精华内容
下载资源
问答
  • 不确定性Uncertainty

    千次阅读 2018-10-14 15:21:38
    不确定不确定性(Uncertainty)一词多个含义。一般来说,任何没有完全和彻底了解的事物对我们来说都存在不确定性。不确定性这个词怀疑(比如“他能否按计划完成工作是不确定的”)或者缺乏知识(比如“我...

    不确定或不确定性(Uncertainty)一词有多个含义。一般来说,任何没有完全和彻底了解的事物对我们来说都存在不确定性。不确定性这个词有怀疑(比如“他能否按计划完成工作是不确定的”)或者缺乏知识(比如“我不确定溶液是否有毒”)的意思,本文中,作者倾向于把风险和不确定性看成两个不同的词。研究对象的风险可以用风险分析的结果“风险图”来表示,并且“风险图”一般会成为决策制定的依据,当然,决策制定的依据还有很多,比如生产评估、成本利润评估等。为了能够进行好的决策,决策者必须要相信他所使用的决策依据是尽可能正确的。这样,决策者也就会有兴趣了解,他对于风险分析的结果可以有多大信心,即要了解风险分析结果的不确定性有多大。

    作者将“不确定性”定义为“对风险评估结果信心的‘量度’”,此处给“量度”加上引号是为了表示不确定性并不一定需要量化。2009年美国国家研究委员会(NRC)对“不确定性”给出的精确定义是“不确定性:信息缺乏或不完整,定量不确定性分析试图分析和描述计算值与真实值之间的差异程度,描述的方法有时候是概率分布。不确定性取决于数据的质量、数量和相关度,以及模型和假设的可靠性和相关度(NRC,2009)。

    2.不确定性的类型:

    根据需要常常将不确定性分为两大类(Armen Der Kiureghian,2007)。

    随机不确定性:随机(Aleatory)这个单词来自拉丁语alea,意思是掷骰子。

    认知不确定性:认知(Epistemic)来自希腊语episteme,意思是知识。

    2.1 随机不确定性

    随机不确定性:此种不确定性主要由自然变异和随机性引起。随机不确定性的例子包括风速、风向、降雨量、产品质量的变化、污染物在食品中的浓度等。

    随机不确定性也被称为变异(NRC,2009)、内在不确定性、偶然不确定性和不可降低不确定性。如果在相同的条件下重复一个实验若干次,而每次的结果都不尽相同,比如,抛掷一枚两面均衡的硬币1000次,我们就可以观察到随机不确定性。增加实验的数量并不能减少这些变异的出现,但是却可以让我们更加准确的描绘出结果变异的概率分布。

    例子1:考虑一个化工厂毒气泄露的事故场景,有毒气体泄露后形成毒气云其最终影响取决于实时的风向。通过对相关地点风向的长期观察,我们可以拟合出不同方向d的概率分布。在事故场景发生的时候,我们无法确定毒气云一定会吹向居民区,但是我们可以使用分布F(d)寻找事件的概率。

    2.2 认知不确定性

    认知不确定性:此种不确定性主要是由于缺乏知识引起。常见的例子包括转基因食品的健康风险以及二氧化碳排放导致全球变暖的担忧。从原理上讲,如果我们获得了有关研究对象足够的知识,就可以消除这种不确定性。鉴于随着知识增加,认知不确定性可以因此降低,所以它也可以被称为可降低的不确定性。与随机不确定性相反,认知不确定性依赖于评估者的知识水平,因此它还被称为主观不确定性。

    认知不确定性也被称为无知(ignorance)(Salvatore Modica,1997)和表象不确定性。

    无知可以分为两种:认识到的无知和没有认识到的无知。认识到的无知是指,我们知道自己不知道,并希望在进行风险分析的时候采取相应措施。而没有认识到的无知则更加危险,因为我们根本不知道自己不知道,说的更严重点,就是我们对于风险评估结果的信心可能就是一种错觉。

    例子2:现在,有很多基于纳米技术的新产品不断问世。然而许多人都在担心纳米颗粒会对他们的健康以及地球环境造成伤害。但是至少到现在(2014年),纳米技术的影响还无从所知,因此与使用这项技术相关的认知不确定性还非常高。随着人们关于纳米技术的经验越来越多,认知不确定性也就会随之降低。

