置信度

的概率作為分類置信度來表征檢測質(zhì)量,然后對(duì)候選結(jié)果進(jìn)行排序以剔除冗余包圍框.但分類置信度只能衡量分類質(zhì)量而沒有考慮定位質(zhì)量,用來表征檢測質(zhì)量顯然不合理.IoU-Net[20]基于特征對(duì)齊網(wǎng)絡(luò),預(yù)測包圍框及其對(duì)應(yīng)真實(shí)框之間的交并比(Intersection over Union,IoU)作為定位置信度來衡量定位質(zhì)量,提高了檢測精度.文獻(xiàn)[21]基于IoU設(shè)計(jì)了一種非線性變換的定位置信度指標(biāo),提升了車輛行人的檢測效果.但I(xiàn)oU只有在特征對(duì)齊網(wǎng)絡(luò)中才能生效,難以

染物;支持度;置信度中圖分類號(hào)：TP181 文獻(xiàn)標(biāo)志碼：A0 引言（Introduction）在我國工業(yè)快速發(fā)展的背景下，隨之而來的環(huán)境污染問題日益嚴(yán)重。根據(jù)產(chǎn)生環(huán)境污染原因的不同，引起的污染問題也不同，可分為水源污染、土壤污染、大氣污染等。因此，在對(duì)待污染問題時(shí)不能一概而論，要針對(duì)不同類型的污染采用不同的治理措施。此外，由于各地出現(xiàn)的環(huán)境污染問題的污染物特點(diǎn)不盡相同，所以通過對(duì)污染物進(jìn)行分類和按照污染物不同的特點(diǎn)，采取不同的措施治理環(huán)境污染問題已經(jīng)成為當(dāng)

簽識(shí)別與糾正的置信度預(yù)測方法(confidence prediction method for noise label identification and correction,CPRC),通過定義置信度推斷方法,建立置信度連接,迭代實(shí)現(xiàn)置信度最優(yōu)的噪聲標(biāo)簽識(shí)別與糾正。首先,將數(shù)據(jù)樣本按置信度與距離的不同分類,在樣本分類的基礎(chǔ)上,定義初始可信樣本選擇策略,篩選優(yōu)質(zhì)的可信樣本,建立樣本間置信度動(dòng)態(tài)預(yù)測的基礎(chǔ)。其次,根據(jù)數(shù)據(jù)間固有的分布特性,分析樣本標(biāo)簽誤差

器區(qū)間估計(jì)及其置信度的融合方法，但是該方法認(rèn)為區(qū)間估計(jì)的置信度是恒定的。文獻(xiàn)[8]研究了區(qū)間證據(jù)的歸一化和融合問題，但是該方法得出的融合結(jié)果是次優(yōu)的，且會(huì)出現(xiàn)區(qū)間上界小于下界的不合理結(jié)果。目前，上文所提到的區(qū)間估計(jì)融合方法并沒有考慮傳感器的精度變化，但是傳感器在使用過程中，精度會(huì)隨著時(shí)間而衰減。本文針對(duì)于多傳感器融合區(qū)間的數(shù)據(jù)置信度非恒定的問題，提出了考慮數(shù)據(jù)精度衰減的多傳感器區(qū)間估計(jì)融合方法。2 動(dòng)態(tài)置信度的傳感器輸出模型假設(shè)傳感器給出的區(qū)間估計(jì)是相互獨(dú)

以通過計(jì)算視差置信度，選取高置信度區(qū)域的視差作為特征增強(qiáng)的參考。因此，受到文獻(xiàn)[17]的啟發(fā)，本文提出了一種基于置信度的特征增強(qiáng)機(jī)制，對(duì)網(wǎng)絡(luò)估算過程中產(chǎn)生的中間結(jié)果進(jìn)行置信度的判斷，預(yù)測視差估算的難易區(qū)域，對(duì)易匹配區(qū)域特征進(jìn)行增強(qiáng)，從而輔助視差計(jì)算。置信度圖作為特征增強(qiáng)參考的功能主要有兩點(diǎn)：一是根據(jù)置信度篩選出需要增強(qiáng)的像素點(diǎn)；二是置信度的大小決定了特征增強(qiáng)的最大幅度。1 方法網(wǎng)絡(luò)總體結(jié)構(gòu)如圖1所示，在基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)中加入一個(gè)置信度估計(jì)子網(wǎng)絡(luò)，估計(jì)視差圖中間

;產(chǎn)生式規(guī)則;置信度1.專家系統(tǒng)概述所謂專家系統(tǒng)是一種人工智能領(lǐng)域的計(jì)算機(jī)程序系統(tǒng)。根據(jù)人類專家擁有的特定領(lǐng)域技能、經(jīng)驗(yàn)進(jìn)行推理和診斷，模擬人類專家做診斷的過程來解決那些依靠專家解決的困難問題。2.基于產(chǎn)生式規(guī)則的反向推理產(chǎn)生式系統(tǒng)運(yùn)行時(shí)，除了需要規(guī)則庫之外，還需要有初始事實(shí)（或數(shù)據(jù)）和目標(biāo)條件。目標(biāo)條件既是系統(tǒng)正常結(jié)束的條件，也是系統(tǒng)的求解目標(biāo)。反向推理是指先從知識(shí)庫中選擇一條知識(shí)作為假設(shè)，然后尋找支持該假設(shè)的證據(jù)或事實(shí)來驗(yàn)證這種假設(shè)的真假性。因此，在C

果，提出了一種置信度優(yōu)化校驗(yàn)系數(shù)區(qū)間的方法，有效避免了因數(shù)據(jù)隨機(jī)性和離散性過大引起的試驗(yàn)結(jié)果精度不足的問題，精確了校驗(yàn)系數(shù)的區(qū)間范圍，給同類橋梁靜載試驗(yàn)分析提供一定的借鑒意義。關(guān)鍵詞：鋼混疊合梁;荷載試驗(yàn);置信度;區(qū)間估計(jì)中圖分類號(hào)：U446.1文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1001-5922（2022）06-0102-06Research on technical evaluation of steel composite beams based on loa

