不确定关系

摘要： 图卷积神经网络在解决节点分类问题时,使用拓扑图刻画节点间关系,并根据该拓扑图进行节点特征更新.然而,传统的拓扑图只能刻画节点之间的确定关系(即连接边权重为固定值),忽略真实世界中广泛存在的不确定性.这些不确定性不仅影响节点之间的关系,同时影响模型最终的分类性能.为了克服该缺陷,文中提出基于粗糙图的图卷积神经网络算法.首先,使用上下近似理论和传统拓扑图的边理论构造粗糙边,在粗糙边中使用成对出现的最大-最小关系值刻画节点之间的不确定关系,从而构建粗糙图.然后,设计基于粗糙图的可端到端训练的神经网络架构,将使用粗糙权重系数训练后的粗糙图输入图卷积神经网络,使用这些不确定信息更新节点特征.最后,根据这些学习的节点特征进行节点分类.在真实数据上的实验表明,文中算法可提高节点分类的准确率.

摘要： 为研究自旋-1角动量三个分量的不确定关系,用Heisenberg-Robertson不确定关系不等式,建立三个分量的乘积形式及和式的不确定关系.结果表明:通过引入三方常数τ,使不等式变为紧的;在紧的不确定关系中引入的参数与自旋-1/2时的参数相同.

摘要： 如何理解不确定关系是量子力学教学中的难点之一,初学者对其存在一定困惑.文章从经典物理中易理解的光的单缝衍射条纹特点出发,进一步分析了量子力学中的不确定关系并展开讨论,助力学生对知识点的理解与掌握.

摘要： 基于力学理论研究的量子信息技术,具有高效率和绝对安全等特点,熵的不确定性,量子纠缠所设计的力学基本问题,包含了实在性、定域性、以及隐变量等,基于此,本文主要探究了纠缠辅助的熵的不确定关系,以及量子技术发展方向,供相关人员参考.

摘要： 不确定关系是量子力学中最为重要的基本概念之一,介绍了不确定关系的常见表述及其物理本质的讨论,并通过具体的实例归纳了其在量子力学中的应用,便于学生正确理解不确定关系的物理涵义,对解决量子力学相关问题有一定的启发.

摘要： 不确定关系是量子物理中的一个重要内容,如何在较少学时的理工科非物理专业大学物理课程中简洁地讲授这部分内容具有很大的挑战性.本文从给理工科非物理专业学生讲授量子不确定关系时所遇到的一些问题和解决办法人手,给出了不确定关系的几种引入方案,以求从不同的角度加深对不确定关系的理解.抛砖引玉,期望这能够给教师同仁们一些启迪.

摘要： 利用内积的性质,提出一种新方法推导不确定关系.

摘要： 选取非定态(ΦθΦt),通过计算其角动量分量及均方偏差,验证了角动量分量间的不确定关系在非定态下仍成立.

摘要： 主要讨论的是非定态下的不确定关系.具体研究一维无限深方势阱和一维线性谐振子非定态下,坐标和动量间的不确定关系.进一步验证不确定关系在非定态下依然成立.

摘要： 数据依赖是属性间取值相互约束条件的形式化表示,函数依赖是一种对数据库模式设计及查询具有重要影响的数据依赖.对于不确定关系,由于一条元组中属性取值存在多种可能,属性间取值相互约束的情况要比一般关系中的复杂.为进一步研究不确定关系中数据间的联系,给出了不确定关系模式的形式化定义,提出了3类不确定函数依赖,并证明了其推导规则.此3类不确定函数依赖可以检查不确定关系的可能世界中是否存在违反规范化设计要求的风险,从而避免数据冗余,更新异常操作.

摘要： 庞大的可能世界集合是影响不确定关系查询效率的主要因素,分解是减小不确定关系可能世界集合的有效方法.为解决该问题,在Attribute-or数据模型上,定义了水平函数依赖和垂直函数依赖.提出了不确定关系水平划分算法,该算法能够生成不确定关系的分解条件,解决了分解程度低的问题给出了不确定关系分解过程和算法并证明该分解方法是无损的,讨论了k-匿名数据的分解问题.

摘要： 在量子力学中，关于粒二象性的诠释有多种，哥本哈根诠释属于物理学中的正统诠释，该文从波函数的统计诠释、不确定关系互补原理等几个方面展开，以理解波粒二象性量子力学特征。

摘要： 本发明提出了一种不确定时间序列中不确定频繁模式的确定方法，属于时间序列处理领域。该方法包括以下步骤：S1、选择不确定频繁模式的类型并设定次数阈值和概率阈值η，其中不确定频繁模式的类型包括最小出现模式和非重叠出现模式；S2、根据不确定频繁模式的类型，计算各候选模式在不确定时间序列中的有效实例，并确定各候选模式的类型为第一种候选模式还是第二种候选模式；S3、采用动态规划技术判断第一种候选模式是否为不确定频繁模式；S4、结合状态空间压缩编码技术和模糊规划技术判断第二种候选模式是否为不确定频繁模式。本发明可以精确确定不确定时间序列中不确定频繁模式，此外，采用状态空间压缩编码技术提高了计算效率。