    从基本的词义上看,不确定性就是简单地缺少确定性,没有必要将其分成不同的类型。然而,绝大部分分析人员都发现使用上面介绍的分类很有帮助(Winkler,1996;Anderson and Hattis,1999;Der Kiureghian and ditlevsen,2009)。现在风险分析界比较一致的看法是,在随机不确定性和认知不确定性之间并没有固定的界限。如果有新的知识出现,我们可以更加深入地解释某一情况或现象,那么与之相应的随机不确定性就降低了。归根结底,可能所有的不确定性都是认知方面的。有时候,信心(confidence)和准确性(Accuracy)这两个词被当作不确定性的反义次,也就是说,在不确定性很高的时候,我们的信心很低。David Cox在1981年给出的不确定性和变量关系的阐述是“变量是物质世界中需要被度量、分析并做出合理解释的现象,而不确定性是知识的一个方面”(David Cox,1981)。

    展开全文
  • 人工智能之不确定推理方法

    万次阅读 2017-11-24 13:51:44
    人工智能之不确定推理方法 现实世界中的大多数问题是精确、非完备的。 一、知识的不确定性 1、不确定推理的含义不确定性推理泛指除精确推理以外的其它各种推理问题。包括完备、精确知识的推理,模糊知识的...

    人工智能之不确定推理方法


    人工智能课程复习笔记专题
    人工智能绪论
    人工智能之知识表示
    人工智能之搜索方法
    人工智能之经典逻辑推理
    人工智能之专家系统
    人工智能之不确定推理方法
    人工智能之机器学习

    现实世界中的大多数问题是不精确、非完备的。

    一、知识的不确定性

    1、不确定推理的含义

    不确定性推理泛指除精确推理以外的其它各种推理问题。包括不完备、不精确知识的推理,模糊知识的推理,非单调性推理等。
    不确定性推理过程实际上是一种从不确定的初始证据出发,通过运用不确定性知识,最终推出具有一定不确定性但却又是合理或基本合理的结论的思维过程。
    

    2、不确定推理的基本问题

    知识的不确定表示
    1)知识:
    考虑因素:问题描述能力、推理中不确定性计算
    表示:概率、可信度
    2)证据:
    证据来源:初始证据,中间结论
    表示:概率、可信度

    不确定性的匹配
    含义:不确定的前提条件和不确定的事实匹配
    问题:前提是不确定的,事实也是不确定的
    方法:设计一个计算相似度的算法,给出相似度的限度
    标志:相似度落在规定限度内为匹配,否则为不匹配

    组合证据不确定性的计算
    含义:知识的前提条件是多个证据的组合。
    方法:最大最小方法(合取取最小,析取取最大),概率方法

    不确定性的传递
    主要问题:
    1)如何用证据的不确定性去更新结论的不确定性
    2)如何在推理中把证据的不确定性传递给最终结论
    解决方法:
    对1),不同推理方法解决方法不同
    对2),方法相同,把当前结论及其不确定性作为新的结论放入综合数据库。依次传递直到得出最终解。

    非精确性结论的合成
    含义:多个不同知识推出同一结论,且不确定性程度不同
    方法:视不同推理方法而定

    二、基于可信度的不确定推理方法

    1、可信度的概念

    可信度是指人们根据以往经验对某个事物或现象为真的程度的一个判断,或者说是人们对某个事物或现象为真的相信程度。

    2、CF模型

    2.1知识的不确定表示

    表示形式:
    在C-F模型中,知识是用产生式规则表示的,其一般形式为:
    IF E THEN H (CF(H, E)) 
    其中,E是知识的前提条件;H是知识的结论;CF(H, E)是知识的可信度。
    例子
    IF 发烧 AND 流鼻涕 THEN 感冒 (0.8)
    表示当某人确实有“发烧”及“流鼻涕”症状时,则有80%的把握是患了感冒。