秋，孫志斌基于置信度的飛行時(shí)間點(diǎn)云去噪方法王明星1,2，鄭 福1，王艷秋1,2，孫志斌1,2（1. 中國科學(xué)院國家空間科學(xué)中心，北京 100190；2. 中國科學(xué)院大學(xué)，北京 100049）飛行時(shí)間（Time-of-Flight，ToF）三維成像方法由于多路徑干擾和混合像素等問題降低了目標(biāo)物體深度測量的精度。傳統(tǒng)的方法通過優(yōu)化重構(gòu)異常點(diǎn)云數(shù)據(jù)或?yàn)V除噪聲點(diǎn)云數(shù)據(jù)來提高目標(biāo)的準(zhǔn)確性，但是這些方法復(fù)雜度高且容易導(dǎo)致過度平滑。三維點(diǎn)云圖像中的有效點(diǎn)云與噪聲點(diǎn)云之間

并給出一個(gè)分類置信度.在標(biāo)準(zhǔn)的非極大值抑制(Non Maximum Suppression，NMS)[15]方法中通?；诜诸?span id="j5i0abt0b" class="hl">置信度對(duì)重復(fù)檢測框進(jìn)行篩選，但由于分類置信度和定位準(zhǔn)確性的之間沒有強(qiáng)相關(guān)性，基于分類置信度的篩選會(huì)對(duì)檢測器的定位準(zhǔn)確性造成很大的影響[16].如圖 1所示，雖然box2的定位性能優(yōu)于box1，但由于box2的分類置信度稍低，因此在NMS過程中box2反而被box1所抑制，導(dǎo)致定位性能差的檢測框被輸出，從而影響檢測器的定位性能.圖1

業(yè)務(wù)屬性和節(jié)點(diǎn)置信度也會(huì)影響網(wǎng)絡(luò)中節(jié)點(diǎn)之間的信任關(guān)系． 例如， 某些隱藏在網(wǎng)絡(luò)中的惡意節(jié)點(diǎn)會(huì)利用合法身份發(fā)起內(nèi)部攻擊． 除此之外， 物聯(lián)網(wǎng)網(wǎng)絡(luò)安全的主要威脅還包括惡意節(jié)點(diǎn)利用節(jié)點(diǎn)之間的信任關(guān)系來獲取相關(guān)服務(wù)． 如果不能及時(shí)識(shí)別物聯(lián)網(wǎng)網(wǎng)絡(luò)中的惡意節(jié)點(diǎn)， 則有可能使得整個(gè)網(wǎng)絡(luò)受到攻擊， 從而導(dǎo)致隱私數(shù)據(jù)和保密數(shù)據(jù)泄露， 對(duì)網(wǎng)絡(luò)安全帶來威脅． 因此， 保障物聯(lián)網(wǎng)的節(jié)點(diǎn)安全和改善節(jié)點(diǎn)合作關(guān)系的首要條件是充分挖掘網(wǎng)絡(luò)環(huán)境中節(jié)點(diǎn)之間的信任關(guān)系， 并以此來識(shí)別網(wǎng)絡(luò)環(huán)境存

.在統(tǒng)計(jì)學(xué)中，置信度是度量系統(tǒng)可靠性的一個(gè)典型指標(biāo).置信度的重要性在于，如果一個(gè)決策支持系統(tǒng)對(duì)某個(gè)樣本進(jìn)行預(yù)測的信心太低，則可能需要人類專家參與決策過程.在實(shí)際應(yīng)用中，置信度還具有識(shí)別未知類別樣本的能力.因?yàn)楫?dāng)分類時(shí)，如果置信度較低，則表明要鑒別的樣本與建立模型時(shí)用到的樣本差異度較大.借助置信度能夠擴(kuò)大樣本訓(xùn)練范圍，通過再訓(xùn)練改善模型，提高模型的泛化能力[1-4].因此，良好的置信度應(yīng)該是模型設(shè)計(jì)的一部分[1].在部署任何機(jī)器學(xué)習(xí)分類模型時(shí)，好的模型不僅要

bw,bh)和置信度P0，公式如下:其中σ(x)=1∕( 1 +e-x)，cx，cy代表單元格從左上角的偏移量，pw，ph代表錨框的寬度、高度。所述目標(biāo)置信度P0為預(yù)測邊界框內(nèi)存在目標(biāo)的可能性，其計(jì)算公式為：其中Pr(Object)表示當(dāng)前網(wǎng)格內(nèi)是否包含目標(biāo)的中心點(diǎn)，如果包含，則為1，反之為0；表示網(wǎng)絡(luò)的預(yù)測邊界框和真實(shí)邊界框面積的交并比［13］，當(dāng)P0大于0.5時(shí)，表示當(dāng)前目標(biāo)框內(nèi)有目標(biāo)被檢測出。2 基于時(shí)間相關(guān)的置信度矯正模型2.1 基于時(shí)間相關(guān)的置信

位幅度進(jìn)行碼位置信度標(biāo)記。每個(gè)碼位分為1碼和0碼，同時(shí)計(jì)算出1碼置信度高置信度（S1H）、1碼置信度低置信度（S1L）、0碼置信度高置信度（S0H）、0碼置信度低置信度（S0L）。以C1碼位為例，當(dāng)譯碼數(shù)據(jù)中給出的C1碼位值為1，C1碼位的幅度值為a1，參考脈沖（F1/F2）幅度為a0，1碼的高低置信度判斷準(zhǔn)則如表1所示。當(dāng)譯碼數(shù)據(jù)中給出的C1碼位值為0，C1碼位幅度值為a1，0碼的高低置信度判斷準(zhǔn)則如表1所示。本次的譯碼數(shù)據(jù)與緩存的點(diǎn)跡節(jié)點(diǎn)位置相關(guān)成功則

ARCH模型;置信度;方差-協(xié)方差法一、VaR的基本介紹（一）VaR的理論背景VaR的產(chǎn)生：VaR模型是1976年由JP Morgan公司率先提出的，由JP Morgan的風(fēng)險(xiǎn)管理人員開發(fā)了一種能夠測量不同交易、不同市場風(fēng)險(xiǎn)，并能將這些風(fēng)險(xiǎn)以一個(gè)數(shù)值來體現(xiàn)的風(fēng)險(xiǎn)價(jià)值（VAR）。VaR是指風(fēng)險(xiǎn)價(jià)值度，具體意義是：在一定概率水平（置信度）下，在一定時(shí)期市場正常波動(dòng)下，栽證券組合或是金融資產(chǎn)的最大可能損失值。VaR的數(shù)學(xué)定義：在N天結(jié)束時(shí)，投資組合的損失大于或是

