XiaoMi-AI文件搜索系统
World File Search SystemProbabilistic
不确定性量化和概率分析
目前，深基坑开挖引起的结构损伤的早期评估方法由于建模理想化（分析简化）和无知（信息不完整）而具有很大的不确定性。本文实施了土-结构相互作用的弹塑性两阶段解决方案，以预测建筑物对相邻的带支撑深基坑的响应。然后使用该土-结构相互作用解决方案研究两个案例研究中的不确定性。进行了全局敏感性分析，结果表明，地面运动剖面的预测是早期建筑物损伤评估中不确定性的主要来源。当目标建筑物被建模为等效梁时，由于无知和与结构分析模型相关的理想化而导致的不确定性也有很大贡献。然而，使用二维弹性框架结构模型代替等效梁可以大大降低评估的不确定性。考虑到不确定性的存在，提出了一种概率分析方法来量化预测由于开挖引起的下沉造成的潜在建筑物损坏时的不确定性。开发了一种称为“开挖-结构相互作用中的不确定性量化”（UQESI）的计算机程序来实现这种概率分析方法。
尾巴风险的概率计划
这份白皮书的目的是针对尾巴风险的概率规划，是研究低概率/高影响力的未来天气极端条件中的操作风险。了解风险的影响将促使讨论如何为它们做准备。如本白皮书中所述，运营计划的响应可以是增强发电和传输能力的形式，以增强储备金利润率，识别具有共同模式漏洞的资源以及在极端事件时可以抵消赤字或提供弹性的能源。认识到BPS无法完全承受所有潜在事件，因此必须提供足够的可靠性1，以便即使在服务质量下降，系统也可以可靠地操作。此外，进行维修或减轻系统条件时，系统必须具有反弹或恢复的能力。有关弹性2的可靠性问题指导委员会（RISC）报告提供了有关弹性如何适应NERC活动以及其他活动如何进一步支持电网的弹性的指导。RISC报告强调了NERC长期关注弹性方面的关注，并强调面对不断变化的资源组合，重新审视该问题。NERC概率分析工作组（PAWG）试图通过从发表的文献和电力行业中概率工具的用户收集的最佳实践来解决这些问题。规划人员和运营商的主要关注点是开发一个具有足够可靠性水平的系统，如NERC标准中所阐明的。他们的共同目标是保持系统的可靠性，韧性和安全性，并计划在实时操作中可能发生的极端高影响，低概率的事件中避免在极端高点，低概率的事件中进行广泛的中断。白皮书涵盖了关于极端天气事件的概率研究的全部实施，包括以下组成部分：
多智能体系统中的概率推理
前言 第 ix 页 1 简介 1 1.1 智能代理 1 1.2 关于环境的推理 4 1.3 为什么要进行不确定推理？ 5 1.4 多智能体系统 7 1.5 合作式多智能体概率推理 11 1.6 应用领域 13 1.7 参考文献 14 2 贝叶斯网络 16 2.1 第 2 章指南 16 2.2 贝叶斯概率论基础 19 2.3 使用 JPD 进行信念更新 23 2.4 图 24 2.5 贝叶斯网络 27 2.6 本地计算和消息传递 30 2.7 通过多个网络传递消息 31 2.8 大规模消息传递的近似值 33 2.9 参考文献 35 2.10 练习 36 3 信念更新和聚类图 37 3.1 第 3 章指南 38 3.2 聚类图 40 3.3聚类图中的消息传递 43 3.4 与 λ − π 消息传递的关系 44 3.5 非退化循环中的消息传递 47 3.6 退化循环中的消息传递 53
多智能体系统中的概率推理
