概率圖
關(guān)注創(chuàng)建者：匿名 創(chuàng)建時間：2021-08-10
概率圖的實例教程
通過Excel，Minitab軟件可以很簡單得到某個區(qū)域的概率。</p><p>?。?！</p><p>為什么有Z變換？無軟件，能夠借助查標準正態(tài)表就能方便地得到概率。</p><p>但是不借助軟件，需要通過Z變換進行歸一化，將某個測量值X0轉(zhuǎn)換為Z（0，1）上的Z值，Z值即是多少個標準差（sigma），查表能夠直接得到概率。</p><p>后續(xù)具體列一下詳細過程。目前只需記一個點，<span style="color: rgb(25, 27, 31);">如果有人給你一個Z值（相當于給了sigma值），也就是給了概率值。</span></p><p>----</p><p>為什么有這么多分布，是因為實際情況沒法統(tǒng)一一個分布描述，甚至同一個事情的不同階段都不能用同一個分布去描述。</p><p>所以我們處理數(shù)據(jù)，首先要選擇合適的分布，而且要檢驗到底擬合得好不好，引出下一個概念，檢驗。</p><div contenteditable="false" width="100%"><hr>
</div><p><br></p><p><br></p><p><br></p><p><br></p><p><br></p><p><br></p><p><br></p><p>8.概率密度函數(shù)（Probability Density Function），累計密度函數(shù)（累計分布函數(shù)，<span style="background-color: rgb(255, 255, 255); color: rgb(51, 51, 51);">Cumulative Distribution Function</span>），失效概率圖（Probability Plot）</p><p>主要說一下失效概率圖，用于視覺直觀檢測（IOT, Interocular Trauma）?？纯礃颖緮?shù)據(jù)是否在此圖上是一條直線。
展開 基于概率理論和有限元數(shù)值模擬技術(shù)，在ABAQUS平臺上編制PYTHON材料隨機模擬程序，建立了考慮鑄鋼材料不均勻性的隨機有限元模型，分析了鑄鋼材料不均勻性對索鞍極限承載力的影響規(guī)律。
材料屬性采用PYTHON的NUMPY數(shù)據(jù)庫隨機產(chǎn)生，各單元的彈性模量E和屈服強度fy的參數(shù)服從正態(tài)分布。
單元所采用的彈性模量的概率分布圖和屈服強度的概率分布圖如下圖所示：
生成的隨機模型如下圖所示：
博客型選手：
大概率嘗試過Andrew Ng的網(wǎng)課，但大概率沒看下去，手里一定有一本Python深度學(xué)習(xí)，對原理不求甚解，數(shù)學(xué)公式大概都不想看，論文不想讀，輾轉(zhuǎn)各個博客網(wǎng)站希望找到一個好一點的解讀；跑了一通實例代碼，很有成就感，可能會在某個博客網(wǎng)站發(fā)布一篇博客，標題諸如《自然語言處理入門-XXX》，成功為網(wǎng)絡(luò)貢獻一篇與其他博客雷同率90%的文章，雖然文章名字像是一個系列，但是相信我，他大概率不會再發(fā)布同系列的文章了。
Github選手：
常常和PPT選手合作，拿到需求，「人臉識別是吧？」，Github一搜，好多倉庫，全去克/隆了再說；挑挑揀揀，調(diào)試了半天，依賴裝完代碼跑通了(沒有error)，任務(wù)完成，功德無量，接下來的任務(wù)交給其他隊友！
AI+型選手 ( 教師 )：
傳統(tǒng)方向出身，沒有學(xué)過ML/DL，在AI興起以后，把DL當
萬金油用，深度學(xué)習(xí)預(yù)測地震啊，深度學(xué)習(xí)驗證軟件啊...管它什么數(shù)據(jù)驅(qū)動不驅(qū)動，經(jīng)費拿到手就行了。這類老師對AI的認知可能和PPT選手差不多，比學(xué)生多的本領(lǐng)就是寫本子、打招呼了。帶一個PPT選手加一個Github選手，基本上可以在各類創(chuàng)新競賽/項目中拿到還不錯的成績。
名詞流選手：
行走的AI術(shù)語詞典，討論問題時就喜歡堆砌名詞，但從不解釋，故弄玄虛，讓外行有一種「不明覺厲」的感覺，其實一些言論根本經(jīng)不起推敲。
潮流型選手：
走在AI潮流前列，除了最新的算法，其他的都是垃圾，「不加attention？你這算法不行！」，「2019年了，還用概率圖模型？！」這類人對算法應(yīng)用場景一無所知，對新算法的狂熱程度堪比娛樂圈流量小生的瘋狂粉絲們。
何去何從型選手：多半是半路出家，轉(zhuǎn)行想做AI的，但是奈何基礎(chǔ)弱，一心只想掙大錢，所以會很迷茫，于是到知乎拋下一個問題：「非cs科班可以學(xué)xxx嗎？」
展開 Tolerance-CAR&HUDModule
模塊用戶界面形式如下：
突出特點：
