SimLab 2.2是为基于蒙特卡洛的不确定性和灵敏度分析而设计的软件。 Monte Carlo (MC)方法在这里用于伪随机数的生成，重点是来自联合概率分布的点的采样集;经常使用“样本分布”的名称。 基于mc的不确定性和敏感性分析是基于使用概率选择的模型输入执行多个模型评估，然后使用这些评估的结果来确定1)模型预测中的不确定性和2)导致这种不确定性的输入变量。一般来说，一个分析包括五个步骤。Monte Carlo 在第一步中，为每个输入变量(输入因子)选择范围和分布。这些选择将在下一步从输入因子生成样本时使用。如果分析主要是探索性的，那么相当粗略的分布假设可能就足够了。 在第二步中，根据第一步中指定的输入的分布生成点的样本。这一步的结果是一个样本元素序列。 在第三步中，向模型输入样本元素，产生一组模型输出。本质上，这些模型评估创建了一个从输入空间到结果空间的映射。这个映射是后续不确定性和敏感性分析的基础。 第四步，将模型评价的结果作为不确定度分析的基础。描述不确定性的一种方法是用一个平均值和一个方差。还提供了其他模型输出统计数据。 第五步，将模型评价的结果作为敏感性分析的基础。

具有确定性干扰的AWGN信道的非数据辅助ML SNR估计

随着高比例可再生能源接入综合能源系统，在系统规划及运行优化过程中充分考虑不确定性及电/热储能灵活性的问题至关重要。提出了一种考虑可再生能源及多能负载不确定性的综合能源系统两阶段规划-运行联合优化方法。充分挖掘电/热储能的灵活性与上述不确定性的关系，进行互补平衡并改善系统的可靠性与经济性。所提出的两阶段优化问题在第一阶段主要考虑综合能源系统及储能设备的规划问题，包含0-1变量；第二阶段考虑系统运行问题，包含不确定性参数及多种连续变量。通过仿真算例分析了多类型储能配置对综合能源系统规划问题的影响和不确定性参数的场景数量在两阶段随机优化问题中的影响，并对比分析了两阶段随机优化与两阶段鲁棒优化的优缺点。分析结果为综合能源系统灵活配置电/热储能设备、考虑不确定性参数问题提供建模求解的策略及建议。

2018-春季-人工智能-No04-Topic 05-不确定性推理-Bayes实验Python代码1

人工智能AI2章确定性知识系统

人工智能5第五章确定性推理

人工智能原理教案03章 不确定性推理方法323证据理论

人工智能课件之不确定性处理

使用加权全最小二乘算法解决了将直线拟合到两个坐标均具有不确定性的数据的问题。 参数从通常的斜率/y 轴相交对转换为斜率角度和到原点的距离。 这样做的优点是 a) 确保全局收敛 b) 即使对于垂直线也能找到解决方案。 确定完整的不确定性矩阵（即拟合参数的方差和协方差）。 对于非垂直直线，还给出了通常的参数（斜率/y 轴相交）及其不确定性矩阵。 该算法对于精确测量特别有用，在这种测量中必须了解完整的不确定度矩阵。 该算法由德国 Physikalisch-Technische Bundesanstalt Braunschweig 的 M.Krystek 和 M.Anton 在 Measurement Science and Technology 18 (2007) pp3438-3442 中发表。 名为 pearson_york_tetdata.m 的附加脚本包含该问题的标准统计测试数据集（参见