摘要： 本发明实施例提供了一种不确定性检测模型的训练、不确定性的检测方法及装置，该方法包括：获取车辆在行驶时，对处于运动状态的障碍物采集的多帧感知数据，针对每帧感知数据检测障碍物的多个属性，根据多个属性计算检测障碍物时存在的不确定性，作为真实值，加载不确定性检测模型，以单个属性形成的时间序列作为样本、真实值作为标签，训练不确定性检测模型，本实施例综合多个属性可计算精确的不确定性的真实值，提供了训练的标签，实现了自监督训练不确定性检测模型的模式，使得加载不确定性检测模型的车辆可以在自动驾驶的过程中准确地计算检测障碍物单个属性时存在的不确定性，为自动驾驶的决策提供新的信息，提高自动驾驶的安全性。

摘要： 本发明涉及一种带有不确定损失的不确定网络最大流量的计算方法，所述方法包括模型（1）、（2）和（3），并且包括n个节点和m条弧具有单源点和单汇点的网络，令c

摘要： 本发明公开了针对关系不确定性的引文网络节点分类方法及系统，包括：获取待预测类别标签的论文，获取已知类别标签的引文网络；根据所述待预测类别标签的论文和所述已知类别标签的引文网络，构建元路径邻居图；基于元路径邻居图，生成若干个泛化图；将所有泛化图，均输入到预训练后的图卷积神经网络中，输出待预测类别标签论文的类别标签。本发明通过对异质图的元路径邻居图进行重构，解决了异质图中关系的不确定性问题，同时经过泛化得到更多的图结构样本增加训练数据中的对抗性实例的数量，从而增强了模型的鲁棒性。

摘要： 本发明提出了一种不确定时间序列中不确定频繁模式的确定方法，属于时间序列处理领域。该方法包括以下步骤：S1、选择不确定频繁模式的类型并设定次数阈值

摘要： 本发明实施例提供了一种不确定性检测模型的训练、不确定性的检测方法及装置，该方法包括：获取车辆在行驶时，对处于运动状态的障碍物采集的多帧感知数据，针对每帧感知数据检测障碍物的多个属性，根据多个属性计算检测障碍物时存在的不确定性，作为真实值，加载不确定性检测模型，以单个属性形成的时间序列作为样本、真实值作为标签，训练不确定性检测模型，本实施例综合多个属性可计算精确的不确定性的真实值，提供了训练的标签，实现了自监督训练不确定性检测模型的模式，使得加载不确定性检测模型的车辆可以在自动驾驶的过程中准确地计算检测障碍物单个属性时存在的不确定性，为自动驾驶的决策提供新的信息，提高自动驾驶的安全性。

摘要： 针对现有研究成果没有系统的解决计算不确定性、不确定结果判别及多源结果融合的综合方案，本发明提出一种复杂不确定条件下事故再现结果不确定性分析方法，先根据痕迹、不同模型及已有计算不确定性分析方法获得多个不确定事故再现结果，据此确定最终输出结果的n3个子区间，并用所得多模型不确定结果评价n3个子区间以得模型对子区间的评价矩阵，进一步地根据评价矩阵计算各模型的信度，在剔除明显异常信度模型及其结果后，结合模型信度、评价矩阵及n3个子区间计算各个子区间的概率信息，最终将子区间及其概率信息作为最终不确定分析结果输出。与现有技术相比，本发明技术方案的有益效果是：不仅能分析事故再现中的计算不确定性问题，还能判断不确定模型结果的优劣，且可有效融合多模型所得不确定结果，为事故再现结果不确定性分析提供了系统解决方案。

摘要： 本发明公开一种联合考虑输入参数不确定性和代理模型不确定性的灵敏度分析方法。本发明的分析方法采用试验设计的方法生成定义域内的初始采样点；通过计算机构建模型并仿真得到初始采样点对应的响应值；由初始采样点和对应的响应值构建Kriging代理模型；Kriging代理模型预测能得到预测点的均值与方差，此时它们可以视为随机场，采用K‑L展开(Karhunen–Loeve Expansion)法，将代理模型的不确定性转化为参数的不确定性；根据子集的概念，将初始输入参数和K‑L展开变量分别划分为两个子集并采用蒙特卡洛方法计算它们的统计灵敏度。本发明能有效地量化输入参数不确定性和代理模型的不确定性对统计灵敏度的影响程度，进而指导资源的合理分配以控制输入参数对输出不确定性的影响。

摘要： 本发明涉及一种带有不确定损失的不确定网络最大流量的计算方法，所述方法包括模型（1）、（2）和（3），并且包括n个节点和m条弧具有单源点和单汇点的网络，令c

摘要： 本发明提供一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被执行时，能够执行如下处理不确定因果关系和分类关系的信息的智能系统的构造和推理方法，该方法在既有DUCG技术方案的基础上，增加了分类变量Ci的表达方法及其推理方法，在推理过程中，将Ci及其输入有向弧删除，同时将其输出有向弧直接与Vk相连，即将Vk作为Xn的父变量，此时Fn；i成为Fn；k，嵌入其中的参数值不变，然后按照既有DUCG推理方法进行推理计算，得到DUCG的推理结果。由此，解决了现有的DUCG因不能表达分类关系而容易出现的表达错误(可能导致推理计算错误)或不方便的问题。