    2.2可信度的定义和性质

    可信度的定义

    MB:相对于可信度余值的增长,取最大,确保得正数
    MD:相对于不可信度的增长,取最小,确保分母得负数

    可信度的性质
    1)互斥性
    当MB(H, E)>0时,MD(H, E)=0
    当MD(H, E)>0时,MB(H, E)=0

    2)值域

    3)典型值
    CF(H,E)=1,E的出现使H为真
    CF(H,E)=-1,E的出现使H为假
    CF(H,E)=0,E的出现对H无影响

    4)对H的信任增长度等于对非H的不信任增长度
    5)对同一前提E,若支持若干个不同的结论Hi(i=1,2,…,n),则

    证据不确定性的表示
    1)不确定性的表示:
     证据的不确定性也是用可信度来表示的,其取值范围也为[-1,1] 
    若E为初始证据,其值由用户给出。
    若E为中间结论,其值可通过计算得到。

    2)不确定的含义

    • CF(E)=1,证据E肯定它为真
    • CF(E)=-1,证据E肯定它为假
    • CF(E)=0,对证据E一无所知
    • 0 < CF(E) < 1,证据E以CF(E)程度为真
    • -1 < CF(E) < 0,证据E以CF(E)程度为假

    否定数据的不确定性计算
    CF(¬E)=- CF(E)
    组合证据的不确定性计算
    合取
    CF(E)=min{CF(E1), CF(E2), … ,CF(En)}

    析取
    CF(E)=max{CF(E1), CF(E2), … ,CF(En)}

    不确定性的传递
    CF(H)=CF(H, E)×max{0, CF(E)}
    结论不确定性的合成
    按以下2步计算:
    (1) 分别对每条知识求出其CF(H)。即
    CF1(H)=CF(H, E1) ×max{0, CF(E1)}
    CF2(H)=CF(H, E2) ×max{0, CF(E2)}
    (2) 用如下公式求E1与E2对H的综合可信度

    例子
    设有如下一组知识:
    r1:IF E1 THEN H (0.9)
    r2:IF E2 THEN H (0.6)
    r3:IF E3 THEN H (-0.5)
    r4:IF E4 AND ( E5 OR E6) THEN E1 (0.8)
    已知:CF(E2)=0.8,CF(E3)=0.6,CF(E4)=0.5,CF(E5)=0.6, CF(E6)=0.8
    求:CF(H)=?
    解:由r4得到:
    CF(E1)=0.8×max{0, CF(E4 AND (E5 OR E6))}
    = 0.8×max{0, min{CF(E4), CF(E5 OR E6)}}
    =0.8×max{0, min{CF(E4), max{CF(E5), CF(E6)}}}
    =0.8×max{0, min{CF(E4), max{0.6, 0.8}}}
    =0.8×max{0, min{0.5, 0.8}}
    =0.8×max{0, 0.5} = 0.4
    由r1得到:CF1(H)=CF(H, E1)×max{0, CF(E1)}
          =0.9×max{0, 0.4} = 0.36
    由r2得到:CF2(H)=CF(H, E2)×max{0, CF(E2)}
         =0.6×max{0, 0.8} = 0.48
    由r3得到:CF3(H)=CF(H, E3)×max{0, CF(E3)}
          =-0.5×max{0, 0.6} = -0.3
    根据结论不精确性的合成算法,CF1(H)和CF2(H)同号,有:


    CF12(H)和CF3(H)异号,有:

    即综合可信度为CF(H)=0.53

    展开全文
  • 处理不确定数据的方法研究

    千次阅读 2016-01-25 11:41:35
    随着研究范围的扩大、研究内容的深入,对不确定现象与事物的研究及其数据处理方法也亟待突破和落地应用。本研究针对确定性的数学理论、算法及应用开展了多层次研究:在随机性数据处理方面,应用已的成熟算法对...

