0%

先验误差和后验误差的区别

在数值分析中,先验误差和后验误差的区别是什么?

误差估计通常有以下形式:

其中 是方程的精确解, 是计算出的近似解, 是可控制的参数, 的某个函数。

在有限元方法中, 是偏微分方程的解, 是网格大小为 的有限元解,但是在反问题中 (用正则化参数 代替 ) 或者用迭代方法来解方程或者优化问题 (用迭代指数 — 或者更确切地说 代替 ),它们具有相同的结构。这样估算的目的是帮助回答这样一个问题: “如果我们想要在逼近解的误差不超过 ,我必须选择多小的 ?”

先验估计和后验估计之间的差异取决于右端项的 的表达式:

先验估计中,右端取决于 (通常是显式的) 和 ,但不取决于 。例如 Possion 方程 的有限元逼近的典型先验估计有这样的具体形式

其中常数 取决于区域和网格的几何形状。原则上,可以在计算 之前对右端项进行求值 (因此得名),因此可以在解决问题之前选择 。实际上, 都不知道 ( 是首先要求解的),但是可以通过推导证明得到 的阶或量级估计,通过 (已知) 得到 估计。它的主要用途是做定性估计 — 如果你想使误差减小四倍,你需要把 减半。

后验估计中,右端项取决于 ,但不取决于 。一个基于残差的 Possion 方程的后验估计将是

理论上可以在计算 后进行评估。在实践中, 范数的计算是有问题的,需要进一步操作右端项以获得单元的界

其中第一个求和在三角剖分的单元 上, 是单元 的大小,第二个求和在所有单元边界 上, 表示 的一般导数在 上的跳跃。除常数 外,通过得到的 可以完全计算该值。同样,这个估计主要是定性的 — 它告诉你哪些元素比其他元素产生更大的误差,因此,不必均匀地减少 ,只需选择一些误差较大的元素,通过细分它们使其更小。这是自适应有限元方法的基础。

参考:What are differences between a priori and posteriori error estimate in numerical analysis?