将矩阵C7选为乔列斯基因子(Choleskyfactor)(,在(3.6)中,我们可将通过去相关

转换(decorrelationtransformation)”

e=C'e=C'Y-C'Ffi=Y-Fp(3.9)

得到矶司=0以及=而通过这一相似的结果,我们看到(3.7)同样适用于这种

更广泛的形式。

3.1计算细节

如果问题规模较大且域条件不足,公式(3.7)不应直接用于实践计算。相应地,夕应

通过对该过定(overdetemiined)系统的最小方差解,也就是正交转换获得:

Fp=Y(3.10)

其矩阵和右边部分通过解以下矩阵方程获得:

CF=F,CY=Y

(3.10)式的最小方差解可通过以下步骤求解.:

1.计算厂的“经济尺寸(economysize)”或“薄(ihin)”QR因子分解,(详见文献山

的5.2.6节):

F=QGr(3.11)

其中QeRE具有正交列,同时GTGR,叼是上三角阵。

2.检查G进而尸是否满铁。如果否,则说明所选择的回归函数并不是充分地线性独立,

因此应停止后续计算。相反,通过在下式中回代计算求得最小方差解:

GT/f=QTY(3.12)

该辅助矩阵也可用来计算过程方差(3.7):

-埒优(3.13)

和MSE(2.17):

g(x)=cr;(l+〃r(严户)'«-rrrj

=b;(i+〃3G)I-问(3.14)

=。;(1+|叫;一阕

其中

r=C'r,u=FTR'r-f=FTr-f

由于Q具有正交列,因此我们已经在第一次转换FTF=GQ『QG『=GG7'中使用了(3.11)。

对于较大的设计点集,A也会较大,并且它很多时候都是稀疏的,至少对表2.1中的后

四种选择都是这一情况。这一特性在乔列斯基因子中得到了保留,但/?7=。「仁|却是稠密的。

特征向量一特征值分解是(3.8)式中乔列斯基因子的一个可选替换:

R=VAVr,且WJ/,A=dMg(4,...,4”)(3.15)

对应于C=VA"2,其中A"2=小〃g(口..…店):所有的4都是正实数。然而,该分解相比

乔列斯基分解较难以计算,并且特征矩阵V经常是一个稠密矩阵。

根据拉和参数0的选择,矩阵R可能可能十分条件不足(ill-conditioned)。文献[4]的第

4-5节研究了这一问题。为了舍入误差效应,软件实现中采用了一个修正的乔列斯基分解,

其中的(3.8)式被替换为:

CTC=R+/JI,且〃=(10+加)£”(3.15)

其中是所谓的机器精度(或单位舍入),在MATLAB中为二2一52=2.22•IO.。

4.实验设计(ExperimentalDesign)

这里我们介绍实验设计的目的在于决定如何选择运行确定型计算机模型的实验点,以最

有效地控制或减少计算预测的统计不确定性。本节介绍两种具有“空间填充”性质的算法。

需要注意的是拉丁超立方体设计是以随机数为基础的,而另•种算法能够产生确定型设计。

文献和[10]提供了进一步的讨论和更先进的设

4.1矩形网格

假设我们感兴趣的区域DeR”是由4《丐(勺,;=1,…,〃定义盒子(box)。则最简单的

设计点分布是由所有学)的不同组合:

寸)=4+郡三工,心)=0」…当

其中"J是整数。如果所有4.=>则这些设计点的数量为

4.2拉丁超立方体采样

根据McKay等⑸,拉丁超立方体采样是一种能够确保广泛代表向量空间所有部分的随

机采样点生成策略。考虑以下情况:我们希望在n维向量空间DwR"中采样n个点,则拉丁

超立方体采样策略为:

1.将各维度的取值区间分别划分为m个具有相同概率的非重叠区间(这里我们考虑一

个均匀分布,因此这些区间应该具有相同的尺寸)。

2.从每个维度区间中按均匀分布随机地抽取一个点。

3.将每个维度的点随机配对(按相同概率组合)。

5.参考手册

本节是一个对DACE工具箱中函数的描述。内容包括:

