论文部分内容阅读
在计算机试验中,复杂现象的仿真拥有数目庞大的输入变量。因此,筛选出对输出有重大影响的输入变量显得至关重要。针对计算机试验的变量选择问题,提出一种基于贝叶斯多层稀疏先验的回归样条变量选择算法。新算法能够同时进行非重要输入变量的自动删除和重要输入变量系数的自适应估计。不同于计算机试验中已有的变量选择算法,新算法不需要调节控制稀疏性的超参数。通过快速算法进行数值求解,试验结果表明:新算法不仅能够更精确地实现变量选取,而且能够大大地降低计算复杂度。