4. PCE的数学形式与系数含义

多项式混沌展开（Polynomial Chaos Expansion，PCE）的核心思想，是把一个依赖随机输入的输出量，表示成一组关于标准随机变量的正交多项式基的线性组合。理解这一节的关键，不在于记住公式，而在于弄清三件事：展开式长什么样、系数到底代表什么、以及为什么系数一旦求出，均值方差就能直接写出来。

一、展开式的结构：随机变量 → 标准变量 → 正交基

设模型输出为 Y = f(ξ)，其中 ξ = (ξ₁, ξ₂, …, ξ_d) 是 d 维随机输入向量。PCE 的第一步是标准化：把每个物理随机变量映射为服从标准分布的无量纲变量。例如正态输入 X ~ N(μ, σ²) 取 ξ = (X − μ)/σ；均匀输入 X ~ U(a, b) 取 ξ = (2X − a − b)/(b − a)。标准化之后，ξ 的各分量相互独立，且分布类型固定，这为后续选择正交基提供了统一前提。

第二步是选基。PCE 要求基函数关于输入的概率测度正交，即 E[ψ_i(ξ) ψ_j(ξ)] = δ_ij（这里采用归一化基）。常用的对应关系是：标准正态对应 Hermite 多项式，标准均匀对应 Legendre 多项式，Beta 分布对应 Jacobi 多项式，Gamma 分布对应 Laguerre 多项式。这一对应关系被称为 Wiener–Askey 方案，是经典 PCE 的选基依据。

第三步是截断展开。完整的无穷级数无法计算，实际取总阶数不超过 p 的基函数集合：

Y ≈ Σ_{|α| ≤ p} c_α Ψ_α(ξ)

其中 α = (α₁, …, α_d) 为多重指标，|α| = α₁ + … + α_d
Ψ_α(ξ) = ψ_{α₁}(ξ₁) · ψ_{α₂}(ξ₂) · … · ψ_{α_d}(ξ_d)
基函数个数 P + 1 = C(d + p, p)

例如 d = 3、p = 2 时，基函数个数为 C(5, 2) = 10，即 10 个待定系数。这个组合数增长很快：d = 10、p = 3 时已达 286 个。因此 PCE 的适用性高度依赖“有效维度”——真正影响输出的输入往往远少于名义维度，这也是后续稀疏化、降维方法的动机。

二、系数是投影：条件期望的解释

系数 c_α 不是随意拟合出来的参数，它有明确的概率含义。利用基函数的正交性，在展开式两边同乘 Ψ_α 并取期望，可得：

c_α = E[Y · Ψ_α(ξ)] / E[Ψ_α²(ξ)] = E[Y · Ψ_α(ξ)]   （归一化基）

这正是 Y 在基函数 Ψ_α 上的正交投影。从几何上看，把随机变量空间视为一个内积空间（内积定义为期望），PCE 就是把 Y 投影到由低阶多项式张成的子空间上，而 c_α 就是投影坐标。截断误差 Y − Σ c_α Ψ_α 与子空间正交，这正是最小均方误差意义下的最优逼近。

更直观地，c_α 可以理解为一种条件期望式的敏感度指标。以单变量为例，c₁ = E[Y ξ₁] 度量了输出对 ξ₁ 的线性响应强度；c₂ = E[Y (ξ₁² − 1)/√2]（Hermite 归一化形式）则刻画二次非线性响应。系数绝对值越大，说明该基方向对输出变异的贡献越显著。特别地，c₀ = E[Y · 1] = E[Y]，常数项就是输出的均值，这一点在下一段会直接用到。

三、统计矩的解析表达

PCE 最实用的性质之一，是统计矩可以由系数直接写出，无需再做蒙特卡洛抽样。由正交性：

E[Y] = c₀
Var[Y] = Σ_{|α| ≥ 1} c_α²
偏度、峰度等高阶矩也可由 c_α 的组合解析计算

方差公式尤其重要：它把总方差分解为各基函数方向的贡献之和。对单个变量 ξ_i 的主效应，可用只含 ξ_i 的基函数系数平方和近似，即 Sobol 主效应指数 S_i ≈ Σ_{α∈A_i} c_α² / Var[Y]，其中 A_i 是仅 α_i > 0 而其余分量为零的指标集。这意味着一次 PCE 拟合，同时给出了均值、方差和全局敏感度，这是它相对抽样方法的显著优势。

四、一个可手算的示例

设输出 Y = 2 + 3ξ + 0.5(ξ² − 1)，ξ ~ N(0,1)，采用归一化 Hermite 基 Ψ₀ = 1、Ψ₁ = ξ、Ψ₂ = (ξ² − 1)/√2。则展开系数为 c₀ = 2、c₁ = 3、c₂ = 0.5√2 ≈ 0.707。于是：

E[Y] = c₀ = 2
Var[Y] = c₁² + c₂² = 9 + 0.5 = 9.5
σ_Y = √9.5 ≈ 3.082

若用抽样验证，取 ξ 的 10⁵ 个样本计算 Y 的样本均值与样本方差，应分别收敛到 2 与 9.5 附近（示例为解析设定，抽样结果属合理预期而非实测）。这个例子说明：只要展开式已知，矩的计算就是代数运算，误差只来自截断，不来自抽样噪声。

五、实践中的几个判断点

第一，基与分布必须匹配。若输入是均匀分布却误用 Hermite 基，正交性被破坏，c_α = E[Y Ψ_α] 不再成立，方差公式也随之失效。第二，截断阶数要检验。可比较 p 与 p+1 时的方差估计，若变化很小且高阶系数接近零，说明截断合理；若残差平方均值相对 Var[Y] 仍不可忽略，则需升阶或改用稀疏方法。第三，系数求解方式影响精度。投影法（数值积分或求积）对光滑响应精度高，但求积点数随维度快速增长；回归法（最小二乘配点）更灵活，但需要足够多的样本且要防止过拟合。实际中常先用小规模算例对比两种方法的 c₀ 与方差，确认一致后再用于正式计算。

综上，PCE 的数学形式可以概括为“标准化—选基—截断展开”三步，系数的本质是输出在正交基上的投影，而均值与方差则是这组投影坐标的零阶项与平方和。掌握这三层关系，后续的配点求解、稀疏截断与敏感度分析才有稳固的出发点。