一种求解贝叶斯模型平均的新方法  

作　　者：田向军[1] 谢正辉[1] 王爱慧[1] 杨晓春[2,3] 

机构地区：[1]中国科学院大气物理研究所,北京100029 [2]南京信息工程大学大气科学学院,南京210044 [3]西安市气象局,西安710016

出　　处：《中国科学：地球科学》2011年第11期1679-1687,共9页Scientia Sinica(Terrae)

基　　金：国家自然科学基金(批准号:41075076);国家重点基础研究发展计划(编号:2009CB421407;2010CB428403);中国科学院知识创新工程重要方向项目(编号:KZCX2-EW-QN207)资助

摘　　要：贝叶斯模型平均(Bayesian model averaging,BMA)是最近提出的一种用于多模式集合预报的统计方法.进行贝叶斯模型平均需要准确估算模型集合中每个竞争模型的权重与方差,经常采用的方法是期望最大化(Expectation-Maximization,EM)方法与马尔可夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)方法,两种方法各有优劣.本文首先对BMA的(对数)似然函数进行改进使之无需BMA权重之和为1的显式约束,并利用一种有限记忆的拟牛顿优化算法(LBFGS-B)对其进行极大化,由此提出了一种求解贝叶斯模型平均的新方法(BMA-BFGS).采用三个陆面模式进行的土壤湿度多模式数值模拟试验表明:在计算精度方面,BMA-BFGS的精度与MCMC方法几乎一致,优于EM算法;在计算耗时性方面,BMA-BFGS的计算耗时与EM算法相当,远小于MCMC方法.

关 键 词：贝叶斯模型平均 多模式集合预报BMA-BFGS 有限记忆的拟牛顿优化算法 陆面过程模式 土壤湿度 

分 类 号：P456[天文地球—大气科学及气象学]