5.1模型构建(ModelConstruction)

根据给定的数据集和给定的何归和相关函数

dacefit

计算DACE模型

5.2模型评估(EvaluatetheModel)

利用DACE模型在一个或更多的未测试点对

predictor

函数进行预测

53回归模型(RegressionModels)

regpoIyO零阶多项式

regpolyl一阶多项式

regpoly2二阶多项式

5.4相关函数(CorrelationModels)

correxp指数函数

correxpg广义指数函数

corrgauss高斯函数

corrlin线性函数

corrspherical球状函数

corrspline三次样条函数

5.5实验设计(ExperimentalDesign)

gridsamp矩形网格设计

Ihsamp拉丁超立方体随机设计

5.6辅助函数(AuxiliaryFunctions)

dsmerge多设计点数据融合

5.7数据文件(DataFiles)

datal.mat示例数据S和Y

卜.面我们将对这些MATLAB函数进行详细介绍。数据文件datal.mat将在第6节中的第

一个实例中用到。

安装:从以下网站http://www.imm.dtu.dk/~hbn/dcce获得本软件的压缩包dace.zip。

在可用位置解压该压缩包。在UNIX系统上使用unzipdace.zip命令,在Windows系统上

使用WinZip或其他类似软件。

该压缩包包含一个名为dace的文件夹,其中包含了本软件和本文档。本软件的路径(也

就是该dace文件夹)应该被MATLAB的搜索路径包括。使用pathtool或addpath命令完成

该操作。更详细的操作步骤请参考MATLAB使用手册。

5.1模型构建

目的:对给定设计数据集合给定的回归于相关模型,计算DACE模型。

调用:

[dmodel,perf]=daceft(S,Yregr,corr,thetaO)

[dmodel,perf]=daceft(S,Yregr,corethetaO,lob,upb)

输入参数:

S设计点:一个mXn维数组,其中=

YS的mXq维响应数组

regr(5.3)中函数的句柄

corr(5.4)中函数的句柄

如果lob和upb没有给定,则thetaO应给出相关函数参数占。

thetaO否则,thetaO应给出。的初始猜测。

参考5.4节关于thetaO的允许长度的介绍。

可选的。如果给出,它们应该是与thetaO相同长度的向量,并应分

lob,upb别存储6的上限界限。

如果未给出,则8应由thetaO中的数值给出。

输出:

DACE模型。具有以卜兀素的结构体:

regr回归函数的句柄

corr相关函数的句柄

theta相关函数参数

beta广义最小平方估计见(2.16)

dmodelgamma相关因子,,见(2.16)

S比例化的(scaled)设计点,见下文(5.1)节

Ssc设计点的2Xn维比例因子数组

Ysc设计点响应的2Xq维比例因子数组

C相关矩阵的乔列斯基因子,见(3.16)

Ft去相关矩阵,,见(3.10)

G由(3.11)式得到的矩阵G

优化的信息,包含以下元素的结构体:

nv用于寻找夕的目标函数(2.25)评估数

perfperfnv列数组,存放[aw⑻;type~\的当前值。|)词=1,2,3分别

表示“开始”、“探索(explore)"或"移动(move)”。(ype的负值

表示上山试探步(uphilltrialstep)o

备注:dacefit的第一步是对输入参数进行标准化,以使(2.1)式满足。

mS=mean(S);sS=std(S);

forj=l:n,S(:,j)=(S(:,j)-mS(j))/sS(j);end

mY=mean(Y);sY=std(Y);

forj=l:q,Y(:j)=(Y(:j)-mY(j))/sY(j);end

mS和sS的值被存储在dmodel.Ssc中,而dmodel.Ysc=[mY;sY],,

所有的计算都是对该标准化数据进行的,但过程方差是相对原始数据的.