① 誤差形式支持風(fēng)擋玻璃移動，HUD模組不動方式
② 誤差形式支持HUD模組移動，風(fēng)擋玻璃不動方式
③ 允許用戶開啟HUD光機裝調(diào)模式Auto Alignment進行裝調(diào)姿勢補償
④ 六自由度運動，可與機械軟件對應(yīng)，自由度可以有更多擴展
⑤ 支持HUD正向光路形式，也支持HUD逆向光路形式
⑥ 接口含有大量冗余，允許用戶定義其他Method動作形式
⑦ 評價模板含有大量冗余，允許定義其他評價指標
⑧ 開放式平臺，參數(shù)設(shè)置可見，自動生成Zemax公差分析文件
⑨ 允許用戶自行進行公差參數(shù)檢查，保證運行正確及可靠性
⑩ 數(shù)據(jù)報表直觀、易讀；數(shù)據(jù)報告，設(shè)置文件等自動備份，數(shù)據(jù)安全性高
Report報告菜單，顯示公差分析數(shù)據(jù)，可以選擇報表形式或者概率圖形式，也可以以絕對值顯示或者相對值顯示：
①畸變結(jié)果顯示：
②虛像距VID結(jié)果顯示：
③公差變量-TUTX顯示：風(fēng)擋玻璃安裝傾斜角誤差分布
（文章來源：本文文字和圖片均轉(zhuǎn)載于 公眾號 拾風(fēng)專欄。
）
- end -
如果您對產(chǎn)品感興趣請點擊
閱讀原文
了解更多詳情。
展開 受限玻爾茲曼機 (RBM) 是具有二分交互作用的概率圖模型，這些模型的一個特征是觀察到的單位給定隱藏單元的狀態(tài)，它們是獨立的，反之亦然。這是由于交互圖的二部性，并且不依賴于單元的狀態(tài)空間。通常RBM 是用二進制單位定義的，但也考慮了其他類型的單位，包括連續(xù)、離散和混合類型單位。1.3 AE (自動編碼器)自編碼器是一類人工神經(jīng)網(wǎng)絡(luò)，由編碼器和解碼器這兩個主要組件組成。編碼器是一組神經(jīng)層，將其輸入的原始維度限制為一個更小的維度，稱為潛在空間。解碼器是一組層，其目的是將潛在空間擴展回輸入的原始維度。自動編碼器通常使用反向傳播算法進行訓(xùn)練，其中所需的輸出與輸入相同，這使其成為一種無監(jiān)督學(xué)習(xí)方法。1.4RNN (循環(huán)神經(jīng)網(wǎng)絡(luò))循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN) 對于處理數(shù)據(jù)的順序性質(zhì)至關(guān)重要，其中時間序列類型的數(shù)據(jù)就是一個典型示例。RNN 具有一種具有循環(huán)連接的神經(jīng)元。這些連接用作內(nèi)存，使 RNN 能夠從順序數(shù)據(jù)中學(xué)習(xí)時間動態(tài)性。目前，LSTM神經(jīng)網(wǎng)絡(luò)模型在人類活動識別方面表現(xiàn)出最先進的性能。2 目標識別算法模型Wenling Xue等學(xué)者為了減少不同天氣條件的影響，提出了一種新方法GMM來模擬包含不同天氣數(shù)據(jù)的目標。高斯分量密度的加權(quán)和可用于表示 GMM，GMM是參數(shù)概率密度函數(shù)。GMM可用于在不同天氣條件下擬合目標的特性;功能數(shù)量越多，系統(tǒng)性能越高。為了估計GMM參數(shù)，使用訓(xùn)練有素的先前模型和訓(xùn)練數(shù)據(jù)。GMM是圍繞用于檢測的最佳似然比測試構(gòu)建的，使用簡單但有效的貝葉斯適應(yīng)模型來推導(dǎo)天氣影響。與SVM相比，GMM的識別率提高了。但存在著如何選擇正確的閾值以及如何對背景噪聲進行建模以提高識別率等問題。Fan Zhang等學(xué)者提出一種改進的YOLO深度學(xué)習(xí)模型，自動識別玉米葉片的氣孔，并采用熵率超像素算法對氣孔參數(shù)進行精確測量。
展開 
概率圖的相關(guān)專題、標簽、搜索
概率圖的最新內(nèi)容
圖的第一行用散點表示，第二行用概率密度分布圖表示，樣本值大體上符合正態(tài)分布。
DrivAerNet++ 數(shù)據(jù)庫共8000個樣本，計算共耗時三百萬 CPU 核時，39T的數(shù)據(jù)量。
1、修復(fù)高體積占比的球體在重力堆積過程中投放出界問題，大幅度降低球體投放出界概率，以下動圖為球體比例設(shè)置60%時修復(fù)前后的對比。
2、為消除堆積算法生成的模型中上表面球體分布不平整現(xiàn)象，新增振搗密實功能，可設(shè)置振實的時間長度。
（Probability Plot）</p><p>主要說一下失效概率圖，用于視覺直觀檢測（IOT, Interocular Trauma）。
經(jīng)過理論推導(dǎo)可知理論的標準差0.25，其概率密度如圖7所示。對比圖6方仿真結(jié)果，標準差仿真結(jié)果與理論吻合。
圖7 銷中心垂直方向波動量理論分布
四、 結(jié)論
1.