    成果简介:

    不确定性是客观存在的大量现象和事物的特征,其表现形式也具有多样性,如随机性、模糊性、粗糙性以及多重不确定性等。随着研究范围的扩大、研究内容的深入,对不确定现象与事物的研究及其数据处理方法也亟待突破和落地应用。本研究针对不确定性的数学理论、算法及应用开展了多层次研究:在随机性数据处理方面,应用已有的成熟算法对实际生活中常见的不确定性现象开展分析,包括了多维标度法在亲属关系中的分析应用、Bayes判别法在医学领中的分析应用;在粗糙性数据处理方面,发展了若干处理不确定性数据的新方法,包括了合成集值信息系统的属性特征分析方法以及基于包含度的结构粗糙集近似方法研究。

    成果内容提要:

    随着信息技术的日星月异,一些具有海量、高维、动态等特征的大规模复杂数据不对涌现,这些数据以数字、语言、声音、图像等形式进行存储,并形成了大量的复杂信息系统,人们迫切需要去分析处理这些复杂数据,从中找到有价值的信息和知识。然而,由于这些数据带有的高度不确定性,直接对这些数据进行处理面临着严重的计算问题。瞎子摸象的故事就反映了在信息不确定性下进行应用推理会产生认知的偏差。因此,如何有效、快速地处理不确定性数据,并提取出隐含其中、潜在有用的知识,一直是智能信息处理领域的一个研究热点。

    作为知识获取和数据挖掘的重要理论,概率论与包含度理论是处理随机性和粗糙性数据工具的基础理论。本作品针对若干不确定性的数学理论、算法及应用开展了多层次研究,在随机和粗糙性数据处理方面取得了以下两方面的研究成果,对推动不确定性数据处理的理论、方法和实际应用研究具体重要的现实意义。

    1、在随机性数据处理方面,应用基于概率论的统计分析算法对实际生活的常见不确定性现象开展分析。

    (1)多维标度法在亲属关系中的分析应用:简单地介绍了多维标度法和加权多维标度法的理论及原理,对亲属关系间的不确定现象进行建模,采用多维标度法分析了亲属关系的亲密程度,展示了15种亲属关系可分为五大类,并由此得到在人们心中亲属的分类情况,最终根据这些分类来解释一些亲属间的关系,理解人际关系中的一些社会现象,帮助缓和彼此之间的一些矛盾。

    (2)Bayes判别法在医学领中的分析应用:Bayes判别在进行判别分析时考虑到各总体出现的先验概率、预报的先验概率及错判造成的损失,其判别效能优于其他判别方法。在对Bayes判别方法详细介绍基础上,本研究利用R软件对一组舒张压和胆固醇数据分别进行Bayes判别分析、Fisher判别分析和基于距离的判别分析,对比三种不同方法下得到的判别结果。结果表明,Bayes判别分析得到的分类结果精度较高,在医学领域有较好的应用前景。

    2、在粗糙性数据处理方面,发展了基于包含度理论的若干粗糙性数据处理新理论和新方法。

    (1)合成集值信息系统的属性特征:属性特征是描述数据的重要表征,也是研究信息系统中属性重要性的方法之一。对一个信息系统而言,知识库中的属性并不是同等重要的,其中有些属性是冗余的,即不必要属性,而有些属性是必需的,即必要属性。而当信息系统中的数据是随机采集时,其冗余性更为普遍。因此,研究信息系统中属性的重要性即属性特征具有重要的理论与实际意义。本研究基于集值信息系统中的拟序关系,给出了对象合成、属性合成集值信息系统,讨论了集值信息系统与合成集值信息系统的协调集、属性特征之间的关系,进而定义了对象(属性)子集值信息系统,研究了子集值信息系统与原集值信息系统等的必要属性及不必要属性之间的关系。

    (2)基于包含度的结构粗糙集近似方法研究:基于包含度理论的粗糙集是一种处理不确定性和不完整性的数学工具,不仅能有效地分析不完整、不一致、不精确等不完备的信息,还能对数据进行分析与推理,从中发现隐含的的知识,揭示其潜在的规律。本研究在Pawlak下、上近似和Bryniarski下、上近似的基础上,研究了结构粗糙集近似及其性质,主要包括基于概率粗糙集近似研究及其性质,利用包含度度量等价类和被近似集之间的包含程度,基于包含度的粗糙集近似及其性质,以及基于包含度的结构粗糙集近似。

    综上,上述两方面的理论和应用研究,有助于随机和粗糙性数据的合成、传播和修正,为不确定数据处理理论和应用研究提供了借鉴,同时也对产生新的不确定推理技术有着明显的指导作用。

