不确定性量化 基于仿真的可靠性分析 全局灵敏度分析 元建模 随机有限元分析 基于可靠性的优化

在优化和决策过程中，不确定性量化(UQ)在减少不确定性方面起着至关重要的作用。它可以用于解决科学和工程中的各种实际应用。

OpenCossan是一个基于Matlab的不确定性量化和管理工具箱。 OpenCossan is a Matlab-based toolbox for uncertainty quantification and management. 实现的框架包括第三方软件集成（如ANSYS）、高效的数值算法（如线性采样）和用于高性能计算的并行化。

OpenCossan 是一个基于 Matlab 的工具箱，用于不确定性量化和管理。 实施的框架包括第三方软件集成（例如 ANSYS）、高效的数值算法（例如线采样）和用于高性能计算的并行化。 OpenCossan 的功能可以概括为： 不确定性量化基于仿真的可靠性分析敏感性分析元建模随机有限元分析基于可靠性的优化

自己制作的UQLab工具箱简介及安装方法。

matlab copula代码乌克萨 不确定性量化 (UQ) 和灵敏度分析 (SA) 此存储库中分发的代码实现了 Eriksson 和 Jauhiainen 等人（2018 年）在论文“贝叶斯分析结合全局敏感性分析应用于动态细胞内通路模型的不确定性量化、传播和表征”中提出的方法。 该代码在 GNU 通用公共许可证 v3.0 下分发。 UQ 文件夹包含运行不确定性量化方法的 R 脚本（ABC-MCMC with copulas）。 需要包 ks、VineCopula、MASS、R.utils 和 R.matlab（将输出数据保存到 MATLAB 兼容文件的最后一个包）。 要运行的主脚本称为 runABCMCMC-Phenotype123.R。 该脚本将使模型适合表型 1-3（如论文中所述），我们将其用作说明性测试用例。 结果数据也以 R 和 MATLAB 格式上传到文件夹中。 我们使用表型 4 作为我们的预测数据集来说明 SA 方法。 SA 文件夹包含运行全局敏感性分析的 MATLAB 脚本。 需要 2014a 之后的 MATLAB 版本。 要运行的主脚本称为 get_predictio

诺伯特·维纳（Norbert Wiener）于1938年提出的多项式混沌扩展（PCE）。直观地，可以将PCE视为在不确定模型参数下以高维多项式形式构造和获得模型响应面的数学最优方法。 最近，多项式混沌扩展得到了对任意多项式混沌扩展的概括（aPC：Oladyshkin S.和Nowak W.，2012），这就是PCE的所谓数据驱动的概括。 像所有多项式混沌扩展技术一样，aPC通过在正交多项式基础上进行扩展来近似仿真模型输出对模型参数的依赖性。 aPC将混沌扩展技术推广到具有任意概率测度的任意分布，该概率测度可以是离散的，连续的或离散的连续的，并且可以解析地（作为概率密度/累积分布函数），数值表示为直方图或原始数据集来指定。 处于有限扩展阶数的aPC仅需要存在有限数量的矩，并且不需要完全的知识，甚至不需要概率密度函数。 这避免了分配有限的可用数据未充分支持的参数概率分布的必要性。 或者，它允

颜色分类leetcode 在分类中使用贝叶斯神经网络进行不确定性量化：在生物医学成像分割中的应用 该存储库提供了论文“在分类中使用贝叶斯神经网络的不确定性量化：在生物医学图像分割中的应用”的 Keras 实现。 本文扩展了在 . 如果您想引用此作品，请引用扩展版本。 在这个 repo 中，我们使用两个生物医学成像分割数据集展示了所提出的方法：ISLES 和 DRIVE 数据集。 有关更多详细信息，请参阅 和 。 我还强烈建议您查看使用 Walter de Back 的 DRIVE 数据集的良好实现。 []。 例子 一旦你有一个训练有素的贝叶斯神经网络，建议的不确定性量化方法很简单！！！ 在一个二进制segmentaion中，一个具有维度（估计数，特征维度）的numpy数组p_hat ，然后可以通过以下代码获得认知不确定性和任意不确定性。 epistemic = np.mean(p_hat**2, axis=0) - np.mean(p_hat, axis=0)**2 aleatoric = np.mean(p_hat*(1-p_hat), axis=0) 所提出的方法与 Kendall

不确定性工具箱 用于预测不确定性量化，校准，python工具箱。 另外：的以及的集合。 许多机器学习方法会返回预测以及某种形式的不确定性，例如分布或置信区间。 这就引出了一个问题：我们如何确定最佳的预测不确定性？ 产生最佳或理想不确定性是什么意思？ 我们的不确定性是否准确且经过良好校准？ 不确定性工具箱提供了用于量化和比较预测性不确定性估计值的标准度量，提供了这些度量的直觉，生成了这些度量/不确定性的可视化效果，并实施了简单的“重新校准”程序来改善这些不确定性。 该工具箱当前专注于回归任务。 工具箱内容 不确定性工具箱包含： 与预测不确定性量化相关的。 评估预测不确定性估计的质量的。 预测不确定性估计和指标。 用于改善预测变量校准的方法。 有关度量标准和方法的相关。 安装 不确定性工具箱需要Python 3.6及更高版本。 要安装，请克隆并通过cd进入此仓库，然后运行： $

EasyVVUQ EasyVVUQ的目的是促进各种模拟的验证，确认和不确定性量化（VVUQ）。 虽然在简单情况下非常方便，但是EasyVVUQ特别适用于以下情况：模拟的计算量很大，需要异构的计算资源，采样空间很大或簿记非常复杂。 它使用高效的数据库协调执行，具有容错能力，并且可以保存所有进度。 以下是EasyVVUQ可以回答的有关您的代码的一些问题示例： 考虑到输入参数的不确定性，输出的分布是什么？ 每个输入参数占输出方差的百分比是多少？ 还可以让您构造比完整的仿真便宜评估的代理模型。 基本概念在和介绍。 有关将仿真与EasyVVUQ接口的介绍，请参阅笔记本。 可用的分析和采样方法： 多项式混沌展开 随机搭配 蒙特卡罗灵敏度分析 马尔可夫链蒙特卡洛 EasyVVUQ还支持使用以下方法构建代理模型： 多项式混沌展开 随机搭配 高斯过程 支持的计算资源： 传统集群 最简单的