例如，對材料循環(huán)應(yīng)力-應(yīng)變關(guān)系的分散性處理，可將應(yīng)變分解為彈性應(yīng)變分量和塑性應(yīng)變分量，分別建立彈性應(yīng)變分量、塑性應(yīng)變分量與應(yīng)力的線性方程，并對上述方程進行隨機化處理，通過回歸方法建立循環(huán)應(yīng)力-應(yīng)變的概率型，見圖3。
（3）工藝分散性
工藝分散性是指由于材料制備、加工手段、檢測技術(shù)等隨機因素引起的結(jié)構(gòu)分散性。
初始缺陷隨機性。
同時，針對下一代高性能燃燒室的研發(fā)需求，動研所還開展了LES燃燒仿真研究和基于可實現(xiàn) k-ε（RKE）湍流模型、火焰面生成流形（FGM）模型的低成本數(shù)值仿真研究，可分別實現(xiàn)精細化燃燒仿真和高精度點火概率仿真，如圖5所示，進一步為燃燒室設(shè)計的一次成功提供了保障。
仿真數(shù)據(jù)模糊化數(shù)據(jù)概率分布空間如圖9所示。
圖9 仿真數(shù)據(jù)模糊化數(shù)據(jù)概率分布空間
由于孿生戰(zhàn)場環(huán)境與真實對抗環(huán)境存在差異化特性，本文從以下4個域進行隨機化處理：
1） 態(tài)勢特征隨機化：指在態(tài)勢特征的各個維度加入隨機擾動，增加仿真環(huán)境中可觀測態(tài)勢特征的多樣性，從而降低仿真環(huán)境生成的數(shù)據(jù)和真實作戰(zhàn)數(shù)據(jù)的差異度。
圖1.垂直溝槽碳化硅MOSFET
圖2.柵極電壓步進應(yīng)力試驗的失效概率分布圖
4.碳化硅在UPS中的應(yīng)用優(yōu)勢
參與一次調(diào)頻時隨著并網(wǎng)點頻率的變化(圖4)，儲能系統(tǒng)的出力存在波動(圖5)，通過對儲能系統(tǒng)所需的出力進行正態(tài)分布分析，可得儲能系統(tǒng)出力概率密度分布圖。若配置儲能系統(tǒng)滿足一次調(diào)頻所有情況下的出力需求，將導(dǎo)致配置的儲能系統(tǒng)過大，且基于概率數(shù)理統(tǒng)計儲能系統(tǒng)在極少數(shù)情況下才需如此大的出力。過度配置儲能系統(tǒng)將降低儲能系統(tǒng)的經(jīng)濟性。
線束的安裝同樣如此，這種“化整為零”的裝配策略顯著提高了整車的制造速度，但由于裝配的分散，線束接口及定位件繁多，往往會增大線束失效產(chǎn)生的概率。
圖2為某汽車總裝車間的主要工段的示意圖。線束裝配貫穿整車制造過程，其主要分布在內(nèi)飾及門線工段，同時底盤工段也存在部分接插件的對接。
圖2 某汽車總裝車間主要工段分布圖
整車線束裝配跨度大、工序多，線束失效也相應(yīng)較多。