    社会反映:

    当今世界处在一个信息时代,信息是人类社会认识世界和改造世界的知识源泉,人们接触到的各种各样的信息有时候是确定的,更多的时候是不确定的。信息本身的确定或不确定属性无所谓好坏,问题在于我们怎样去正视不确定性、认识不确定性、把握不确定性,确定与不确定揭示和反映事物变化发展过程中的必然与偶然、清晰与模糊、精确与近似之间的关系,确定性是指客观事物联系和发展过程中有规律的、必然的、清晰的、精确的属性,不确定性是指客观事物联系和发展的过程中无序的、或然的、模糊的、近似的属性,确定与不确定,既有本质区别,又有内在联系,两者之间的关系是辩证统一的。

    不确定性的数据分析研究是在概率论、可信性理论、包含度理论等基础理论支撑逐渐开展的,是指对决策受到各种事前无法控制的外部因素变化与影响所进行的研究和估计,可以尽量弄清和减少不确定性因素对关注问题的影响。本研究旨在提供处理若干不确定性问题的理论分析和数学工具,内容包括随机性数据与粗糙性数据的处理两大方面,部分反映了不确定性数据处理的最新研究成果、研究方法和研究动向,在理论体系和方法上均有所创新。本作品可作为应用数学、运筹学、管理科学、计算机科学、系统科学、信息科学与工程技术等专业师生和研究人员探讨分析不确定性数据处理的参考资料,也可作为相关专业的教师和研究人员的参考书。

    (1)多维标度法在亲属关系中的分析应用

    在实际中我们会经常遇到这样问题,对于亲人,他们跟我们的关系的亲密是怎么样排序的,哪些亲戚可以放在一个等级同等重要?本研究针对亲属关系问题,调査了亲属关系在人们心中的重要程度,由此来确定在我们心中怎样的亲属关系可以放在同等重要的位置。具体是采用了多维标度法对种亲属关系的亲近程度做了相应的分析,并且得出了比较符合实际的结果。在分析结果中,第一类是叔父和侄子,在大家庭环境中,侄子是叔父的儿子视为是一家人,可以认为是亲属关系中的一类,这与所得分析结果吻合;第二类是阿姨和侄女对个人而言,按照我们的一般直觉,可以根据性别与关系亲疏将阿姨和侄女划分在一起,这种凭直觉的划分可以由第二种分类来解释;第三类与第四类形成鲜明的性别的对比关系,这恰恰也符合我们的一般感觉;而堂兄妹在划分中被单独列为一类。由此分析结果,我们可以得出在人们的心里亲属关系的一般划分情况,根据亲属关系分类的结果,可以了解到在人心中亲属关系的密切程度并由此并观察出在人们心中怎样的亲属可以放在同等重要的位置,有利于我们理解亲属关系中的很多普遍现象(例如,个人对待叔父和堂兄妹的态度有所不同,认为父亲和儿子同等重要,遇到生活问题总是愿意找母亲或姐妹倾诉,等等)。这个分析结果对处理人际关系问题非常有帮助,让我们了解到在普遍现象中,哪些亲属被同等对待哪些亲属被有差别地对待由此可以有助于缓解一些出现在彼此关系中的矛盾,从而降低人与人之间的冲突,努力建立和谐的人际关系。

    上述成果已在国内中文核心期刊公开发表,并取得57次下载频次。论文具体信息如下:刘莎, 马江洪, 刘东航. 多维标度法在亲属关系中的应用[J]. 数学的实践与认识, 2014, 44(15): 261-266.