測文本框的分類置信度對(duì)重復(fù)檢測的預(yù)測框進(jìn)行篩選和合并。然而，該過程忽略了預(yù)測框的定位精度，使得一些定位更精確而分類置信度略低的預(yù)測框可能在非極大抑制步驟中被抑制，影響文本檢測的準(zhǔn)確率。為了改善上述不足，文中設(shè)計(jì)了置信度融合的文本檢測方法。在多任務(wù)預(yù)測網(wǎng)絡(luò)中設(shè)計(jì)一個(gè)新的分支預(yù)測錨框與真實(shí)文本框的交并比IOU(intersection over union)值，將該值作為預(yù)測文本框的定位置信度。在非極大抑制算法中，用分類置信度與定位置信度融合的結(jié)果取代分類置信

薦不同參數(shù)估計(jì)置信度[6]，影響SIL驗(yàn)證的準(zhǔn)確性，增加驗(yàn)證的不確定性[7]，使得化工企業(yè)的生產(chǎn)裝置處于欠保護(hù)或者過保護(hù)的狀態(tài)，進(jìn)而可能誤導(dǎo)風(fēng)險(xiǎn)評(píng)判結(jié)果。鑒于此，本文定量比較研究安全聯(lián)鎖回路在恒定和非恒定失效率情況下的2種算法，并對(duì)存在的偏差進(jìn)行定量評(píng)估分析，以更好落實(shí)《關(guān)于加強(qiáng)化工安全儀表系統(tǒng)管理的指導(dǎo)意見》在國內(nèi)化工企業(yè)的應(yīng)用。首先使用蒙特卡洛仿真，獲取符合工程實(shí)際的失效數(shù)據(jù)，進(jìn)而使用極大似然估計(jì)求解出威布爾參數(shù)和指數(shù)參數(shù)，并運(yùn)用威布爾分布PFDavg

低于0.70（置信度0.5）；2）目標(biāo)值：不低于0.89（置信度0.82）。有人提出，0.5 的置信度是否可理解為對(duì)評(píng)估出的結(jié)果可以相信也可以不相信？可靠性評(píng)估技術(shù)的研究國內(nèi)外開展較多，如金碧輝對(duì)可靠性評(píng)估方法進(jìn)行了全面論述，周育才對(duì)空空導(dǎo)彈任務(wù)可靠性、性能可靠性、單元可靠性、系統(tǒng)可靠性評(píng)估進(jìn)行了應(yīng)用研究［5-8］。但對(duì)評(píng)估置信度的研究很少，更多的是原則性的描述。以下通過分析置信度高低對(duì)評(píng)估結(jié)果的影響等疑問進(jìn)行論述，首先介紹點(diǎn)估計(jì)與區(qū)間估計(jì)，通過區(qū)間估計(jì)引

勻性對(duì)檢測結(jié)果置信度的影響研究。研究思路如下：首先基于二維隨機(jī)場理論模擬土石混合料填方地基不均勻的壓實(shí)系數(shù)，其次按照不同的檢測頻率模擬進(jìn)行壓實(shí)系數(shù)抽樣檢測，并采用蒙特卡洛模擬的方式統(tǒng)計(jì)檢測結(jié)果的置信度，最后總結(jié)上述規(guī)律，得到計(jì)算不同工況下檢測置信度的關(guān)系模型，據(jù)此對(duì)場區(qū)壓實(shí)質(zhì)量檢測結(jié)果的置信度進(jìn)行評(píng)價(jià)。1 壓實(shí)系數(shù)隨機(jī)場模型對(duì)于土石混合料填方工程來說，由于材料特征和施工過程中的不確定性，最終場地的壓實(shí)系數(shù)存在一定的變異性，即不同點(diǎn)位之間的壓實(shí)系數(shù)存在一定差

UANE模型;置信度;回歸分析;研制階段中圖分類號(hào)：U467 ? ?文獻(xiàn)標(biāo)識(shí)碼：A ? ?文章編號(hào)：1005-2550（2020）05-0017-08Abstract： Reliability growth test is one common measure for improving the reliability level of products in aviation， electronics and machinery industries.

無聲語音識(shí)別;置信度;插值算法;一致性預(yù)測器中圖分類號(hào)：TN912.34 ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2020）17-0003-04Abstract：Silent speech recognition is based on the bioelectric signal collected by the sEMG sensor placed on the face， which is independent of the ac

每個(gè)節(jié)點(diǎn)，使用置信度來衡量鄰居節(jié)點(diǎn)的可靠性。當(dāng)網(wǎng)絡(luò)狀態(tài)相對(duì)穩(wěn)定時(shí)，使用結(jié)合置信度的Q-routing方法進(jìn)行路由，而節(jié)點(diǎn)移動(dòng)導(dǎo)致網(wǎng)絡(luò)狀態(tài)不穩(wěn)定時(shí)，則以一定概率使用廣播的方式確保將信息傳到目的節(jié)點(diǎn)，這種方式加快了在網(wǎng)絡(luò)狀態(tài)不穩(wěn)定時(shí)路由的收斂速率，并保證了系統(tǒng)的吞吐率。然而，廣播機(jī)制增加了路由開銷。并且在Q值和置信度一直動(dòng)態(tài)變化的情況下，按照統(tǒng)一度量選擇下一跳節(jié)點(diǎn)，會(huì)有陷入路由環(huán)路的情況，使重復(fù)包檢測機(jī)制進(jìn)行丟包處理。本文研究了MANET中的路由問題，對(duì)SRR

