关于证据的不确定性 （1）不确定性的表示 　　一般通过对事实赋于一个介于0和1之间的系数来表示事实的不确定性。1代表完全确定，0代表完全不确定。这个系数被称为置信度。 （2）不确定性的处理 　　当规则具有一个以上的条件时，就需要根据各条件的置信度来求得总条件部分的置信度。已有的方法有两类： 　　① 以模糊集理论为基础的方法 　　按这种方法，把所有条件中最小的置信度作为总条件的置信度。这种方法类似于当把几根绳子连接起来使用时，总的绳子强度与强度最差的绳子的相同。 ② 以概率为基础的方法 　　这种方法同样赋予每个证据以置信度。但当把单独条件的置信度结合起来求取总的置信度时，它取决于各置信度的乘积。

提出了基于可信度因子和可信度区间的不确定性推理模型，并用改进的BP神经网络实现其推理过程，最后利用MATLAB神经网络工具箱给出仿真示例。改进的BP神经网络在实现不确定性推理方面有效避免了沿用传统方法所带来的规则数激增及推理缓慢等缺陷，并提高了网络的泛化能力。仿真示例表明，它不仅可以自动学习和模拟专家的典型经验，而且还可以将专家的典型经验推广应用到一般情形。

基于可信度的不确定性推理的研究与应用，杨阿琴，，本文将基于可信度的不确定性推理其运用到民航机务维修差错预警专家系统中进行研究中，并在Jess推理引擎的基础上，研究了具体的知��

robust parameter uncertaintis，参数不确定性动力学系统控制必备。电子书

随机森林模型选股matlab代码使用趋势确定性数据准备技术比较用于股票预测和股票指数走势的机器学习算法。 如果您喜欢演示文稿而不是自述文件，我们建议您查看该项目 :triangular_flag: 目录 :light_bulb: 介绍 2014年，来自苹果公司的SCPD学生Di Xinjie Di提交了一篇论文，重点是预测一家公司近期的股价走势。 特征空间源自股票本身的时间序列，并关注过去价格的潜在变动。 树算法被应用于特征选择，它表明股票技术指标的一个子集对于预测股票趋势至关重要。 实验结果表明，使用 SVM 算法预测 3-10 天平ASP格趋势的准确率超过 70%。 Jigar Patel、Sahil Shah、Priyank Thakkar、K. Kotecha在Elsevier出版公司旗下的Expert Systems with Applications期刊上发表的另一篇论文引用自Patel, J. 等人。 使用趋势确定性数据准备和机器学习技术预测股票和股价指数走势。 Expert Systems with Applications (2014)解决了预测印度股票市场股票和股票价格指数运动方向的问题。 该论文将人工神经网络 (AN

使用 Hooke & Jeeves 的无约束优化方法。

FeiQ

虚拟电厂中的可再生能源发电出力和电力市场的电价具有不确定性特征，在虚拟电厂的竞标中如何处理这些不确定性因素的影响值得深入研究。应用鲁棒优化的方法处理风电出力和电力市场电价的不确定性，同时考虑碳排放约束对虚拟电厂竞标的影响，建立虚拟电厂鲁棒优化竞标模型。算例分析结果验证了所提模型的经济性和鲁棒性，显示了鲁棒优化法处理含有不确定性参数的优化问题的有效性，且碳排放约束会使虚拟电厂竞标策略发生变化。

基于Pythagorean模糊迭代多准则决策(TODIM)方法和简化的TODIM方法,首先给出简化的q-ROF TODIM方法,并分析该方法产生的悖论;其次,结合广义TODIM方法的思想,提出广义q-ROF TODIM方法;再次,通过一个实例来说明广义q-ROF TODIM方法的可行性和有效性;最后,结合该实例,将所提出的方法与其他q-ROF决策方法进行比较分析,同时分析参数的变化对决策结果的影响,进一步阐明所提出方法的优越性.

基于图论和射线追踪的半确定性无线电信道建模