动态随机共振（DSR）是一种用于增强暗和低对比度图像的独特技术。 噪声对于基于DSR的图像增强来说是必需的，并且噪声水平会与亮度同时增大，这会大大降低增强图像的感知质量，并且还会增加后续降噪的难度，因为去除高水平的噪声通常会导致严重的噪声损失。图片细节。 本文提出在增强过程中逐步消除噪声，而不是在增强过程完成后消除噪声。我们首先在变分框架中重写了基于传统偏微分方程（PDE）的DSR模型，然后提出一种用于图像增强的新颖的总变化正则化（TV）DSR方法。 从理论上证明了TV正则化DSR模型解的存在性和唯一性。 此外，我们分别在变体框架和PDE框架中推广了电视正则化DSR模型，因此我们可以将更多现有的去噪方法纳入我们的方法中。 数值比较表明，所提出的技术在对比度和亮度增强以及噪声抑制方面具有显着的性能，因此可以获得具有良好感知质量的增强图像。

by Steven Shreve 通俗易懂的教材，适合金融数学，金融工程入门者学习。

随机微分方程的黑盒变分推断 Lotka-Volterra示例的Tensorflow实现在 ， ， 和 （ICML，2018）中进行了。 示例：Lotka-volterra 在这里，我们在本文的第5.1节中演示示例“具有未知参数的多个观察时间”的实现。 也就是说，在已知测量误差方差的情况下，二维Lotka-Volterra SDE的全参数推断观察到的离散时间步长为10。 系统要求 以下示例已使用tensorflow 1.5，numpy 1.14和python 3进行了测试。尚未在任何依赖项的更新和/或更高版本上进行严格测试。 如有任何相关问题，请参阅联系部分。 此示例还使用张量板（1.5）可视化训练。 这样，您应该在lotka_volterra_data.py中为张量板输出指定路径。 例如： PATH_TO_TENSORBOARD_OUTPUT = "~/Documents/my_

Microgrid_sim 顾问： 和 问题定义 我们将要建立一个关于小型电网的模型，称为“微电网”。 目标是满足微电网的（本地）需求、优化分配、公平要求、可靠和可扩展。 能源资源管理中的（随机）模型 潜在的参考论文： 博尔盖蒂、阿尔贝托等人。 “分布式能源的两阶段调度程序。” 电力技术，2007 年 IEEE 洛桑。 IEEE, 2007. 李，GC，等。 “为区域能源系统管理开发以温室气体减排为导向的不精确动态模型。” 能源 36.5 (2011)：3388-3398。 Wong、Steven 和 J. David Fuller。 “在替代电力市场中使用随机优化对能源和储备进行定价。” 电力系统，IEEE Transactions on 22.2 (2007): 631-638。 Wallace、Stein W. 和 Stein-Erik Fleten。 “能源中的随机规划模型

本书介绍了应用随机过程的现代概念，这些概念被广泛应用在工程和科学的各个领域。 为具有适当数学背景的学生开设的高级本科课程而写。

APPLIED STOCHASTIC PROCESSES by G.A. Pavliotis, Department of Mathematics, Imperial College London, January 18, 2009.

关于模糊随机多目标优化的电子书，经典著作，适合工学理学等领域

This volume presents selected and peer-reviewed contributions from the 14th Workshop on Stochastic Models, Statistics and Their Applications, held in Dresden, Germany, on March 6-8, 2019. Addressing the needs of theoretical and applied researchers alike, the contributions provide an overview of the latest advances and trends in the areas of mathematical statistics and applied probability, and their applications to high-dimensional statistics, econometrics and time series analysis, statistics for stochastic processes, statistical machine learning, big data and data science, random matrix theory, quality control, change-point analysis and detection, finance, copulas, survival analysis and reliability, sequential experiments, empirical processes, and microsimulations. As the book demonstrates, stochastic models and related statistical procedures and algorithms are essential to more comprehensively understanding and solving present-day problems arising in e.g. the natural sciences, machine learning, data science, engineering, image analysis, genetics, econometrics and finance.

英文第三版，不朽名著，用DJVU编辑器添加了书签，阅读更方便更高效

Stochastic Differential Equations 6th ed - B. Oksendal