前言 第 ix 页 1 简介 1 1.1 智能代理 1 1.2 关于环境的推理 4 1.3 为什么要进行不确定推理？ 5 1.4 多智能体系统 7 1.5 合作式多智能体概率推理 11 1.6 应用领域 13 1.7 参考文献 14 2 贝叶斯网络 16 2.1 第 2 章指南 16 2.2 贝叶斯概率论基础 19 2.3 使用 JPD 进行信念更新 23 2.4 图 24 2.5 贝叶斯网络 27 2.6 本地计算和消息传递 30 2.7 通过多个网络传递消息 31 2.8 大规模消息传递的近似值 33 2.9 参考文献 35 2.10 练习 36 3 信念更新和聚类图 37 3.1 第 3 章指南 38 3.2 聚类图 40 3.3聚类图中的消息传递 43 3.4 与 λ − π 消息传递的关系 44 3.5 非退化循环中的消息传递 47 3.6 退化循环中的消息传递 53
多智能体系统中的概率推理
前言 第 ix 页 1 简介 1 1.1 智能代理 1 1.2 关于环境的推理 4 1.3 为什么要进行不确定推理？ 5 1.4 多智能体系统 7 1.5 合作式多智能体概率推理 11 1.6 应用领域 13 1.7 参考文献 14 2 贝叶斯网络 16 2.1 第 2 章指南 16 2.2 贝叶斯概率论基础 19 2.3 使用 JPD 进行信念更新 23 2.4 图 24 2.5 贝叶斯网络 27 2.6 本地计算和消息传递 30 2.7 通过多个网络传递消息 31 2.8 大规模消息传递的近似值 33 2.9 参考文献 35 2.10 练习 36 3 信念更新和聚类图 37 3.1 第 3 章指南 38 3.2 聚类图 40 3.3聚类图中的消息传递 43 3.4 与 λ − π 消息传递的关系 44 3.5 非退化循环中的消息传递 47 3.6 退化循环中的消息传递 53
神经形态计算的概率未来
•深度学习 /常规人工神经网络•并行数据处理（背景和变化检测，卷积等）•线性代数（MVM，交叉相关，L1-NORM等）•经典机器学习（SVMS，K-Nearest邻居，群集，群集）
量子资源的概率变换
由于难以确定性地操纵量子资源，因此通常需要使用概率协议，但对其能力和局限性的描述却一直缺乏。我们通过引入一种遵循非常强的单调性的新资源单调性来开发一种解决此问题的通用方法：它可以排除任何量子资源理论中状态之间的所有转换（概率或确定性）。这使我们能够对状态转换施加根本限制，并限制概率协议相对于确定性协议的优势，从而大大加强了以前的发现并扩展了最近的禁行定理。我们应用我们的结果来获得概率蒸馏协议的错误和开销的界限的显着改进，可直接应用于纠缠或魔法状态蒸馏等任务，并且可通过凸优化进行计算。在广泛的资源类别中，我们加强了我们的结果，以表明单调性完全控制概率转换——它是状态可转换性的必要和充分条件。这赋予单调性直接的操作解释，因为它可以通过任何概率操作协议精确量化资源提炼任务中可实现的最高保真度。
多智能体系统中的概率推理
前言 第 ix 页 1 简介 1 1.1 智能代理 1 1.2 关于环境的推理 4 1.3 为什么要进行不确定推理？ 5 1.4 多智能体系统 7 1.5 合作式多智能体概率推理 11 1.6 应用领域 13 1.7 参考文献 14 2 贝叶斯网络 16 2.1 第 2 章指南 16 2.2 贝叶斯概率论基础 19 2.3 使用 JPD 进行信念更新 23 2.4 图 24 2.5 贝叶斯网络 27 2.6 本地计算和消息传递 30 2.7 通过多个网络传递消息 31 2.8 大规模消息传递的近似值 33 2.9 参考文献 35 2.10 练习 36 3 信念更新和聚类图 37 3.1 第 3 章指南 38 3.2 聚类图 40 3.3聚类图中的消息传递 43 3.4 与 λ − π 消息传递的关系 44 3.5 非退化循环中的消息传递 47 3.6 退化循环中的消息传递 53