XiaoMi-AI文件搜索系统
World File Search Systeminty
使用多标准决策方法在不确定性下使用多标准决策方法对钢结构工程成本的风险评估
摘要：选择具有复杂，模棱两可和矛盾标准的选项是决策者的普遍挑战。选择最佳选项，他们通常使用多标准决策技术，其中专家管理有形和无形标准相互冲突的相对重要性来识别和评估可能的行动方案。做出决定涉及一个或多个人从一系列潜在选项中选择最佳选择。本研究提出了计算标准权重的多标准决策（MCDM）方法是替代方案。MCDM方法用于用于钢结构工程成本的风险评估。此问题包括许多标准和替代方案。MCDM方法在plithogenation集合下用于评估过程中的不确定性。灰色关系分析（GRA）是本研究中使用的MCDM方法，可对替代方案进行排名。收集了八个标准和八个替代方案以采用MCDM方法。灵敏度分析是在本研究中进行的。
经济政策不确定性对美国经济的时变影响
我们利用具有时变系数的 VAR 模型研究经济政策不确定性 (EPU) 对美国经济的影响。系数可以随着时间的推移逐渐变化，这使我们能够发现结构性变化而无需先验地强加它们。我们发现三种不同的机制，与美国经济的三个主要时期相匹配，即大通胀、大缓和和大衰退。对实际 GDP 的初始影响在大通胀和大衰退期间为 -0.2%，在大缓和期间为 -0.15%。此外，EPU 的不利影响在大衰退期间更为持久，这解释了复苏缓慢的原因。这种机制依赖性对于 EPU 来说是独一无二的，因为金融不确定性的宏观经济后果结果相当不随时间变化。
分割不确定性定量的心形模型
心脏图像的分割是许多患者特定计算管道的可变组成部分，但其对模拟结果的影响仍未得到充分了解。探索赛车变异性影响的障碍是建立心室统计形状模型的技术挑战。在这项研究中，我们通过创建一个统一的形状模型（包括心外膜和eCardium），改善了以前的形状分析。我们在Shapeworks中测试了四种技术，以生成心室形状模型：标准，多体，混合，混合多域和地球距离。使用所有11个分割的多域和混合多域生成了形状模型，而Geodesic距离方法使用四个分段的子集生成了形状模型。每个形状模型在分段变异性的空间依赖性特征上，包括壁厚，环直径和基础截断。虽然三种方法中的每一种都有好处，但混合多域方法为最精确的形状模型提供了最少的点，并且在大多数应用中可能最有用。
使用不确定性定量
摘要 - 对意外情况的自动实时识别在自动驾驶汽车的安全中起着至关重要的作用，尤其是在不支持且无法预测的情况下。本文评估了来自深度学习域的不同贝叶斯不确定性量化方法，以预测基于系统级模拟的测试期间对安全至关重要的不当行为进行预测。具体来说，我们计算不确定性得分作为车辆执行，此后直觉是高不确定性得分表明无支撑的运行时条件，这些条件可用于区分安全性诱导故障驾驶行为。在我们的研究中，我们对两种贝叶斯不确定性定量方法相关的有效性和计算开销进行了评估，即Mc-辍学和深层集合，以避免行为不当。对全部 对于来自udacity模拟器的三个基准，包括通过突变测试介绍的分布和不安全条件，两种方法都成功地检测到了大量的越野发作，可提前几秒钟提供几秒钟的早期警告，并提前几秒钟，超出了两个省级的错误态度错误的预测方法，并在效率上效率效率和注意力效应，并效率为效率效率，并效率为效率，并提前效率上的效率效应。 值得注意的是，深层合奏在没有任何错误警报的情况下检测到了大多数不当行为，即使使用相对较少的模型，也可以在计算上可行地进行实时检测。 我们的发现表明，将不确定性量化方法纳入是一种可行的方法，用于在基于深度神经网络的自动驾驶汽车中构建故障安全机制。对于来自udacity模拟器的三个基准，包括通过突变测试介绍的分布和不安全条件，两种方法都成功地检测到了大量的越野发作，可提前几秒钟提供几秒钟的早期警告，并提前几秒钟，超出了两个省级的错误态度错误的预测方法，并在效率上效率效率和注意力效应，并效率为效率效率，并效率为效率，并提前效率上的效率效应。 值得注意的是，深层合奏在没有任何错误警报的情况下检测到了大多数不当行为，即使使用相对较少的模型，也可以在计算上可行地进行实时检测。 我们的发现表明，将不确定性量化方法纳入是一种可行的方法，用于在基于深度神经网络的自动驾驶汽车中构建故障安全机制。对于来自udacity模拟器的三个基准，包括通过突变测试介绍的分布和不安全条件，两种方法都成功地检测到了大量的越野发作，可提前几秒钟提供几秒钟的早期警告，并提前几秒钟，超出了两个省级的错误态度错误的预测方法，并在效率上效率效率和注意力效应，并效率为效率效率，并效率为效率，并提前效率上的效率效应。 值得注意的是，深层合奏在没有任何错误警报的情况下检测到了大多数不当行为，即使使用相对较少的模型，也可以在计算上可行地进行实时检测。 我们的发现表明，将不确定性量化方法纳入是一种可行的方法，用于在基于深度神经网络的自动驾驶汽车中构建故障安全机制。对于来自udacity模拟器的三个基准，包括通过突变测试介绍的分布和不安全条件，两种方法都成功地检测到了大量的越野发作，可提前几秒钟提供几秒钟的早期警告，并提前几秒钟，超出了两个省级的错误态度错误的预测方法，并在效率上效率效率和注意力效应，并效率为效率效率，并效率为效率，并提前效率上的效率效应。值得注意的是，深层合奏在没有任何错误警报的情况下检测到了大多数不当行为，即使使用相对较少的模型，也可以在计算上可行地进行实时检测。我们的发现表明，将不确定性量化方法纳入是一种可行的方法，用于在基于深度神经网络的自动驾驶汽车中构建故障安全机制。
