采用邻域近似算法估计环境参数不确定性

根据贝叶斯理论,逆问题的解可以用后验概率密度来表征,它包含了模型参数先验知识和观测数据信息,反映了反演参数的不确定性。一种快速吉布斯采样算法已经被用于后验概率密度的多维积分运算,但其需要调用大量的声场前向模型,在多个频率或水平变化的匹配场参数反演中,计算量仍然很大。基于邻域近似算法,提出一种比快速吉布斯采样算法更快的参数不确定性估计方法。对低维参数反演问题,邻域算法可以很好地逼近真实的后验概率密度;而对高维问题及其敏感参数,在模型参数样本量有限的条件下,邻域算法很难精确地估计后验概率密度。为了克服以上缺点,并完整地得到反演参数的不确定性信息,设计了一种多步估计方案。数值仿真和实测数据分析表明,多步邻域算法采用较少的计算代价,可获得与快速吉布斯方法相似的估计精度。