(dmodel.sigma2).=sY;(T:,其中万;是标准化响应第j列的估计。

矩阵R和C以稀疏形式存储,我们只需要存储对称矩阵R的上三角。

正如2.3节所述,最优相关参数夕的确定是一个盒装约束/jY且Y勺上的优化问题。对

于该问题,我们开发了一个利用后续坐标搜索(successivecoordinatesearch)和模式移动

(patternmoves)的简单但有效的算法,类似于Hooke和Jeeves的方法,参考文献⑶的2.4

节,文献⑷的第6节给出了实现细节。对于,/=1的情况,文献⑼给出了目标函数

杯(0)=|卅/。在多响应情况下,我们令人=才+.+可,其中人的每个分量可通过(3.13)

式计算。

5.2模型评估(模型估计)

目的:利用DACE模型对一个或更多的未测试点进行预测。

调用:

y=predictor%dmodel)

[y,or]=predictor(x,dmodel)

[y,dy,mse]=predictor(x,dmodel)

[y,dy,mse,dmse]=predictor(x,dmodel)

输入参数:

rn个n维测试点

X如果m=l且n>l,则行向量或列向量都可被接受。否则x必须为一

人mXn维数组,设计点按行存储。

dmodelDACE模型结构体,参考5.1节。

输出:

V预测的响应,=参考(2.16)。

可选结果。根据设计点的数量,

orm=l:梯度产,参考(2.18)。具有n个元素的列向量。

m>l:MSE估计的m元素向量,参考(3.14)。

可选结果,仅在〃7=1时可用:»的nXq维雅克比行列式数组(如

dy

Mq=l,则为梯度V(x),参考(2.18))。

mse可选结果,仅在m=l时可用:MSE估计,参考(3.14)

可选结果,仅在m=l时可用:0的nXq维雅克比行列式数组(如

dmse

吴q=l则为梯度少(力,参考(2.20〉)

备注:这些计算是以标准化的试验点为基础,参考(5.1),但返回结果是原始单位。

给出单个试验点的特殊接口,是为了使该预测器在MATLAB优化的目标函数需要梯度信

息时可用。

5.3回归模型

本工具箱提供了实现了2.2节中讨论的多项式的函数。所有这些都与本节末的式(5.2)

的形式保持一致。

目的:获得零阶多项式值,参考(2.21)

调用:

f=regpolyO(S)

[f,df]=regpolyO(S)

输入参数:

smXn维按行存储的设计点数组

输出:

fmXl维单位向量

df可选结果,第一个设计点的雅克比行列式:nXl维全零向量

目标:获得一阶多项式值,参考(2.22)

调用:

f=regpolyl(S)

[tdf]=regpolyl(S)

输入参数:

SmXn维按行存储的设计点数组

输出:

fmX(n+l)维矩阵,/(,,/)=/,(%).

df可选结果,第一个设计点的雅克比行列式,参考2.2节

目的:获得二阶多项式值,参考(2.23)

调用:

f=regpoly2⑸

[f,df]=regpoly2⑸

输入参数:

SmXn维按行存储的设计点数组

输出:

维矩阵,,;(七),〃

fmXp/(',/)=/=g(,1+l)5+2)

df可选结果,第一个设计点的雅克比行列式,参考2.2节

备注:用户可提供新的回归模型,但必须遵从如下函数声明:

function[f,df]=regress(S)(5.2)

对于一个给定的m个设计点集合S,其第i个设计点存储在S(i,:)中,该函数应返回mX

P维矩阵f,其元素参考式(2.3)。如果该函数以两输出参数的形式被调用,

则其雅克比行列式乙,参考(2.19),应该通过df返回。该选项仅在预测器被要求返回梯度

信息时需要.

5.4相关模型

本工具箱提供了表2.1中七种模型的实现函数。所有这些都与本节末的式(5.3)的形式

保持一致。这里我们仅详细介绍它们中的一个。

目的:获得表2.1中三XP函数的值

调用:

r=correxpftheta,d)

[r,dr]=correxp(theta,d)

输入参数:

theta相关函数中的参数。

允许标量值。这对应于各向同性模型:所有%都等于theta。否则,

theta中的元素个数必须等于d中给出的维数no

d存储设计点间偏差的mXn维数组

输出:

r相关系数,r(i)=R(0,d(i,:)),,

df可选结果,雅克比行列式,『的mXn维数组,参考(2.19)式

备注:雅克比行列式仅在d中存储了给定点x与S中设计点集之间存在偏差时,

-品,有意义。表2.1中的公式可被写为:

Flexp「4同)=exp(X.-S.)