气候风险对美国各州经济活动的影响：不确定性的作用
摘要 我们分析了 1984 年 3 月至 2019 年 12 月期间面板数据中气候风险（气温增长及其波动）对美国 50 个州同步指标的影响。使用线性局部投影 (LPs) 模型中的脉冲响应函数 (IRF)，我们表明气候风险对经济活动产生的负面影响程度相似，无论这些风险是由于气温增长还是其波动引起的。更重要的是，使用非线性 LPs 模型，IRF 揭示了气候风险的不利影响取决于各州的经济和政策相关不确定性状况，在相对较高的不确定性值下，影响明显大于在较低的不确定性值下。除此之外，与非线性模型中基于更高不确定性的状况下气温增长增加类似幅度时相比，气温增长波动会使经济活动萎缩近五倍。可以理解的是，我们的研究结果具有重要的政策意义。关键词：气候风险、不确定性、经济活动、美国各州、线性和非线性局部预测、脉冲响应函数 JEL 代码：C23、D80、E32、Q54
不确定性意识到伪装对象检测中的人机合作
伪装的对象检测（COD）是识别在其环境中识别对象的任务，由于其广泛的实际应用范围很快。开发值得信赖的COD系统的关键步骤是对不确定性的估计和有效利用。在这项工作中，我们提出了一个人机协作框架，用于对伪装物体的存在进行分类，利用计算机视觉模型（CV）模型的互补优势和无创的脑部计算机界面（BCIS）。我们的方法引入了一个多视障碍，以估计简历模型预测中的不明显，利用这种不确定性在培训过程中提高效率，并通过基于RSVP的BCIS在测试过程中为人类评估提供了低信任案例，以实现更可靠的决策。我们在迷彩数据集中评估了框架，与现有方法相比，平衡准确性（BA）的平均平均提高为4.56％，F1得分的平均提高为4.56％。对于表现最佳的细节，BA的改善达到7.6％，F1分数为6.66％。对培训过程的分析表明，我们的信心措施和精度之间存在很强的相关性，而消融研究证实了拟议的培训政策和人机合作的有效性
不确定性下的轨迹计划的连续时间最佳控制
摘要。本文提出了连续的时间最佳控制框架 - 在不确定性驱动方案中生成参考轨迹的工作。先前的工作[1]提出了一个自动驾驶汽车的离散时间随机代理。这些结果扩展到连续的时间，以确保在实时设置中发电机的鲁棒性。我们表明，连续时间的随机模型可以通过产生更好的结果来捕获信息的不确定性，从而限制了与离散方法相比，违反问题限制的风险。动态求解器提供更快的计算，而连续的时间模型比离散时间模型更适合多种多样的驾驶场景，因为它可以处理进一步的时间范围，这可以在城市驾驶场景的框架之外进行轨迹计划。
不确定性减少控制器的正式合成
上下文。来自经济和社会各个部门的基本服务依赖于复杂软件密集型系统的有效运行。这些系统范围从运行关键业务应用程序的复杂道路管理软件和公共云到制造业的网络物理系统。通常，它们用于现实世界中的应用程序中，其特征在于与环境变化，组件故障，测量不准确性和用户操作相关的高水平不确定性。为了在这种情况下提供其所需的功能，软件密集型系统需要通过自我适应来“驯服”这种不确定性。自我适应是一个过程，涉及使用封闭控制循环来监视系统及其环境，以进行相关更改，分析这些变化的影响，以计划适应更改的系统适应性，并执行（即实施）这些适应。使用此类Monitor-Analyse-Plan-Execute（或“ MAPE”）控制循环的软件密集型系统称为自适应系统（SAS）。
表观遗传时钟的不确定性定量通过共形分位数回归
表观遗传年龄预测因子是Horvath的表观遗传钟1，这是一个统计预测模型，在353 CpG位点使用DNAM至1个预测年龄。2种训练表观遗传时钟的标准方法涉及几个关键步骤：（i）从具有不同背景的个体3个个体的生物样本中收集生物样本； （ii）提取DNA并进行DNA甲基化分析； （iii）进行数据预处理4个程序，例如缺少数据插补，离群值删除和数据归一化； （iv）采用特征筛选方法5来识别相关的CPG站点，这些位点可预测年龄或与衰老过程相关； （v）将高维6回归模型与弹性净罚款拟合； （vi）在独立的测试数据集上评估模型性能，以验证其7个准确性和鲁棒性。8尽管有完善的构造表观遗传时钟的管道，但其中大多数仅提供点平均预测1,2,5。9
