view in publisher's site

Sensitivity Analysis of a Bayesian Network | ASCE-ASME Journal of Risk and Uncertainty in Engineering Systems, Part B: Mechanical Engineering | Vol 4, No 1

In a Bayesian network (BN), how a node of interest is affected by the observation at another node is a main concern, especially in backward inference. This challenge necessitates the proposed global sensitivity analysis (GSA) for BN, which calculates the Sobol’ sensitivity index to quantify the contribution of an observation node toward the uncertainty of the node of interest. In backward inference, a low sensitivity index indicates that the observation cannot reduce the uncertainty of the node of interest, so that a more appropriate observation node providing higher sensitivity index should be measured. This GSA for BN confronts two challenges. First, the computation of the Sobol’ index requires a deterministic function while the BN is a stochastic model. This paper uses an auxiliary variable method to convert the path between two nodes in the BN to a deterministic function, thus making the Sobol’ index computation feasible. Second, the computation of the Sobol’ index can be expensive, especially if the model inputs are correlated, which is common in a BN. This paper uses an efficient algorithm proposed by the authors to directly estimate the Sobol’ index from input–output samples of the prior distribution of the BN, thus making the proposed GSA for BN computationally affordable. This paper also extends this algorithm so that the uncertainty reduction of the node of interest at given observation value can be estimated. This estimate purely uses the prior distribution samples, thus providing quantitative guidance for effective observation and updating. This article is available in the ASME Digital Collection at https://doi.org/10.1115/1.4037454.

تحلیل حساسیت یک شبکه Bayesian انجمن Bayesian ASCE انجمن ریسک و عدم اطمینان در سیستم‌های مهندسی، بخش ب: مهندسی مکانیک، جلد ۴، شماره ۱.

در یک شبکه Bayesian (BN)، چگونه یک نود مورد نظر تحت‌تاثیر مشاهده گره دیگر قرار می‌گیرد، یک نگرانی عمده است، به خصوص در استنتاج به عقب. این چالش نیازمند تحلیل حساسیت جهانی پیشنهادی (GSA)برای BN است، که شاخص حساسیت " را برای کمی سازی سهم یک‌گره مشاهده به سوی عدم قطعیت گره مورد نظر محاسبه می‌کند. در استنتاج معکوس، یک شاخص حساسیت پایین نشان می‌دهد که مشاهده نمی‌تواند عدم اطمینان نود مورد نظر را کاهش دهد، به طوری که یک نود مشاهده مناسب که شاخص حساسیت بالاتر را فراهم می‌کند، باید اندازه‌گیری شود. این GSA برای BN با دو چالش روبرو است. اول، محاسبه شاخص Sobol به یک تابع قطعی نیاز دارد در حالی که the یک مدل تصادفی است. این مقاله از یک روش متغیر کمکی برای تبدیل مسیر بین دو نود در the به تابع قطعی استفاده می‌کند در نتیجه محاسبه شاخص Sobol امکان پذیر است. دوم، محاسبه شاخص Sobol می‌تواند پرهزینه باشد، به خصوص اگر ورودی‌های مدل هم‌بسته باشند، که در یک BN رایج است. این مقاله از یک الگوریتم کارآمد ارایه‌شده توسط محققین برای تخمین مستقیم شاخص Sobol از نمونه‌های ورودی - خروجی قبلی of استفاده می‌کند، در نتیجه the پیشنهادی را برای محاسبات از لحاظ محاسباتی مقرون‌به‌صرفه می‌سازد. این مقاله همچنین این الگوریتم را گسترش می‌دهد به طوری که کاهش عدم قطعیت گره مورد نظر با ارزش مشاهده می‌تواند تخمین زده شود. این برآورد کاملا از نمونه‌های توزیع قبلی استفاده می‌کند، در نتیجه راهنمایی کمی را برای مشاهده موثر و به روز رسانی کارآمد فراهم می‌کند. این مقاله در مجموعه دیجیتال ASME در https://doi.org/۱۰.۱۱۱۵/۱.۴۰۳۷۴۵۴. در دسترس است.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.