    (2)Bayes判别分析在医学中的应用

    判别分析是用以判别个体所属群体的一种统计学方法,它产生于20世纪30年代,近年来,在许多自然科学的各个分支和技术部门中,得到了广泛应用。判别分析假设训练样本由一个因变量和个自变量的个样本点构成依据这样的训练样本,判别分析建立起因变量与自变量之间的关系,称为判别规则,然后依据这种判别规则针对待判样本的每一个样品做出该样本点应归属与哪一类判别分析的方法很多,大致上分为两大类,一类是以距离为判别准则; 另一类是以概率为判别准则的Bayes判别。距离判别最简单、最直观的一种判别方法,但其存在不足,在实际中常用的是基于概率的Bayes判别。本研究对Bayes判别分析进行了详细的研究,给出了Bayes判别思想并且应用R软件程序对一个医学实例进行Bayes判别分析,同时将Bayes判别分析与Fisher判别分析以及基于距离的判别分析方法得到的结果进行了比较,说明了Bayes判别分析的分类结果精度高。由此判断,Bayes判别分析在病例诊断等医学领域应用中可以发挥不可估量的作用,随着数据库技术的飞速发展以及人们获取数据手段的多样化,计算机辅助诊断将会有广泛的应用前景和发展空间。

    上述成果已在国内中文核心期刊公开发表,并取得136次下载频次。论文具体信息如下:高蒙, 张旭峰, 刘权芳. 基于R软件的Bayes判别分析在医学中的应用[J]. 数学的实践与认识, 2014, 44(22): 120-124.

    (3)合成集值信息系统的属性特征

    Pawlak粗糙集理论以论域中的对象在任意属性下取值为单个值的信息系统为研究对象,以等价关系为基础研究概念近似(上下近似)和属性约简。近年来,许多学者将Pawlak粗糙集进行了推广,提出了基于不同二元关系的粗糙集理论模型。然而,一方面,现实世界中的信息系统形式复杂多样,要保证每个对象的所有属性值的完整性和唯一性往往是非常困难的。在不确定信息或缺省信息,即不完备信息的情况下,就需要研究不完备信息系统。另一方面,数据库的合成与分解是实际应用中非常重要的一个问题,它所对应的数学模型是信息系统的合成与分解,而实际处理数据时,经常要研究基于取值为集合的集值信息系统,所以研究集值信息系统的合成与分解就变得非常必要。

    属性特征是研究信息系统中属性重要性的一种重要方法。由于任意一个信息系统的知识库都是确定的,故可根据不同的要求对信息系统进行分类、知识获取和规则提取。在实际应用中,经常会出现在原信息系统上添加对象、增加或删除属性,进而在新的信息系统上进行分类、获取知识等。故而研究新的信息系统与原信息系统在知识库、知识获取、分类及规则提取等方面的关系是一个值得研究的问题。鉴于现实中存在着大量的信息是不确定、不完备或者是多值的系统,而等价关系又极大的限制了粗糙集的属性约简等方法的研究与应用。故而,本研究将上述单值信息系统的合成方法推广到集值信息系统中,研究合成的集值信息系统的属性特征。具体是研究了集值信息系统上拟序关系的性质,给出了集值信息系统的合成——对象合成集值信息系统与属性合成集值信息系统,研究了这两种合成集值信息系统与原集值信息系统的协调集及属性特征之间的关系;进而讨论了集值信息系统的分解问题,给出了对象及属性子集值信息系统,讨论了集值信息系统与其子集值信息系统的属性特征——必要属性与不必要属性之间的关系。上述理论的研究提供了一种处理不精确和不完全知识的工具,一定程度上解决了刻画粗糙集理论中属性重要性的核心问题。

    上述成果将在国内中文核心期刊公开发表,文章编号:1001-7402(2015)03-00-07。论文具体信息如下:马建敏、潘笑晨、张文修. 合成集值信息系统的属性特征[J]. 模糊系统与数学, 2015, 29(3): 1-7.

    (4)合成集值信息系统的属性特征

    Zadeh L A于1965年提出的模糊集是对“经典集合”的扩充,从而刻画了“对象”的不确定性,包含度理论是对“包含关系”的扩充,从而包容了“关系”的不确定性。模糊集理论与包含度理论相辅相成,成为研究不确定性的重要工具,在各种关系型数据库中有着直接的应用。在包含度理论基础上,Pawlak在粗糙集理论中提出的上、下近似是利用等价关系产生的等价类与被近似集之间的关系来刻画未知的知识。1989年Bryniarski提出了利用等价类刻画未知知识的带有结构特征的下、上近似,它保留了Pawlak下、上近似中等价类与被近似集之间的关系,但给出了满足上述关系的结构信息。本研究是在Pawlak下、上近似和Bryniarski下、上近似的基础上,总结了近年来我国不确定系统研究工作者的最新成果,研究了结构粗糙集近似及其性质,发展了基于包含度的粒计算的理论与方法,对于人工智能、专家系统、模式识别、管理决策都有重要意义。