、分布參數(shù)等）置信度為γ的單側(cè)置信下限和上限，即根據(jù)文獻(xiàn)[4]，式（1）或式（2）可以看作λ的置 信 分布函數(shù)。引理1 設(shè)兩個(gè)母體特征值λ1≥0 和λ2≥0 的置信度為γ的單側(cè)置信下限分別為λL1≥0 和λL2≥0，且λL1與λL2相互獨(dú)立， 則它們之和λ=λ1+λ2的單側(cè)置信下限λL=λL1+λL2的置信度γ*由下式計(jì)算特別地，當(dāng)γ≥50%時(shí)，有γ*≥γ。若令X1=λ1-λL1，X2=-（λ2-λL2），則有γ*=P（X1≥X2），因此，γ*可由隨機(jī)變量

出一種基于回歸置信度的多尺度人臉檢測網(wǎng)絡(luò)(regression-based multi-scale face detection net，RM net)。該網(wǎng)絡(luò)以R-FCN網(wǎng)絡(luò)為原型，采用多尺度特征融合結(jié)構(gòu)提取特征，在預(yù)測階段既輸出分類置信度又輸出回歸置信度，同時(shí)將回歸置信度作為NMS[11]算法的排序指標(biāo)。該網(wǎng)絡(luò)不僅能檢測多尺度的人臉，還能獲得精確的候選框。1 回歸置信通過分析目前的人臉檢測算法發(fā)現(xiàn)一個(gè)問題：檢測任務(wù)與分類任務(wù)是分開進(jìn)行的，而最終得到的預(yù)

本塊;優(yōu)先權(quán);置信度;數(shù)據(jù)項(xiàng)中圖分類號(hào)： TP391.41文獻(xiàn)標(biāo)識(shí)碼： A文章編號(hào)： 2095-2457（2019）33-0021-003DOI：10.19694/j.cnki.issn2095-2457.2019.33.009Image Inpainting Method Based on Sample PatchZHANG Jun CHANG Xia WANG Li-juan（The Key Laboratory of Intelligent Info

，最終生成具有置信度的決策樹。實(shí)驗(yàn)表明，該算法能夠有效地處理不一致性數(shù)據(jù)集，并能合理地將客戶價(jià)值進(jìn)行合理分類，供決策者參考。關(guān)鍵詞：決策樹;變精度粗糙集;置信度;客戶價(jià)值;客戶分類;中圖分類號(hào)： TP182? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2019）25-0193-04Abstract： Classification of customer value is the key to enterprises success. A de

基分類器的標(biāo)簽置信度，并融合標(biāo)簽矢量和標(biāo)簽置信度得到樣本的偽標(biāo)簽和集成置信度;接著，選擇集成置信度高的樣本加入到有標(biāo)簽的樣本集，迭代訓(xùn)練基分類器;最后，采用訓(xùn)練好的基分類器集成協(xié)作檢測視頻語義概念。該算法在實(shí)驗(yàn)數(shù)據(jù)集UCF11上的平均準(zhǔn)確率到達(dá)了83.48%，與Co-KNN-SVM算法相比，平均準(zhǔn)確率提高了3.48個(gè)百分點(diǎn)。該算法選擇的偽標(biāo)簽?zāi)荏w現(xiàn)樣本所屬類別與其他類別的總體差異性，又能體現(xiàn)所屬類別的唯一性，可減少利用偽標(biāo)簽樣本的風(fēng)險(xiǎn)，有效提高視頻語義概念

別;智慧門禁;置信度;數(shù)據(jù)庫;SSM框架DOI：10. 11907/rjdk. 191090中圖分類號(hào)：TP303文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2019）004-0032-040 引言當(dāng)前人工智能制造不斷滲透進(jìn)安防領(lǐng)域， 作為安防基礎(chǔ)核心的人工智能門禁將迎來前所未有的應(yīng)用前景[1]。傳統(tǒng)門禁系統(tǒng)往往使用門禁卡、指紋或者密碼等作為通行的主要手段。其中，門禁卡、指紋等方式需要特定的輸入設(shè)備，門禁卡受限于卡的數(shù)量，而指紋考勤機(jī)對(duì)環(huán)境和考勤人員皮膚要

，比較分析了有置信度要求和沒有置信度要求時(shí)2種不同的可靠性驗(yàn)證試驗(yàn)接收標(biāo)準(zhǔn)，并通過MATALB解超越方程完善了標(biāo)準(zhǔn)中定時(shí)截完試驗(yàn)方案，同時(shí)對(duì)可靠性驗(yàn)證過程中應(yīng)注意的問題進(jìn)行了分析。關(guān)鍵詞：軌道車輛；可靠性驗(yàn)證；置信度中圖分類號(hào)：U292.91 文獻(xiàn)標(biāo)志碼：A0 引言城市軌道車輛的可靠性直接關(guān)系到車輛的運(yùn)營維護(hù)成本及服務(wù)質(zhì)量，為了降低車輛的運(yùn)營維護(hù)成本，達(dá)到用戶要求的服務(wù)質(zhì)量，用戶在車輛的招標(biāo)階段就提出了可靠性的要求，并要求在車輛運(yùn)營階段根據(jù)實(shí)際運(yùn)營情況進(jìn)行

，一種基于局部置信度網(wǎng)絡(luò)的光照估計(jì)算法被提出，該算法包含三部分：（1）基于亮暗像素的圖像塊采樣方法，使得所采樣的圖像塊有較大的色度梯度，有利于光照估計(jì);（2）采樣圖像塊的局部光照估計(jì)網(wǎng)絡(luò);（3）置信度網(wǎng)絡(luò)計(jì)算局部光照估計(jì)網(wǎng)絡(luò)獲得的局部估計(jì)置信度，最后通過置信度池化得到全局估計(jì)結(jié)果。實(shí)驗(yàn)驗(yàn)證了該算法的有效性，以及在兩種標(biāo)準(zhǔn)數(shù)據(jù)集上都取得了競爭性的性能。關(guān)鍵詞：顏色恒常性;光照估計(jì);卷積神經(jīng)網(wǎng)絡(luò);亮暗像素;置信度0引言人眼視覺系統(tǒng)擁有在不同顏色光照下感知物體真

性判別分析; 置信度; 分類面; 狀態(tài)估計(jì)中圖分類號(hào)： TN911.73?34 ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2019）03?0052?04Abstract： A linear discriminate analysis method based on semi?supervised learning is proposed for object

