Robust additive Gaussian process models using reference priors and cut-off-designs

هنگامی که ابزار عددی قدرتمندی مانند روش عنصر محدود با محدودیت های خود برای ارزیابی سیستم های فیزیکی مواجه می شوند، استفاده از مدل های جایگزین به عنوان تقریبی رایج است. بسیاری از گزینه های ممکن در مورد رویکرد مدل وجود دارد که از جمله مدل های فرایند گاوسی، محبوب ترین آنها به علت پایه آماری آنهاست. یکی از ویژگی های بسیار مطلوب چنین جایگزینی، انعطاف پذیری بالا برای تبدیل آنها به یک کلاس عالی از مشکلات اساسی می باشد، در حالی که نتایج قابل تفسیر را می پذیرد. برای رسیدن به این فرآیندهای گاوسی به عنوان توابع پایه یک مدل افزایشی در این کار استفاده می شود. یکی دیگر از ویژگی های مهم یک جایگزین، ثبات است، که می تواند بخصوص به هنگام برآورد پارامترهای همبستگی، چالش برانگیز باشد. برای حل این مسئله ما از رویکرد بیزی استفاده می کنیم که در آن یک مرجع پیش از هر عنصر از مدل افزودنی برای اطمینان ماتریس همبستگی قوی استفاده می شود. با توجه به ساختار افزایشی مدل، یک فرآیند تخمین پارامتر ساده شده ارائه شده است که به طور معمول مشکل بهینه سازی با ابعاد بزرگ را به چند فرایند کم از ابعاد کوچک کاهش می دهد. در نهایت، ما این مفهوم را با مدل سازی میدان مغناطیسی یک سیستم تشخیص موقعیت خطی مغناطیسی نشان می دهیم.