其中,%表示力”的符号。相应的雅克比行列式可表示为:

亿)“=-4%3

备注:对各向同性模型corrgauss、corrlin>corrspherical和corrspline的处理与该方法相

同。但correxpg的指数需要特殊的对待。这里theta必须为一个n+1或2元素的向量。

在后一种情况中,8)=theta(A),/=1,...,〃,同时,=theta(A)。

用户可提供新的相关模型,但必须遵从以下函数声明格式:

function[r,dr]=corr(theta,d)(5.2)

对于给定的一组参数theta=。和偏差=,该函数应返回列向量r,且

r(i)=A(0,x,2)。如果其以两输出参数格式被调用,则推克比行列式乙,参考(2.19),应

在在dr中返回。该选项仅在预测器被要求返回梯度信息时需要。

5.5实验设计

当前本工具箱提供了第4节中两种实验设计方法的实现。

目的:获得矩形网格设计点,参考4.1节。

调用:

X=gridsamp(range,q)

输入参数:

range2Xn维矩阵,存储各上、F限0range[\j)=[//,〃J

向量,4力存储第j维上的区间数量。如果q是标量,则其适用于

q

各维度。

输出:

XmXn维网格点

目的:计算拉丁超立方体随机分布点,参考4.2节。

调用:

S=Ihsamp

S=Ihsamp(m)

S=Ihsampfm,n)

输入参数

m需要产生的样本点,如果没有提供该参数,则m=l

n维数。如果没有提供,则n=m

输出:

mXn维矩阵,存储着从区间上的m个分区中按均匀分布随

S

机产生的样本点

5.6辅助函数

克里金模型假定各设计点都是不同的。如果该假定务件不能满足,本工具箱提供了一个

函数能够对这些数据进行压缩。

目的:对多设计点数据进行融合。

调用:

[mS,mY]=dsmerge(S,Y)

[mS,mY]=dsmerge(S,Yds)

[mS,mY)=dsmerge(S,Yds,nms)

[mS,mY]=dsmerge(S,Y,ds,nms,wtds)

[mS,mY]=dsmerge(S,Yds,nms,wtds,wtdy)

输入参数:

SmXn数组,按行存储各设计点。

YmXq维数组,存储各设计点的响应

ds对标准数据的相同门限,默认值为le-14

距离测量的基准。

nmsnms=l基准1:各位坐标差异绝对值的和

nms=2基准2:欧几里得距离,默认

存在多设计点数据时,怎么处理S数据

wtds=l返回平均值(默认)

wtds

wtds=2返回中值

wtds=3返回“聚类中心”

存在多设计点数据时,怎么处理Y数据

wtdy=l返回平均值(默认)

wtdy=2返回中值

wtdy

wtdy=3返回“聚类中心”

wtdy=4返回最小值

wtdy=5返回最大值

输出:

mS相对于wtds处理的压缩设计点

mY相对于wtdy处理的压缩响应

5.7数据文件

当前,本工具箱内包含一个测试数据集,其将在第6节被展示。命令:

loaddatal

将使得数组Self和丫e正球在工作空间中可用,也就是m=75,n=2,q=l。S中存储的设计

点通过在二维区域[0,100|2中采样获得。

6.应用实例

6.1流程示例

实例1:Exlo本实例展示了本工具箱中最重要的两个函数的应用,分别是dacefit

和predictor。本示例展示了如何获得一个给定数据集的曲面近似,及其误差估计。本实例还

展示了如何在给定点获得预测器和误差估计的梯度近似.

我们通过加载工具箱提供的数据集datal.mat开始,参考5.7节。

loaddatal

现在75X2维数组S和75X1维数组Y已在工作空间中可用。

我们选择POLYO回归函数和高斯相关函数。假设各项异性,我们选择如下初始点和。的

边界:

theta=[1010];lob=[le-1le-1];upb=[2020];

现在我们可以调用decefit来构建模型了:

[dmodel,perf]=dac

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论