Hierarchical surrogate-based Approximate Bayesian Computation for an electric motor test bench
电机试验台的分层代理模型近似贝叶斯计算AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究工业系统的贝叶斯反问题与计算方法，时间序列数据本身不足以支持宏观或金融细分分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
电机试验台的分层代理模型近似贝叶斯计算
- 研究问题
- 复杂工业系统的似然昂贵或无法显式计算时，如何从含噪时间序列推断变化参数的分布，并降低贝叶斯计算成本？
- 方法与思路
- 作者采用分层贝叶斯框架，以摘要统计量降维、以多项式混沌展开替代模拟模型，并比较代理模型ABC与MCMC。
- 材料陈述的贡献
- 摘要称所提ABC在类似精度下计算更高效，并在近似前向模型满足一定条件时证明一致性，展示人工数据与电机试验台应用。
- 阅读关注点
- 应核对摘要统计量的信息损失、代理模型逼近误差、ABC容差和一致性条件，以及效率比较是否计入代理模型构建成本。
- 阅读边界
- 这是arXiv预印本，不能据此声称已同行评审或期刊接收。摘要未列出温和条件、误差标准或计算增益数值，不能认定普遍更高效。
原文摘要
Inferring parameter distributions of complex industrial systems from noisy time series data requires methods to deal with the uncertainty of the underlying data and the used simulation model. Bayesian inference is well suited for these uncertain inverse problems. Standard methods used to identify uncertain parameters are Markov Chain Monte Carlo (MCMC) methods with explicit evaluation of a likelihood function. However, if the likelihood is very complex, such that its evaluation is computationally expensive, or even unknown in its explicit form, Approximate Bayesian Computation (ABC) methods provide a promising alternative. In this work both methods are first applied to artificially generated data and second on a real world problem, by using data of an electric motor test bench. We show that both methods are able to infer the distribution of varying parameters with a Bayesian hierarchical approach. But the proposed ABC method is computationally much more efficient in order to achieve results with similar accuracy. We suggest to use summary statistics in order to reduce the dimension of the data which significantly increases the efficiency of the algorithm. Further the simulation model is replaced by a Polynomial Chaos Expansion (PCE) surrogate to speed up model evaluations. We proof consistency for the proposed surrogate-based ABC method with summary statistics under mild conditions on the (approximated) forward model.