    展开全文
  • 随机变量不算是统计中的概念,是概率论中的,作为定义在某个概率空间上的可测函数,在概率空间固定的情况下,不确定性指的是事件属于概率空间的真子集(如果确定,就是概率空间本身),随机性指的是某个子集发生,因为...

    问题引入:

    随机变量不算是统计中的概念,是概率论中的,作为定义在某个概率空间上的可测函数,在概率空间固定的情况下,不确定性指的是事件属于概率空间的真子集(如果确定,就是概率空间本身),随机性指的是某个子集发生,因为事件总会发生,

    展开全文
  • Python中关于不确定尾数的问题

    千次阅读 2018-08-21 14:27:50
    朋友们也许试过在python程序中 &gt;&gt;&gt;1.1+1.1+1.1 3.3000000000000003 ...在群里问过之后,群里的嵩老师和各位同学给出了答案,感谢各位,贴... python的浮点数间的运算存在一个不确定尾数 ...
  • 第一部分,应对不确定性 2 还原论的时代与全新的时代 3 从复杂到错综复杂 4 建立有效组织 第二部分:化繁为简 5 建立互信和目标共享的团队 6 突破“深井”,建立关系 第三部分:信息...
  • GitChat 作者:吴穹 AdamWu 这篇文章将先介绍 Cynefin 框架,一个领导者决策框架。领导者要面对显然...目前,创新过程中最大问题就在于领导者将适用于显然和繁杂领域的确定性管理思维直接照搬到复杂和混沌领域。
  • 不确定推理:  推理:从已知事实(证据)出发,通过运用相关知识逐步推出结论或证明某个假设成立或成立的思维过程  不确定推理:从不确定的初始证据出发,通过运用不确定的性的知识,最终推出一个具有一定程度...
  • 不确定性,进化与经济理论

    千次阅读 2019-02-15 10:24:13
    曾经两个大经济学为此也发生过争论,还把争论写到经济学的期刊里面去了。其中一位经济学家叫理查德·莱斯特( Richard Lester ),他说,经过调研,发现企业家做事的方式,跟经济学里面所说的一样。比方说,每当...
  • 迟滞现象

    千次阅读 2018-01-17 20:19:54
    任何具有滞后现象的电路都一些在上升沿或下降沿呈现亚稳态的可能性(电路可以设计成消除一个方向上的亚稳态的可能性,但以增加另一个方向为代价) 。例如,如果一个输入被设计为在2.10伏精确切换高电平而在2.00伏...
  • 如何面对不确定性是我最近一直关注的主要话题之一,因为管理者在今天需要拥有的最重要的能力是:管理不确定性。以下是有关不确定性问题的几个主要的视角和解决之道。
  • 今天无意中发现一个奇怪的现象,我在 cmd 中输入 python 查看版本号时,发现跳出来的版本号居然是 python2.7 ,我安装的明明是 python3.7 的版本,这可真是奇了个怪啊! 我第一反应就是去查看环境变量。看了眼用户...
  • 不确定性下的判断:启发法和偏见

    千次阅读 2014-09-30 11:52:40
    代表性: 1.对结果的先验概率敏感 2.对样本
  • 视频监控安防平台-国标28181平台对接之和海康国标28181平台对接出现的合理现象 最近在项目上面和海康平台对接的时候遇到的问题:1、请求视频过30s视频就会断开. 2、点播或则下载的时候未查询回复488的错误。 ...
  • 但是测试时发现在ios系统上,点击确定,关闭了弹窗,且页面出现上移的现象。在安卓手机上一切正常。 解决 引入了mint-ui,使用它的Message-Box 消息提示组件,但是发现问题依旧存在。 看了文档之后,对该组件做...
  • 我们在学习二叉树的遍历时,都会可避免的学到二叉树的三种遍历方式,分别是遵循(根-左-右)的前序遍历、遵循(左-根-右)的中序遍历以及遵循(左-右-根)的后序遍历。...而当我们一个二叉树的两种遍历
  • 混沌是指确定的宏观的非线性系统在一定条件下所呈现的不确定的或可预测的随机现象;是确定性与不确定性,规则性与非规则性或有序性与无序性融为一体的现象;目前在不同的学科领域里对混沌不同的理解和表达方法,...
  • 企业证书描述文件过期的现象