繁項(xiàng)集搜索，在置信度的約束下進(jìn)行強(qiáng)關(guān)聯(lián)規(guī)則確認(rèn)。目前，許多關(guān)聯(lián)規(guī)則挖掘?qū)嵺`中，最小支持度(minsup)和最小置信度(minconf)參數(shù)的取值方法仍是由用戶根據(jù)先驗(yàn)知識(shí)進(jìn)行人為的指定，一方面，非專業(yè)關(guān)聯(lián)規(guī)則算法用戶，對(duì)算法參數(shù)的取值一般具有較大的主觀隨意性、往往很少考慮參數(shù)取值的科學(xué)性；另一方面，挖掘模型中支持度和置信度閾值的不同取值，對(duì)挖掘過程中頻繁項(xiàng)集的大小、自連接產(chǎn)生候選項(xiàng)集的規(guī)模、挖掘結(jié)果中關(guān)聯(lián)規(guī)則的數(shù)目有著顯著的影響。從算法設(shè)計(jì)的角度實(shí)現(xiàn)關(guān)聯(lián)規(guī)

尼辛普森指數(shù)；置信度中圖分類號(hào)：K876. 9； TS71文獻(xiàn)標(biāo)識(shí)碼：ADOI：10.11980/j.issn.0254508X.2018.01.006Temporal Change of Fiber Raw Materials Used in Ancient Chinese Papermaking and Its ImplicationsLI Tao（Max Planck Institute for the Science of Human Histor

配；目標(biāo)檢測；置信度中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)志碼：AAbstract： It is difficult to detect the foreground targets accurately in the sequence images in the situation of moving background. According to the characteristics of the targets in moving backgroun

常采用支持度－置信度框架［1］來達(dá)到該目的。但是，當(dāng)同時(shí)挖掘各型正負(fù)關(guān)聯(lián)規(guī)則時(shí)，使用支持度－置信度框架理論可能會(huì)出現(xiàn)相互矛盾的規(guī)則［7］，如AB和AB或AB和AB同時(shí)出現(xiàn)。為此，人們引入了相關(guān)性度量對(duì)支持度－置信度框架進(jìn)行擴(kuò)充和修改以避免其發(fā)生［6－10］。在相關(guān)度－支持度－置信度框架下的正負(fù)關(guān)聯(lián)規(guī)則挖掘中，圍繞相關(guān)性度量和支持度閾值設(shè)置的研究已比較完善。文獻(xiàn)［8－9］采用卡方測量項(xiàng)集相關(guān)性。文獻(xiàn)［6－7，10］針對(duì)卡方無法判斷項(xiàng)集正相關(guān)還是負(fù)相關(guān)的不足，

結(jié)果分析了最大置信度最小支持度及調(diào)節(jié)置信度算法的泛化界，這兩種方法可以用來做序列事件預(yù)測及監(jiān)督學(xué)習(xí).基于這些考慮，本文利用算法穩(wěn)定性研究粗糙集預(yù)測算法的泛化界.文中設(shè)計(jì)了置信度算法，該算法可以預(yù)測新樣本的標(biāo)簽，其原理就是尋找訓(xùn)練集中與新樣本相同的等價(jià)類，然后分配與該等價(jià)類置信度最高的標(biāo)簽給新樣本.首先定義了置信度函數(shù)，其次利用最小化算子定義了其損失函數(shù)，最后利用算法的穩(wěn)定性給出了置信度算法的泛化界.結(jié)果表明，泛化界主要與決策信息系統(tǒng)中樣本的數(shù)目及穩(wěn)定性參數(shù)

，利用深度圖像置信度和非局部自相似濾波的超分辨率重建算法。在聯(lián)合雙邊上采樣濾波器的基礎(chǔ)上，結(jié)合深度圖像置信度，去噪平滑圖像，在非局部自相似濾波中結(jié)合同場景彩色圖像的特征結(jié)構(gòu)信息進(jìn)行約束，可以很好減輕振鈴效應(yīng)，重建出高分辨率圖像。實(shí)驗(yàn)結(jié)果表明，本文方法在去噪平滑圖像的同時(shí)更好地保護(hù)邊緣細(xì)節(jié)，避免振鈴效應(yīng)，取得不錯(cuò)效果。關(guān)鍵詞：深度圖像，置信度，非局部自相似，濾波器，飛行時(shí)間 ，超分辨率中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（20

診斷 支持度 置信度醫(yī)療衛(wèi)生關(guān)系國計(jì)民生，是人民生活幸福水平的重要體現(xiàn)，在中國這樣一個(gè)人口大國，看病難一直是困擾普通民眾。醫(yī)療信息化系統(tǒng)運(yùn)行積累了海量的數(shù)據(jù)信息，這些數(shù)據(jù)隱藏了很多有價(jià)值的信息，如何使這些數(shù)據(jù)輔助醫(yī)療機(jī)構(gòu)做出科學(xué)決策、讓它們發(fā)揮更大價(jià)值，成為當(dāng)前的熱點(diǎn)話題之一。對(duì)于醫(yī)生這個(gè)職業(yè)，經(jīng)驗(yàn)和知識(shí)的積累是非常重要的，我們是否可以利用大數(shù)據(jù)技術(shù)手段，挖掘出醫(yī)療行為的一些內(nèi)在關(guān)系，然后轉(zhuǎn)化為知識(shí)成為醫(yī)生技能提升和知識(shí)傳播的手段，加快醫(yī)生的成長進(jìn)程。關(guān)聯(lián)

于此進(jìn)一步建立置信度優(yōu)化模型，有效挖掘出時(shí)間相關(guān)性雖弱但正確的告警關(guān)聯(lián)規(guī)則，同時(shí)增強(qiáng)對(duì)時(shí)間相關(guān)性雖強(qiáng)但無效的規(guī)則的識(shí)別，從而提升園區(qū)網(wǎng)絡(luò)告警分析場景下挖掘結(jié)果集的正確率。原有算法回顧SDH-AARM算法（以下簡稱原有算法）同時(shí)具備了WINEPI的時(shí)序相關(guān)性以及FP-Growth的挖掘高效性，因此本文選用此算法為基礎(chǔ)算法，在該算法的基礎(chǔ)上進(jìn)行研究改進(jìn)。告警關(guān)聯(lián)規(guī)則挖掘算法的目的是在一個(gè)給定的時(shí)序集合中挖掘出所有強(qiáng)告警關(guān)聯(lián)規(guī)則。強(qiáng)告警關(guān)聯(lián)規(guī)則指支持度和置信度均

