XiaoMi-AI文件搜索系统
World File Search System马尔可夫
劳伦斯·库马尔
简介 Lawrence Kumar 博士是印度兰契贾坎德邦中央大学冶金与材料工程系的助理教授。他于 2011 年 8 月加入贾坎德邦中央大学。他获得了巴特那大学物理学硕士学位（固体物理学专业）、印度理工学院贝拿勒斯印度教大学（IIT-BHU-瓦拉纳西）材料科学与技术学院材料科学与技术技术硕士学位以及印度理工学院巴特那分校（IIT-Patna）博士学位。他拥有物理学 CSIR-UGC-NET、GATE 和 JEST 资格。迄今为止，他已经在同行评审的不同国际知名 SCI 期刊上发表了 30 篇研究文章，并在国际出版商出版的书籍中撰写了 7 个章节。迄今为止，在他的独家指导下已有两篇博士学位获得者。迄今为止，他已经指导了 40 篇 M.Tech 论文。他是许多国际期刊的审稿人，例如Journal of Alloys and Compounds、Ceramics International、Journal of American Ceramic Society、Arabian Journal of Chemistry、Materials Chemistry and Physics、Polymer Composites、Journal of Physics and Chemistry of Solids、Physica Scripta、Journal of Magnetism and Magnetic Materials等。
约束马尔可夫决策过程的原始对偶方法及其在队列调度和库存管理中的应用
即 [ a ] k ≤ [ b ] k ∀ k ∈ [ K ] 。给定一个向量 x ∈ RK ， [ x ] + = (max { [ x ] 1 , 0 } , ..., max { [ x ] K , 0 } )。
利用多个客户信号实现动态个性化
1 我们假设该问题为马尔可夫决策过程，而不是部分可观察的马尔可夫决策过程（即允许客户特征任意依赖于历史数据，而不是马尔可夫决策过程）。该过程的客户特征满足马尔可夫性质，因此该假设是合理的，因为公司可以整合一整套观察到的特征，从而有效地总结长期历史，而不是仅仅依赖于前一时期的行为。例如，在我们的实证环境中，我们考虑了样本期开始时的游戏行为、过去一周的行为以及前一天的行为。
使用基于 copula 的耦合马尔可夫链表征地下施工中有限钻孔的地质不确定性
本文提出了一种量化地层不确定性和基于钻孔建模地质构造的有效方法。使用两个马尔可夫链描述不同方向的土壤转变，马尔可夫链的转变概率矩阵 (TPM) 用 copula 进行解析表示。这种 copula 表达式非常高效，因为它可以用几个未知参数表示较大的 TPM。由于 TPM 的解析表达式，马尔可夫链模型的似然函数以显式形式给出。然后将 TPM 的估计重新转换为多目标约束优化问题，旨在最大化两个独立马尔可夫链在一系列参数约束下的似然。与通过计算土壤类型之间的转变次数来确定 TPM 的方法不同，所提出的方法在统计上更为合理。此外，提出了一种随机路径抽样方法来避免模拟中的方向效应问题。某个位置的土壤类型是根据沿基本方向的已知最近邻点推断出来的。基于皮卡德定理和贝叶斯规则，提出了一种用于土壤类型生成的条件概率的一般形式。所提出的地层表征和模拟方法应用于从中国武汉某建筑工地收集的实际钻孔数据。结果表明，所提出的方法预测准确，并且在模拟过程中不会出现偏差。
界定鲁棒和非...
马尔可夫决策过程使代理商与其环境之间的非确定性相互作用在可拖动的随机框架内进行建模。每次代理人观察当前状态，并采取行动，从而立即获得奖励。当时代理的目标是优化其预期的累积奖励。在数学上，马尔可夫决策问题是基于动态编程原则解决的，其框架是许多强化学习算法的基础，例如，例如Q-学习算法。有关马尔可夫决策过程的理论，请参见[5，10，25，26]，以及[1，6，7，11，11，12，15，20，29，33]有关其应用，尤其是在强化学习领域。在马尔可夫决策问题的经典设置中，给出了基础马尔可夫决策过程的过渡概率的过渡内核。从经济上讲，这意味着代理具有对基本过程的真实分布的了解，这通常在实践中不能做出理由。为了解决这个问题，学者们最近引入了马尔可夫决策问题的强大版本，以说明假定的潜在概率内核可能的误约
人类决策的量子动力学
提出了一种决策的量子动态模型，并将其与先前建立的马尔可夫模型进行了比较。量子模型和马尔可夫模型都被表述为随机游走决策过程，但这两种方法的概率原理不同。量子动力学描述了复值概率幅度随时间的演变，而马尔可夫模型描述了实值概率随时间的演变。量子动力学会产生干扰效应，而马尔可夫模型则不会产生这种效应。当两条可能路径的并集概率小于每条单独路径的概率时，就会发生干扰效应。推导出量子模型的选择概率和选择响应时间分布，并将预测与马尔可夫模型进行了对比。r 2006 Elsevier Inc. 保留所有权利。
拉马尔大学
扩展服务 ....... Thomas T. Salter，副总裁，邮政信箱 10051 财务事务 ......... H. C. Galloway，副总裁，邮政信箱 10003· 财政援助/奖励 ............ Jess R. Davis，主任，邮政信箱 10042 信息/出版物 ....... Russell DeVillier，主任，邮政信箱 10011 图书馆 ...................... R. B. Thomas，主任，邮政信箱 10021 研究与项目 .............. Jack Hill，主任，邮政信箱 10053 学生活动 ....... · ..... W. James Carter，主任，邮政信箱 10018 学生事务 ........... David L. Bost，副总裁，邮政信箱 10006 学生健康 ........... Ola Saunders 女士，R.N.，邮政信箱信箱 10015 学生宿舍 ........... Tommy D. Paulsel，主任，信箱 10041 教师资格认证 ......... Howard W. Adams，主任，信箱 10034 交通/安全 ................ Gene Carpenter，主任，信箱 10013 学费/费用/开支 ...................... 财务办公室，信箱 10003 测试/退伍军人事务 ......... Joe B. Thrash，主任，信箱 10012 商学院 ................. J. D. Landes，院长，信箱 10059 教育学院 ........... M. L. McLaughlin，院长，信箱 10034 工程学院 ........... Lloyd B. Cherry，院长，信箱 10057 美术/应用艺术学院 ... W. Brock Brentlinger，院长，信箱信箱 10050 文理学院 ......... Preston B. Williams，院长，信箱 1005.8 科学学院 ........... Edwin S. Hayes，院长，信箱 10037 研究生院 ...........
隐半马尔可夫随机模型的向后近似动态规划在能源存储优化中的应用
状态 CE t 是可观察的（我们知道是高于还是低于预测），但持续时间箱 DE t 直到符号变量 CE t 切换时才可观察。然而，在构建交叉状态依赖
可解释的输入输出隐藏的马尔可夫基于模型的深钢筋学习，用于预测涡轮扇击发动机
可以将预测性维护归类为（i）预后：预测失败并提前通知替换或修复（剩余使用寿命或简短的RUL通常用作预后方法，这是对设备或系统剩余寿命的估计，直到它变得无功能性[20]）; （ii）诊断：通过因果分析或（iii）主动维护来预测未来失败的实际原因：预测并减轻故障模式和条件发展之前[6]。虽然主动维护捕获了潜在失败的根本原因，但预测维护执行了整体数据分析，以确保安排的维护。在本文中，将在预测性维护涡轮增压引擎的背景下进行研究[4,18]。