    千次阅读 2016-11-09 21:24:46
    最终才确定问题。 今天记录下对应的现象现象1:  运行已经安装好的app ,启动就闪退。根本运行了。 现象2:  用iTools直接安装对应的app,一直安装成功,提示 ApplicationVerificationFailed 。如下图...
  • 英语口语中的音变现象及读音规则

    千次阅读 2019-08-27 15:10:23
    英语口语中的音变现象是指再说英语的过程中出于“省力” 的原因,...我们在学习英语的过程中,如果注重英语发音的音变现象,那么在英语听力中,就不易察觉其中的音变现象,这样对理解听力内容会产生一定影响;同时...
  • 谈谈 Linux 假死现象

    千次阅读 2019-05-27 21:42:53
    什么是假死现象所谓假死现象,是指 Linux 内核 Alive,但是其上的某个或所有操作的响应变得很慢的现象。具体比较常见的现象有如下几种:能 Ping 通访问的服务器。...
  • 常见的并发问题有哪些1.并发测试1.1并发测试的定义1.2并发测试的分类2.常见并发问题2.1事务并发的问题2.2极限值并发的问题2.3压力并发的问题2.4异常数据干扰并发的问题 1.并发测试 最近小屌丝一直在埋头苦练性能的知...
  • 灰色预测模型 GM(1,1) - 级比检测通过 - 平移变换常数c的确定(内含代码) 谢谢! (哇-------没注意就5600多访问量了,激动!!!!我的初衷只是想把blog作为我的学习笔记,回首往昔,也会发现值得让我引以为豪的...
  • 频率混叠现象

    万次阅读 2015-06-24 15:12:31
    先来解释混叠这个概念:当用采样频率SF对一个信号进行采样时,信号中SF/2以上的频率信号不是消失了,而是对称映射到SF/2以下的频带中,并且和...然而实际的信号处理系统可能达到很大的采样频率,处理了很多的数据
  • 1.在word中,点击visio图表,右键->visio对象->转换,弹出对话框,默认选项,点击确定。 2.可以尝试将visio中的虚线的宽度设为0。
  • LCM模块闪屏现象分析

    千次阅读 2014-12-11 17:23:48
    摘要:手机模块在手机上显示时,会出现闪屏现象,本文对闪屏产生的原因进行初步的分析,并提出了一些改善的方法。 关键词:TFT;LCM;FLICKER;VCOM;频率;扫描方向;PWM;横条纹。 一、闪屏现象综述。 手机...
  • 死锁的现象和解决办法

    千次阅读 2019-03-21 16:01:18
    产生死锁的根本原因是两个或者两个以上线程在执行过程中,因争抢资源而产生相互等待的一种现象。在申请锁的时候发生了交叉闭环申请。 死锁产生的四个条件: 1)互斥。共享资源同时只能被一个线程访问。 2)占有且...
  • 文件资源管理器右键卡死现象解决方案大全

    万次阅读 多人点赞 2020-09-17 09:49:03
    选择文件右键电脑莫名其妙出现假卡死现象,甚是苦恼,在网上找遍各种方法,除了新建一个管理员账户之外,其他的都适用,因此也算是试过了很多种方法,因此在这里总结一下,如果您的电脑出现了类似的情况,希望下面...
  • lz自从上win10以来经常会出现这种情况:磁盘突然占用100%然后开始出现假死现象,电脑卡住,点击任何软件没反应,播放的歌曲卡住,主机硬盘灯长亮闪,过了数秒或者数十秒又恢复正常像是没发生一样… 刚开始我也是开...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 246,220
精华内容 98,488
关键字:

不确定现象有哪些