數(shù)值模擬結(jié)果的置信度＊王瑞利1，梁 霄2，林 忠1（1.北京應(yīng)用物理與計(jì)算數(shù)學(xué)研究所，北京100094；2.山東科技大學(xué)數(shù)學(xué)學(xué)院，山東 青島266590）針對(duì)爆轟流體力學(xué)數(shù)值模擬過程中輸入?yún)?shù)的不確定性，通過抽樣技術(shù)，形成確定性爆轟流體力學(xué)程序的各種輸入和數(shù)值求解，建立輸入?yún)?shù)與輸出響應(yīng)量的樣本，再通過概率框架下的誤差累積分布函數(shù)與馬尾圖，給出了爆轟數(shù)值模擬過程中輸入?yún)?shù)不確定度對(duì)模擬結(jié)果影響的置信度量化方法。通過一維黎曼問題、平面爆轟問題計(jì)算了誤差馬尾圖

CRC）校驗(yàn)和置信度判定的基礎(chǔ)上，提出了一種基于FPGA的改進(jìn)ADS-B糾錯(cuò)算法。給出了該改進(jìn)算法的設(shè)計(jì)方案，并通過FPGA平臺(tái)進(jìn)行了大量實(shí)采信號(hào)的測試驗(yàn)證。經(jīng)多次測試的結(jié)果表明：在不影響糾錯(cuò)性能的條件下，該改進(jìn)算法可節(jié)省硬件開銷，提升信號(hào)處理速度，保證了信號(hào)傳輸?shù)目煽啃?。ADS-B系統(tǒng)；CRC校驗(yàn)；比特置信度；糾錯(cuò)；FPGA?廣播式自動(dòng)相關(guān)監(jiān)視（ADS-B）是一種基于衛(wèi)星導(dǎo)航系統(tǒng)和空-空、地-空、地-地?cái)?shù)據(jù)鏈通信的航空器運(yùn)行監(jiān)視技術(shù)，屬于國際民用航空組織

一定的可靠度和置信度，只是大小不同，明確規(guī)定與否而已。額定壽命；可靠度；置信度；威布爾分布0 引言額定（使用）壽命是繼電器的主要參數(shù)，在額定壽命區(qū)間產(chǎn)品也會(huì)失效，那可靠度有多少，試驗(yàn)得到的可靠度的置信度又是多少等等，這里作簡單介紹。1 額定壽命不是電耐久性目前相關(guān)標(biāo)準(zhǔn)對(duì)額定壽命的定義和鑒定方法存在差異，IEC相當(dāng)一部分標(biāo)準(zhǔn)把額定壽命當(dāng)作“電耐久性”。按GB/T2900.63-2013（idtIEC60050-444）“電耐久性 (electricity d

制；控制參數(shù)；置信度；響應(yīng)曲線1 方法概述一階倒立擺為雙輸入單輸出控制系統(tǒng)，輸入量為角度及角速度，輸出量為力，用于調(diào)整擺的角度。本文使用經(jīng)典的Mamdani模糊系統(tǒng)[2]。輸入采用三角形模糊器[3]，采用中心解模糊器構(gòu)造模糊系統(tǒng)[4]。用于規(guī)則提取的數(shù)據(jù)來源于T-S fuzzy模糊控制[5]。2 參數(shù)提取由Matlab仿真得到用于提取規(guī)則的參數(shù)，該方法使用線性矩陣不等式，求解控制參數(shù)。采集該方法的控制量、角速度及角度，采集時(shí)要保證采集數(shù)據(jù)的范圍足夠廣闊，避

檢驗(yàn)的實(shí)測載荷置信度分析與修譜技術(shù)研究吳堂珍，熊 欣，趙 江(中國直升機(jī)設(shè)計(jì)研究所，江西 景德鎮(zhèn) 333001)直升機(jī)實(shí)測載荷譜的準(zhǔn)確性是結(jié)構(gòu)疲勞評(píng)定的關(guān)鍵。疲勞載荷的隨機(jī)性特點(diǎn)，使得判斷其準(zhǔn)確性存在困難。以往設(shè)計(jì)員只能定性地去判斷飛行各架次載荷的分散性，對(duì)數(shù)據(jù)的差異只能被動(dòng)接受，這使得最終編制用于疲勞評(píng)定的載荷譜的精度不高，從而影響疲勞評(píng)定結(jié)論。提出了一種對(duì)實(shí)測載荷譜載荷統(tǒng)計(jì)檢驗(yàn)的方法，通過計(jì)算載荷子樣的置信度，以控制置信度水平，達(dá)到提高實(shí)測載荷譜精度的

特性測量結(jié)果的置信度與有效性。本文對(duì)紅外輻射特性測量的VV&A工作流程進(jìn)行了研究，提出了開展VV&A應(yīng)遵循的原則，并有針對(duì)性的設(shè)計(jì)了其VV&A過程，所得到的結(jié)論對(duì)目標(biāo)特性測量有一定的借鑒意義。【關(guān)鍵詞】 校核 驗(yàn)證 確認(rèn) 置信度一個(gè)紅外特性測量試驗(yàn)的結(jié)果是否能代表真實(shí)目標(biāo)的性能，存在一個(gè)置信度的問題。置信度是紅外輻射特性測量的關(guān)鍵，缺乏足夠置信度的目標(biāo)測性測量是沒有意義的。而校核、驗(yàn)證與確認(rèn)技術(shù)（VV&A）是置信度評(píng)估工作的基礎(chǔ)。開展紅外特性測量VV&A技

