俱岩飞， 王俊彪， 常崇义， 赵泽平

(1.中国铁道科学研究院 研究生部，北京 100081； 2.中国铁道科学研究院集团有限公司 铁道科学技术研究发展中心，北京 100081)

1 引 言

基于不确定度传播率的GUM(guide to the expression of uncertainty in measurement)不确定度评定方法存在一定的局限性，如输入量需呈对称分布,输出量需呈近似正态分布或t分布,测量模型为线性模型或可用线性模型近似的模型等[1,2]。而GUM的补充文件1[3]提出的基于分布传播的蒙特卡洛方法(Monte Carlo method，MCM)打破了GUM法不确定度评定的局限，可以有效解决非线性测量模型、分布不对称等情况下的不确定度评定问题。文献[4]～[6]对MCM评定测量不确定度进行了深入研究。文献[7]～[11]研究表明：当输入量的概率分布为对称分布、输出量的概率分布近似为正态分布或t分布，测量模型为线性模型或可用线性模型近似表示的情况下，GUM法与MCM法得到的不确定结果基本一致；但当输入模型非线性或者输入量为均匀分布、反正弦分布等，两种方法法得到的输出量分布形式有很大差异，且GUM法的评定结果较为保守；当输入量的分布区间不对称时，会导致GUM法的评定结果的区间发生偏离。总的来说，MCM法比GUM法适用范围更广、可信度更高。

在实际的测量不确定度评定过程中，往往会遇到输入量之间相关性不可忽略的情况。文献[12]基于Cholesky分解产生多维正态分布抽样序列；文献[13]以最小二分法为基础，给出了具有相关性的2个随机变量的模拟方法；文献[14]、[15]基于Cholesky因子线性-非线性变换产生了具有任意边缘分布和相关系数的多维随机抽样序列，然而仅限于各输入量之间相关系数矩阵正定即可以进行Cholesky分解的情况。……