pygpc
基于广义多项式混沌方法的Python敏感性和不确定性分析工具箱
基本功能：
N维系统的高效不确定性分析
使用Sobol指数和基于全局导数的敏感性指数进行敏感性分析
轻松耦合到用Python，Matlab等编写的用户定义模型...
并行化概念允许并行运行模型评估
高效的自适应算法可以分析复杂的系统
包括高效的CPU和GPU（CUDA）实施，可极大地加快解决高维和复杂问题的算法和后处理例程
包括最新技术，例如：
投影：确定最佳折减基数
L1最小化：利用压缩感测中的概念减少必要的模型评估
梯度增强型gPC：使用模型函数的梯度信息以提高准确性
多元素gPC：分析具有间断和急剧过渡的系统
优化的拉丁文Hypercube采样可实现快速收敛
应用领域：
pygpc可用于分析各种不同的问题。 例如，在以下框架中使用它：
非破坏性测试：
无创性脑刺激：
经颅磁刺激：
2022-01-09 19:15:37
40.82MB
1
UC 类重载了基本的 Matlab 操作以允许通过计算传播错误。 主要特点包括： 1. 适当的自相关跟踪。 在以下示例中，x1、x2 和 x3 都将返回相同的值
a = UC(10,4,'a'); b = UC(100,1,'b'); c = UC(95,2,'c'); x1 = a*(b - c); x2 = a*b - a*c； y1 = a*b; y2 = a*c; x3 = y1 - y2;
并且 a/a 将返回 1 +/- 0 ，因为它应该。
2、通过运营完成贡献跟踪。 每个输入对最终不确定度的部分贡献被报告为导出的数量。 可以使用名称创建 UC 对象，该名称将用于此贡献跟踪。 那些没有名字的人会被分配一个随机的名字。
3. 一元函数和二元函数的统一定义，方便向UC类添加新函数。 例如，切线函数的定义是：
函数 y = tan(x) y = UC.UnaryFuncti
2021-06-01 12:02:45
38KB
1