的應(yīng)用中，摒棄置信度這個(gè)度量值。究其原因，在于網(wǎng)站結(jié)構(gòu)中置信度不能準(zhǔn)確度量用戶興趣。提出了一個(gè)可以替代傳統(tǒng)置信度的、在網(wǎng)站環(huán)境下能正確反映用戶興趣的確定性的度量值，并結(jié)合用戶的瀏覽速率進(jìn)行用戶興趣挖掘。對(duì)比實(shí)驗(yàn)結(jié)果表明，此方法挖掘用戶興趣的效果明顯。關(guān)鍵詞： 關(guān)聯(lián)規(guī)則； 置信度； 數(shù)據(jù)挖掘； 用戶興趣挖掘中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1006-8228（2016）09-70-03User interest mining with imp

性、影響因素及置信度做了比較全面的闡述，最后對(duì)該方法在實(shí)際應(yīng)用中的效果從教師、學(xué)生、應(yīng)用及考試結(jié)果幾方面做了對(duì)比分析，表明該方法是切實(shí)可行可用的。關(guān)鍵詞 調(diào)查法 開放式 置信度中圖分類號(hào)：G424 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.16400/j.cnki.kjdkz.2016.02.063調(diào)查法在教學(xué)中是了解教學(xué)效果、改進(jìn)教學(xué)方式方法應(yīng)用較多的一種方法。在我專業(yè)進(jìn)行的教學(xué)改革①③中也采用了該方法來取得問題反饋并做相應(yīng)的教學(xué)調(diào)整。但是在實(shí)際應(yīng)用中發(fā)現(xiàn)調(diào)查法存在

確定置信區(qū)間及置信度,連續(xù)波雷達(dá)作為測量初速的重要設(shè)備,其精度影響初速試驗(yàn)估計(jì)的用彈數(shù)量,文中對(duì)初速測量進(jìn)行參數(shù)估計(jì),計(jì)算初速置信區(qū)間及其置信度,并考慮雷達(dá)測速誤差對(duì)初速估計(jì)的影響,討論射彈數(shù)量與雷達(dá)精度的關(guān)系,以期選擇最少的用彈量準(zhǔn)確考核被試彈藥性能,降低試驗(yàn)成本,提高試驗(yàn)效率。關(guān)鍵詞:初速;隨機(jī)變量;置信區(qū)間;置信度;連續(xù)波雷達(dá);精度;參數(shù)估計(jì)0引言彈丸的炮口初速是用經(jīng)典的內(nèi)彈道學(xué)理論研究火炮膛內(nèi)動(dòng)態(tài)過程的重要參數(shù),是衡量火炮、彈丸和火藥裝藥性能的一個(gè)

n算法，挖掘出置信度和支持度均比較高的關(guān)聯(lián)信息，反映出數(shù)據(jù)庫中的數(shù)據(jù)相互之間的復(fù)雜性和有趣性，進(jìn)而挖掘出數(shù)據(jù)之間的有益關(guān)聯(lián)，促進(jìn)大規(guī)模數(shù)據(jù)庫信息挖掘技術(shù)的發(fā)展，主要從Aprion算法方面分析大規(guī)模數(shù)據(jù)庫關(guān)聯(lián)規(guī)則挖掘的技術(shù)。關(guān)鍵詞： Aprion算法； 大規(guī)模數(shù)據(jù)庫； 關(guān)聯(lián)規(guī)則挖掘； 置信度； 支持度中圖分類號(hào)： TN911?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）07?0124?03Abstract： With the devel

求解，分析不同置信度下風(fēng)電場出力、電網(wǎng)日前調(diào)度的機(jī)組出力，以及在不同風(fēng)險(xiǎn)接受度下電網(wǎng)日前調(diào)度的條件風(fēng)險(xiǎn)值，比較所提出的混合算法的優(yōu)越性。仿真案例證明所提出模型的正確性，表明風(fēng)電場出力的置信度越低，系統(tǒng)所接受的風(fēng)險(xiǎn)度越高，所對(duì)應(yīng)的條件風(fēng)險(xiǎn)值越大，這為電網(wǎng)的系統(tǒng)操作人員提供了決策支持。關(guān)鍵詞：風(fēng)電；不確定性；置信度；日前調(diào)度；條件風(fēng)險(xiǎn)價(jià)值0引言隨著科技的不斷發(fā)展和環(huán)境保護(hù)要求的不斷提高，風(fēng)電、光伏等作為綠色清潔可再生能源越來越受到人們的關(guān)注。大規(guī)模風(fēng)電或光伏的

005）?伴隨置信度的線性回歸模型劉兆君（山東工商學(xué)院數(shù)學(xué)與信息科學(xué)學(xué)院，山東煙臺(tái)264005）摘要：針對(duì)正態(tài)余項(xiàng)的線性回歸模型，研究伴隨置信度的線性回歸模型。在一定概率下，設(shè)計(jì)隨機(jī)變量以均值為中心的置信區(qū)間，建立機(jī)會(huì)約束規(guī)劃，并在一定置信度下轉(zhuǎn)化為確定性規(guī)劃，應(yīng)用LINGO 11優(yōu)化軟件求解，構(gòu)造出伴隨置信度的線性回歸模型，實(shí)現(xiàn)對(duì)隨機(jī)變量觀測值信息的動(dòng)態(tài)應(yīng)用，可以實(shí)現(xiàn)伴隨置信度的預(yù)測。實(shí)證分析表明，該模型可以依置信度不同程度地反映觀測數(shù)據(jù)的多方面信息，選

5－6］。3 置信度判定法則在對(duì)目前主流糾錯(cuò)技術(shù)進(jìn)行對(duì)比研究后發(fā)現(xiàn):不論是保守糾錯(cuò)技術(shù)還是強(qiáng)力糾錯(cuò)技術(shù)，都是在對(duì)數(shù)據(jù)位的置信度準(zhǔn)確判定的前提下進(jìn)行的，所以一個(gè)好的置信度判定法則對(duì)糾錯(cuò)性能的影響至關(guān)重要。經(jīng)典的判定方法是基線多樣點(diǎn)算法，文獻(xiàn)［7］分析了其不足并進(jìn)行了改進(jìn)。本文采用多樣點(diǎn)判定的思想，在信號(hào)數(shù)字化后進(jìn)行多點(diǎn)采樣分析進(jìn)行置信度判定。根據(jù)S 模式應(yīng)答信號(hào)的特點(diǎn)，采用主流8 MHz時(shí)鐘采樣，由于應(yīng)答信號(hào)的數(shù)據(jù)率為1 Mb/s，那么每個(gè)信息位將有8個(gè)采樣

)1 可靠度和置信度的關(guān)系汽車制造商對(duì)軸承壽命一般會(huì)提出以給定的置信度CY達(dá)到可靠度RX的要求，記為RX/CY。例如R90/C90，表示軸承壽命的要求是在90%的置信度下達(dá)到90%可靠度。這種要求比普通的不帶置信度的可靠度要求更為嚴(yán)格?？煽慷仁橇慵M足確定的壽命要求的可靠程度，而置信度是零件試驗(yàn)樣本試驗(yàn)結(jié)果的可信程度。例如，對(duì)20個(gè)一組的樣本試驗(yàn)，具有90%置信度和90%可靠度的試驗(yàn)結(jié)果，表示每組試驗(yàn)后將有2個(gè)零件失效，如果進(jìn)行10組這樣的試驗(yàn)，則有9組樣

給出和提高評(píng)估置信度的角度出發(fā)，設(shè)計(jì)全面、客觀和合理的評(píng)估方法將是通信抗干擾能力評(píng)估研究的重點(diǎn)。本文針對(duì)以上問題，提出了一種評(píng)估跳頻通信設(shè)備抗干擾能力的新方法。該方法首先運(yùn)用了層次分析法(AHP)［9］，構(gòu)造了評(píng)估跳頻通信設(shè)備抗干擾能力的指標(biāo)體系;其次，通過確定各指標(biāo)的類型，分析指標(biāo)值變化對(duì)抗干擾性能的影響趨勢，設(shè)計(jì)不同的量化方法處理原始指標(biāo)值;再次，運(yùn)用云模型挖掘指標(biāo)處理過程中的模糊信息，分析權(quán)重設(shè)置的可信度，并以此作為評(píng)估結(jié)果置信度的計(jì)算依據(jù);最后，計(jì)

檢驗(yàn)法，在給定置信度和誤差概率時(shí)，求出導(dǎo)航精度的拒絕域、接收域和觀察域；當(dāng)試驗(yàn)曲線收斂于接收域時(shí)即可提前結(jié)束試飛，達(dá)到節(jié)省架次的目的。通過應(yīng)用表明該方法不但適用于導(dǎo)航系統(tǒng)，對(duì)其他系統(tǒng)也具參考價(jià)值。關(guān)鍵詞： 序貫概率比檢驗(yàn)； 導(dǎo)航精度； 飛行試驗(yàn)； 置信度； 誤差概率中圖分類號(hào)： TN96?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2014）11?0124?05Abstract： The error statistical method bas

夏 琦一種基于置信度的軟件構(gòu)件可信性度量模型*趙森嚴(yán)，夏 琦(安徽工程大學(xué)計(jì)算機(jī)與信息學(xué)院，安徽，蕪湖 241000)軟件構(gòu)件在測試過程中存在空間局限性以及測試環(huán)境的單一性，需要根據(jù)系統(tǒng)運(yùn)行的狀態(tài)來對(duì)構(gòu)件的可信性進(jìn)行評(píng)估。通過引入置信度的模型對(duì)構(gòu)件的可信度進(jìn)行評(píng)價(jià)，給出一個(gè)構(gòu)件可信的度量模型。在度量模型中采用三角模糊數(shù)層次分析法確定運(yùn)行狀態(tài)對(duì)置信度的影響權(quán)重。仿真結(jié)果表明，該模型能夠有效地度量構(gòu)件的可信度。軟件構(gòu)件；置信度；可信度量；三角模糊數(shù)層次分析法0

題，也常常使用置信度(Confidence Measure)來描述，已經(jīng)有很多相關(guān)的文獻(xiàn)對(duì)此進(jìn)行研究。支持向量機(jī)(Support Vector Machine, SVM)[3]由于其較為優(yōu)秀的泛化能力，被很多研究人員用于置信度計(jì)算[4-6]。在本文的工作中，使用OPD信息用來計(jì)算置信度，并且使用SVM來訓(xùn)練針對(duì)每個(gè)音子的單獨(dú)的置信度函數(shù)。本文提出的方法中，獲得輸出概率分布OPD不需要額外的顯式垃圾模型。并從每個(gè)音子的置信度得分基礎(chǔ)上計(jì)算詞的置信度得分，然后

同一結(jié)論時(shí)綜合置信度計(jì)算的新方法?王連亮（中國西南電子技術(shù)研究所，成都610036）針對(duì)多種假設(shè)應(yīng)用于同一結(jié)論時(shí)的不確定性推理問題，提出了一種新的綜合置信度計(jì)算方法。該方法直接對(duì)各假設(shè)的置信度進(jìn)行合成，避免了證據(jù)理論中的概率分配以及歸一化過程。數(shù)值分析表明，該方法計(jì)算的綜合置信度不受各假設(shè)參與運(yùn)算的順序影響，對(duì)高沖突假設(shè)的抗干擾能力強(qiáng)，具有較強(qiáng)的魯棒性，在工程應(yīng)用中是一種有效的綜合置信度計(jì)算方法。數(shù)據(jù)融合；多假設(shè)；不確定性推理；綜合置信度1 引言在數(shù)據(jù)融合

）≥設(shè)定的最小置信度(minconf）,則構(gòu)成關(guān)聯(lián)規(guī)則B→(A-B）。本文只考慮規(guī)則的右邊只有一項(xiàng)的情況。如果給定一個(gè)頻集 Y=I1,I2,…,Ik,k≥2, Ij∈I,則只包含集合{I1,I2,…,Ik}中的項(xiàng)的規(guī)則最多有 k條。這種規(guī)則形如 I1,I2,…,Ii,Ii+1,…,Ik→Ii,1≤i≤k,其中,只有那些置信度大于用戶給定的最小置信度的規(guī)則被保留。該算法為了生成所有頻集,使用了遞歸方法,偽代碼為:輸入:D,最小支持度minsup;輸出:Res