4. 代理模型核心类型对比
在不确定性传播中，代理模型的作用是用一个计算代价极低的近似函数替代昂贵的原始仿真模型，从而支撑大规模蒙特卡洛抽样、灵敏度分析和可靠性评估。但不同代理模型的数学机理差异很大，选错类型往往导致精度不足或样本浪费。本节围绕四类主流代理模型——多项式混沌展开（PCE）、高斯过程（GP/Kriging）、径向基函数（RBF）和神经网络（NN）——从适用条件、精度特性和工程使用要点三个维度展开对比。
四类模型的机理与适用条件
多项式混沌展开把模型输出表示为输入随机变量的正交多项式级数：
Y ≈ Σ_{α∈A} c_α · Ψ_α(ξ)
ξ ~ 输入随机变量（标准化后）
Ψ_α = 由正交多项式张量积构成的基函数
c_α = 待定系数（谱系数）其核心优势是“谱收敛”：当输出对输入光滑时，系数个数随阶数多项式增长，少量模型评估即可达到很高精度，且谱系数可直接解析计算方差与 Sobol 灵敏度指标，无需额外抽样。适用条件是输入维数中等（一般不超过 10～20 维）、输出响应光滑、输入不确定性可用已知分布描述。缺点是维数灾难明显——全张量基函数数量随维数指数增长，高维时需改用稀疏基或双正交基；对强非线性、间断或非光滑响应，收敛速度会显著退化。
高斯过程把输出视为随机过程的实现，用均值函数与协方差核函数刻画：
f(x) ~ GP( m(x), k(x, x') )
k(x, x') = σ_f² · exp( -Σ_i (x_i - x'_i)² / (2ℓ_i²) )GP 的最大特点是自带预测方差，能给出每个预测点的置信区间，非常适合主动学习与自适应加点（如 AK-MCS 可靠性分析）。它在中低维（≤10 维）、样本量几十到几百时表现优异，小样本下精度稳定。缺点是核函数超参数需通过极大似然优化，样本量增大时协方差矩阵求逆为 O(n³)，计算成本上升；高维输入下各向异性长度尺度难以辨识，精度下降。
径向基函数以样本点为中心构造基函数线性组合：
f(x) = Σ_{i=1}^{n} w_i · φ( ||x - x_i|| )
φ(r) 可取高斯型 exp(-(εr)²)、多二次型或薄板样条RBF 本质是插值型代理模型，训练即解线性方程组，实现简单、训练快，对中等维数、样本分布较均匀的问题精度良好，在气动、结构优化中应用广泛。其精度对形状参数 ε 和样本点分布敏感：ε 过大易过拟合、矩阵病态，过小则欠拟合；样本稀疏区域外推能力弱，且不提供天然的预测不确定性度量。
神经网络通过多层非线性变换拟合映射：
h^(l+1) = σ( W^(l) h^(l) + b^(l) )
输出层线性组合，损失取均方误差 + 正则项NN 的优势在于高维输入、大样本、强非线性场景，可处理上千维参数与上万样本，且训练完成后推理极快。代价是需要较多样本（通常上千量级）、训练超参数（层数、宽度、学习率、正则）调优成本高，小样本下容易过拟合且缺乏可靠的置信估计。对不确定性传播而言，NN 更适合“先离线大量仿真训练、再在线快速抽样”的模式。
精度特性与工程选型要点
四类模型的精度表现不能脱离样本预算和问题维数来谈。PCE 在低维光滑问题上以极少样本获得高精度，且误差可通过谱系数衰减速度估计；GP 的精度由核函数与样本覆盖共同决定，其预测方差可作为局部误差指示，是自适应加点策略的基础；RBF 的精度高度依赖形状参数与样本均匀性，外推区不可靠；NN 的精度依赖样本规模与训练充分性，小样本时泛化误差难以控制。
工程上可按以下判断路径选型：若输入维数低、响应光滑且需要灵敏度指标，优先 PCE；若样本预算紧张、需要误差估计并希望自适应加点，优先 GP；若样本分布较均匀、追求实现简单与训练速度，可选 RBF；若输入维数高、样本量大且离线训练可接受，选 NN。实际项目中常采用“先用 GP 小样本探索、再用 PCE 或 NN 在确认区域加密”的组合策略。
一个可操作的对比示例
设某结构响应 Y 由 3 个随机输入决定，真实模型单次评估约 2 分钟，样本预算 200 次。若响应光滑，PCE 取 3 阶全张量基约 20 个系数，用 40 个样本即可拟合，剩余样本用于交叉验证；GP 用 60 个样本训练，通过预测方差在方差大的区域补点至 120 个；RBF 用 80 个均匀样本插值，需调形状参数使交叉验证误差最小；NN 在 200 样本下训练易过拟合，一般不作为首选。最终以留出 30 个样本的均方根误差比较四者，并结合是否需要灵敏度指标做决策。上述参数为教学示例设定，实际项目应通过交叉验证确定。
需要强调的是，代理模型的精度必须用独立验证样本评估，不能只看训练误差。对不确定性传播而言，代理模型误差会直接传递到输出分布与失效概率估计中，因此选型之后还应做一次“代理模型—真实模型”的抽样对照，确认输出均值、标准差和尾部概率的偏差在可接受范围内。