تحلیل حساسیت سراسری — سوبول، موریس، و فست
تحلیل حساسیت سراسری (GSA) خانوادهای از تکنیکها است که واریانس خروجی یک مدل را بر اساس پارامترهای ورودی آن تجزیه میکند و میزان سهم هر ورودی — و هر ترکیب از ورودیها — را در عدم قطعیت کلی نتیجه کمیسازی میکند. شاخصهای مبتنی بر واریانس سوبول (2001)، غربالگری یکبهیک (OAT) موریس (1991)، و آزمون حساسیت دامنه فوریه (FAST، که اولین بار توسط کوکیه و همکاران در سال 1973 پیشنهاد شد) سه رویکرد پرکاربرد در این زمینه هستند. این روشها در کنار هم به عنوان ابزار استاندارد برای شناسایی پارامترهایی عمل میکنند که رفتار مدل را هدایت میکنند و آنهایی که میتوان با اطمینان ثابت نگه داشت.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Sobol, I.M. (2001). Global Sensitivity Indices for Nonlinear Mathematical Models and Their Monte Carlo Estimates. Mathematics and Computers in Simulation, 55(1–3), 271–280. DOI: 10.1016/S0378-4754(00)00270-6 ↗
- Saltelli, A. et al. (2008). Global Sensitivity Analysis: The Primer. Wiley. DOI: 10.1002/9780470725184 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Global Sensitivity Analysis (Sobol, Morris, FAST). ScholarGate. https://scholargate.app/fa/simulation/global-sensitivity-analysis
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- طراحی آزمایشهاطراحی آزمایش↔ compare
- Latin Hypercube Samplingشبیهسازی↔ compare
- شبیهسازی مونت کارلوتصمیمگیری↔ compare
- کمیسازی عدم قطعیتشبیهسازی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →