通用襟翼模型

[b]卷积神经网络模型发展及应用转载地址：[/b]http://fcst.ceaj.org/CN/abstract/abstract2521.shtml [img]https://oss-emcsprod-public.modb.pro/image/editor/20220802-9243a15c-bcd6-4a63-921e-932f257a1e05.png[/img][img=,690,212]https://ng1.17img.cn/bbsfiles/images/2022/08/202208021122351500_3641_5785239_3.png!w690x212.jpg[/img]深度学习是机器学习和人工智能研究的最新趋势，作为一个十余年来快速发展的崭新领域，越来越受到研究者的关注。卷积神经网络（CNN）模型是深度学习模型中最重要的一种经典结构，其性能在近年来深度学习任务上逐步提高。由于可以自动学习样本数据的特征表示，卷积神经网络已经广泛应用于图像分类、目标检测、语义分割以及自然语言处理等领域。[b]首先分析了典型卷积神经网络模型为提高其性能增加网络深度以及宽度的模型结构，分析了采用注意力机制进一步提升模型性能的网络结构，然后归纳分析了目前的特殊模型结构，最后总结并讨论了卷积神经网络在相关领域的应用，并对未来的研究方向进行展望。[/b]卷积神经网络（convolutional neural network，CNN） 在计算机视觉[1- 5]、自然语言处理[6- 7]等领域已被广泛 应用。在卷积神经网络兴起之前，主要依靠人工针对特定的问题设计算法，比如采用 Sobel、LoG（Laplacian of Gaussian）、Canny、Prewitt 等[8- 11]算子进行边 缘 检 测 ，采 用 Harris、DoG（difference of Gaussian）、FAST（features from accelerated segment test）、SIFT （scale invariant feature transform）等[12-15]用于角点等特 征检测，并且采用传统分类器如 K近域、支持向量机、 稀疏分类器等[16- 18]进行分类。特征提取和分类器的 设计是图片分类等任务的关键，对分类结果的好坏 有着最为直接的影响。卷积神经网络可以自动地从 训练样本中学习特征并且分类，解决了人工特征设计 的局限性。神经网络的思想起源于1943年McCulloch 和 Pitts 提出的神经元模型[19]，简称 MCP 神经元模 型。它是利用计算机来模拟人的神经元反应的过 程，具有开创性意义。此模型将神经元反应简化为 三个过程：输入信号线性加权、求和、非线性激活。1958 年到 1969 年为神经网络模型发展的第一阶段， 称为第一代神经网络模型。在 1958 年 Rosenblatt 第 一次在 MCP 模型上增加学习功能并应用于机器学 习，发明了感知器算法[20]，该算法使用 MCP 模型能够 采用梯度下降法从训练样本中自动学习并更新权 值，并能对输入的多维数据进行二分类，其理论与实 践的效果引起了神经网络研究的第一次浪潮。1969 年美国数学家及人工智能先驱 Minsky在其著作中证 明感知器本质上是一种线性模型[21]，只能处理线性分 类问题，最简单的异或问题都无法正确分类，因此神 经网络的研究也陷入了近二十年的停滞。1986 年到 1988 年是神经网络模型发展的第二阶段，称为第二 代神经网络模型。1986 年 Rumelhart 等人提出了误 差反向传播算法（back propagation algorithm，BP）[22]。BP 算法采用 Sigmoid 进行非线性映射，有效解决了 非线性分类和学习的问题，掀起了神经网络第二次 研究高潮。BP 网络是迄今为止最常用的神经网络， 目前大多神经网络模型都是采用 BP网络或者其变化 形式。早期神经网络缺少严格数学理论的支撑，并 且在此后的近十年时间，由于其容易过拟合以及训 练速度慢，并且在 1991 年反向传播算法被指出在后 向传播的过程中存在梯度消失的问题[23]，神经网络再 次慢慢淡出人们的视线。1998 年 LeCun 发明了 LeNet-5，并在 Mnist 数据 集达到 98%以上的识别准确率，形成影响深远的卷积 神经网络结构，但此时神经网络的发展正处于下坡 时期，没有引起足够的重视。从感知机提出到 2006 年以前，此阶段称为浅层 学习，2006 年至今是神经网络的第三阶段，称为深度 学习。深度学习分为快速发展期（2006—2012 年）和 爆发期（2012 年至今），2006 年 Hinton 提出无监督的 “逐层初始化”策略以降低训练难度，并提出具有多 隐层的深度信念网络（deep belief network，DBN）[24]， 从此拉开了深度学习大幕。随着深度学习理论的研究和发展，研究人员提 出了一系列卷积神经网络模型。为了比较不同模型 的质量，收集并整理了文献中模型在分类任务上的 识别率，如图 1所示。由于部分模型并未在 ImageNet 数据集测试识别率，给出了其在 Cifar-100 或 Mnist数 据集上的识别率。其中，Top-1识别率指的是 CNN 模型预测出最大概率的分类为正确类别的概率。Top-5 识别率指的是 CNN 模型预测出最大概率的前 5 个分 类里有正确类别的概率。2012 年，由 Alex Krizhevshy 提出的 AlexNet给卷 积神经网络迎来了历史性的突破。AlexNet 在百万 量级的 ImageNet数据集上对于图像分类的精度大幅 度超过传统方法，一举摘下了视觉领域竞赛 ILSVRC2012的桂冠。自 AlexNet之后，研究者从卷积神经网 络的结构出发进行创新，主要有简单的堆叠结构模 型，比如 ZFNet、VGGNet、MSRNet。堆叠结构模型通 过改进卷积神经的基本单元并将其堆叠以增加网络 的深度提升模型性能，但仅在深度这单一维度提升 模 型 性 能 具 有 瓶 颈 ；后 来 在 NIN（network in network）模型提出使用多个分支进行计算的网中网结 构模型，使宽度和深度都可增加，具有代表性的模型 有 Inception 系列模型等；随着模型深度以及宽度的 增加，网络模型出现参数量过多、过拟合以及难以训 练等诸多问题。ResNet 提出残差结构后，为更深层 网络构建提出解决方案，随即涌现出很多残差结构模 型，比如基于 ResNet 改进后的 ResNeXt、DenseNet、 PolyNet、WideResNet，并且 Inception也引入残差结构 形成了 Inception-ResNet-block，以及基于残差结构并 改进其特征通道数量增加方式的 DPResNet；与之前 在空间维度上提升模型性能的方法相比，注意力机 制模型通过通道注意力和空间注意力机制可以根据 特征通道重要程度进一步提升模型性能，典型的模 型为 SENet、SKNet 以及 CBAM（convolutional block attention module）。传统的卷积神经网络模型性能十分优秀，已经 应用到各个领域，具有举足轻重的地位。由于卷积 神经网络的模型十分丰富，有些模型的结构或用途 比较特殊，在本文中统称为特殊模型，包括具有简单的结构和很少参数量的挤压网络模型 SqueezeNet，采 用无监督学习的生成对抗网络模型（generative adversarial network，GAN），其具有完全相同的两路网络 结构以及权值的孪生神经网络模型 SiameseNet，以 及通过线性运算生成其他冗余特征图的幽灵网络 GhostNet。由于卷积神经网络的一系列突破性研究成果， 并根据不同的任务需求不断改进，使其在目标检测、 语义分割、自然语言处理等不同的任务中均获得了 成功的应用。[b]基于以上认识，本文首先概括性地介绍了卷积 神经网络的发展历史，然后分析了典型的卷积神经 网络模型通过堆叠结构、网中网结构、残差结构以及 注意力机制提升模型性能的方法，并进一步介绍了 特殊的卷积神经网络模型及其结构，最后讨论了卷 积神经网络在目标检测、语义分割以及自然语言处 理领域的典型应用，并对当前深度卷积神经网络存 在的问题以及未来发展方向进行探讨。[img=,690,387]https://ng1.17img.cn/bbsfiles/images/2022/08/202208021123119824_325_5785239_3.png!w690x387.jpg[/img][/b][img]https://oss-emcsprod-public.modb.pro/image/editor/20220802-51d3c121-d787-4a08-a7a4-a7f9ecb3a33d.png[/img][b]转载文章，如有侵权，请联系我删除[/b]

如何建立数学模型讲授人：中国计量科学研究院研究员 倪育才 在测量不确定度评定中，建立数学模型也称为测量模型化，目的是要建立满足测量不确定度评定所要求的数学模型，即建立被测量Y和所有各影响量X间的函数关系，其一般形式可写为: Y=f(X1，X2，…，Xn) 可以说，建立数学模型是进行测量不确定度评定最关键的第一步，也是许多初学者在进行测量不确定度评定时遇到的第一个困难。 《测量不确定度表示指南》(GUM)在摘要介绍测量不确定度评定步骤时，首先就提到要建立数学模型，并说:“The function f should contain everyquantity, including all corrections and correction factors, that can contributea significant component of uncertainty to the result of measurement. ”。其意是数学模型f中应包含所有对测量结果的不确定度有影响的修正值和修正因子。也就是说，数学模型中应包含所有应该考虑的影响量，而每一个影响量将对测量结果贡献一个值得考虑的不确定度分量。因此一个好的数学模型，其中所包含的影响量和此后不确定度评定中所考虑的每一个不确定度分量应该是一一对应的。这样建立起来的数学模型，既能用来计算测量结果，又能用来全面地评定测量结果的不确定度。 要找出每一个影响量与被测量之间的函数关系，往往是很困难的，有时简直不可能得到两者关系的解析表达式。于是许多初学者往往将测量中用来获得被测量的计算公式作为数学模型而列出。例如在各种测量中，最经常采用的方法之一是比较测量。将被测量值y和参考标准所提供的标准量值s相比较，通过测量两者之差Δ可以计算出被测量y。于是在已经发表的各种测量不确定度评定的文章中，经常见到将y=x+Δ作为数学模型的情况。但在进行不确定度评定时，则又往往脱离数学模型而重新考虑各个不确定度分量。这样的数学模型对测量不确定度评定实际上毫无帮助。 在某些特殊情况下(例如某些检测项目)将计算公式作为数学模型可能是允许的，但一般说来不要把数学模型简单地理解为就是计算测量结果的公式，也不要理解为就是测量的基本原理公式。两者之间经常是有区别的。 从原则上说，似乎所有对测量结果有影响的输入量都应该在计算公式中出现，但实际情况却不然。有些输入量虽然对测量结果有影响，但由于信息量的缺乏，在具体测量时无法定量地计算它们对测量结果的影响。也有些输入量由于对测量结果的影响很小而被忽略，故在测量结果的计算公式中也不出现，但它们对测量结果的不确定度的影响却可能是必须考虑的。因此如果仅从计算公式出发来进行不确定度评定，则上述这些不确定度分量就可能被遗漏。当然，在某些特殊情况下如果所有其他不确定度贡献因素的影响都可以忽略不计时，数学模型也可能与计算公式相同。 对于不同的被测量和不同的测量方法，数学模型的具体形式可能差别很大，但实际上都可以用一种比较系统的方式来给出数学模型，或者说可以给出数学模型的通式。 根据测量误差的定义:误差=测量结果-真值。同时误差又可以分为随机误差和系统误差两类，且三者之间的关系为:误差=系统误差+随机误差。于是可以得到: 真值=测量结果-误差 　　=测量结果-系统误差-随机误差 由于修正值等于负的误差，于是上面的关系式就成为: 真值=测量结果-系统误差-随机误差 　　=测量结果+系统误差的修正值+随机误差的修正值 实际上，真值就是想得到的被测量的测量结果，于是上式可写成 被测量=测量结果+系统误差的修正值+随机误差的修正值 例1:对于常见的量块比较测量，若ls为标准量块的长度，Δl为测得的两量块的长度差，于是被测量块长度lx的计算公式为: lx=ls+Δl 由于测量时量块的温度通常会偏离标准参考温度20℃，考虑到温度和线膨胀系数对测量结果的影响，计算公式成为: lx=ls+Δl+lsδαθx+lsαsδθ 式中α和θ分别表示线膨胀系数和对标准参考温度20℃的偏差；脚标“s”、“x”分别表示标准量块和被测量块；以及δθ=θs-θx和δα=αs-αx。 考虑到量块测量点可能偏离量块测量面中心点对测量结果的影响，数学模型成为: lx=ls+Δl+lsδαθx+lsαsδθ+δl 将此数学模型和上面给出的通式相比较就可以发现，等式右边的第一、二项ls+Δl即是由测量得到的未修正的测量结果。等式右边的第三、四项lsδαθx+lsαsδθ是对由温度偏差所引入的系统误差的修正值，在本例中这两项的数值十分小而可以忽略，但它们对测量结果不确定度的影响是必须考虑的。等式右边的最后一项δl，是表示由于测量点可能偏离量块中心对测量结果的影响。测量点的偏离对测量结果引入随机误差，因此最后一项实际上是对该随机误差的修正值。由下图可见两者之间的对应关系。http://ng1.17img.cn/bbsfiles/images/2013/10/201310181455_471725_2771427_3.jpg 例2:砝码校准，将被测砝码的质量与具有相同标称值的标准砝码相比较。若被校准砝码和标准砝码的折算质量分别为mx和ms，测得两者的质量差为Δm，于是被校准砝码折算质量mx的计算公式为: mx=ms+Δm 考虑到标准砝码的质量自最近一次校准以来可能产生的漂移Δmd，质量比较仪的偏心度和磁效应的影响Δmc，以及空气浮力对测量结果的影响δB后，其数学模型成为: mx=ms+Δm+δmd+δmc+δB 模型中等式右边的第一、二项为未修正的测量结果。该测量不存在值得考虑的系统误差，也就是说，在数学模型中不存在对系统误差的修正值。等式右边的第三、四、五项为对三项随机误差分量的修正量。与数学模型通式之间的对应关系为:http://ng1.17img.cn/bbsfiles/images/2013/10/201310181455_471726_2771427_3.jpg 在建立数学模型时，未修正的测量结果和系统误差的修正值通常都能比较容易地得到解析形式的数学表达式。惟有随机误差的修正值无法得到其解析形式的表达式。因此只能在数学模型中简单地加上一项，表示对随机误差的修正值。根据随机误差的定义，无限多次测量结果的随机误差的平均值等于零，因此这些项的数学期望为零。也就是说，增加这些修正值后不会对被测量的数值有影响。需要知道的是这些修正值的可能取值范围，通常可以由测量者的经验或

[font='times new roman'][size=18px][b]模型转移[/b][/size][/font][font='times new roman'][size=18px][b]简介[/b][/size][/font][font='times new roman'][size=16px]模型转移可以定义为光谱数据或校准模型的数学转换，以便使所开发的方法与不同的仪器或不同的测量条件兼容。[/size][/font][font='times new roman'][size=16px]模型转移[/size][/font][font='times new roman'][size=16px]的目的是确保在不同情况下获得的[/size][/font][font='times new roman'][size=16px]模型[/size][/font][font='times new roman'][size=16px]结果的互换性，而不必对每种情况进行耗时的重新校准。化学计量[/size][/font][font='times new roman'][size=16px]学[/size][/font][font='times new roman'][size=16px]用于纠正仪器和环境的差异，如仪器反应功能的变化[/size][/font][font='times new roman'][size=16px]（[/size][/font][font='times new roman'][size=16px]由仪器更换部分零件或设备老化[/size][/font][font='times new roman'][size=16px]引起）[/size][/font][font='times new roman'][size=16px]、样品的物理或化学组成[/size][/font][font='times new roman'][size=16px]的[/size][/font][font='times new roman'][size=16px]改变[/size][/font][font='times new roman'][size=16px]（[/size][/font][font='times new roman'][size=16px]例如[/size][/font][font='times new roman'][size=16px]颗粒[/size][/font][font='times new roman'][size=16px]大小、表面结构、粘度等[/size][/font][font='times new roman'][size=16px]）[/size][/font][font='times new roman'][size=16px]及测量条件的变化[/size][/font][font='times new roman'][size=16px]（[/size][/font][font='times new roman'][size=16px]如温度和湿度的变化[/size][/font][font='times new roman'][size=16px]）等。在本研究中，使用[/size][/font][font='times new roman'][size=16px]相[/size][/font][font='times new roman'][size=16px]同的仪器设备采集的在线与离线[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]被解释为测量条件的变化，[/size][/font][font='times new roman'][size=16px]样品以不同的方式呈现给光谱[/size][/font][font='times new roman'][size=16px]采集[/size][/font][font='times new roman'][size=16px]系统。[/size][/font][font='times new roman'][size=16px]此外，随着光谱采集时间的推移，即使同一样品的光谱也会出现漂移、波长转变、线性或非线性改变等变化，[/size][/font][font='times new roman'][size=16px]因此[/size][/font][font='times new roman'][size=16px]建立的校正集模型需要定期进行维护。如果这些变化不通过定期采集新的校正集光谱进行维护，建立的模型会出现不可估量的误差[/size][/font][font='times new roman'][size=16px]，[/size][/font][font='times new roman'][size=16px]且在线模型较离线模型的收集需要消耗更多的物料，模型的定期维护需要更多的经济投入。为了提高在线模型的精度，节省成本，减少校正集光谱收集及模型维护带来的经济成本，采用化学计量学方法对离线光谱与在线光谱间模型传递进行研究，提高了模型的精度和稳定性。[/size][/font][font='times new roman'][size=16px]离线模型的建立验证了便携式[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]用于流化床混合过程[/size][/font][font='times new roman'][size=16px]API[/size][/font][font='times new roman'][size=16px]含量监测的可行性。由于物料的动态特性及其他影响因素的干扰，在线模型精度较低。此外，随着光谱采集时间、环境等的推移，即使同一样品的光谱也会出现漂移、线性或非线性改变等变化，[/size][/font][font='times new roman'][size=16px]故建立[/size][/font][font='times new roman'][size=16px]的校正集模型需要定期进行维护。如果这些变化不通过定期采集新的校正集光谱进行维护，建立的模型会出现不可估量的误差，给生产和检验带来不可估量的损失，且在线模型较离线模型的收集需要消耗更多的物料，模型的定期维护需要更多的经济投入。为了提高在线模型的精度，节省成本，减少校正集光谱收集及模型维护带来的经济成本，[/size][/font][font='times new roman'][size=16px]针[/size][/font][font='times new roman'][size=16px]对流化床混合过程中建立的[/size][/font][font='times new roman'][size=16px]API[/size][/font][font='times new roman'][size=16px]含量[/size][/font][font='times new roman'][size=16px]定量分析模型，采用化学计量学方法对离线光谱与在线光谱间模型传递进行研究，提高了模型的精度和稳定性，将模型转移后建立的新模型用于中试生产过程[/size][/font][font='times new roman'][size=16px]API[/size][/font][font='times new roman'][size=16px]含量的在线监测，实现了实验室到中试应用的理论和实践研究。[/size][/font][font='times new roman'][size=16px]目前，模型转移方法主要包括两大类：光谱数据的模型传递法和结果校正的[/size][/font][font='times new roman'][size=16px]模型传递法[/size][/font][font='times new roman'][size=16px][color=#080000][73, 74][/color][/size][/font][font='times new roman'][size=16px]。其中光谱数据的模型传递包括光谱吸光度及波长（或波数）的校正两个方面。在诸多模型传递方法中，分段直接标准化法[/size][/font][font='times new roman'][size=16px](Piecewise direct standardization,[/size][/font][font='times new roman'][size=16px] [/size][/font][font='times new roman'][size=16px]PDS)[/size][/font][font='times new roman'][size=16px]是最常用的方法之一，也是常用的评价模型传递新方法的参比方法，在模型传递方法中占有重要地位。另一个常用的方法是分段反向标准化法[/size][/font][font='times new roman'][size=16px](Piecewise reverse standardization,[/size][/font][font='times new roman'][size=16px] [/size][/font][font='times new roman'][size=16px]PRS)[/size][/font][font='times new roman'][size=16px]。[/size][/font][font='times new roman'][size=16px]PDS[/size][/font][font='times new roman'][size=16px][color=#080000][75, 76][/color][/size][/font][font='times new roman'][size=16px]法和[/size][/font][font='times new roman'][size=16px]PRS[/size][/font][font='times new roman'][size=16px]法在原理相同的，但数据转换方向不同。[/size][/font][font='times new roman'][size=16px]PDS[/size][/font][font='times new roman'][size=16px]法是将辅仪器[/size][/font][font='times new roman'][size=16px](slave instrument)[/size][/font][font='times new roman'][size=16px]的光谱数据向主仪器方向转换或者将精度低的光谱数据向精度高的方向转换，[/size][/font][font='times new roman'][size=16px]PRS[/size][/font][font='times new roman'][size=16px]法相反，是将将精度高的光谱数据向精度低的方向转换。[/size][/font][font='times new roman'][size=16px]采用化学计量学方法对离线光谱和在线光谱间模型传递进行研究，提高了模型精度，节省了校正集收集及模型维护成本，实现了由实验室到工厂实际应用的理论和实践研究，具体计算过程如图所示，研究内容主要包括：[/size][/font][font='宋体'][size=16px]①[/size][/font][font='times new roman'][size=16px]流化床混合过程中，标准离线光谱[/size][/font][font='times new roman'][size=16px]([/size][/font][font='times new roman'][size=16px]Xstatic[/size][/font][font='times new roman'][size=16px])[/size][/font][font='times new roman'][size=16px]的收集和标准在线光谱[/size][/font][font='times new roman'][size=16px]([/size][/font][font='times new roman'][size=16px]Xdynamic[/size][/font][font='times new roman'][size=16px])[/size][/font][font='times new roman'][size=16px]的收集。[/size][/font][font='宋体'][size=16px]②[/size][/font][font='times new roman'][size=16px]通过标准离线光谱[/size][/font][font='times new roman'][size=16px]([/size][/font][font='times new roman'][size=16px]Xstatic[/size][/font][font='times new roman'][size=16px])[/size][/font][font='times new roman'][size=16px]和标准在线光谱[/size][/font][font='times new roman'][size=16px]([/size][/font][font='times new roman'][size=16px]Xdynamic[/size][/font][font='times new roman'][size=16px])[/size][/font][font='times new roman'][size=16px]建立转换矩阵[/size][/font][font='times new roman'][size=16px][b]F[/b][/size][/font][font='times new roman'][size=16px]。[/size][/font][font='宋体'][size=16px]③[/size][/font][font='times new roman'][size=16px]将采集到的校正集样品离线光谱[/size][/font][font='times new roman'][size=16px]X[/size][/font][font='times new roman'][size=16px]static[/size][/font][font='times new roman'][size=16px]([/size][/font][font='times new roman'][size=16px]cal[/size][/font][font='times new roman'][size=16px])[/size][/font][font='times new roman'][size=16px]通过转换矩阵得到新的校正集建模光谱[/size][/font][font='times new roman'][size=16px]X[/size][/font][font='times new roman'][size=16px]static[/size][/font][font='times new roman'][size=16px](fit)=[/size][/font][font='times new roman'][size=16px]Xstatic[/size][/font][font='times new roman'][size=16px]([/size][/font][font='times new roman'][size=16px]cal[/size][/font][font='times new roman'][size=16px]) [/size][/font][font='times new roman'][size=16px][b]F[/b][/size][/font][font='times new roman'][size=16px].[/size][/font][font='宋体'][size=16px]④[/size][/font][font='times new roman'][size=16px]将得到的校正集光谱矩阵[/size][/font][font='times new roman'][size=16px]X[/size][/font][font='times new roman'][size=16px]static[/size][/font][font='times new roman'][size=16px](fit)[/size][/font][font='times new roman'][size=16px]用于建立校正集模型，用于未知样品的预测。[/size][/font][font='宋体'][size=16px]⑤[/size][/font][font='times new roman'][size=16px]模型传递后与原在线模型及离线模型的比较。[/size][/font][font='宋体'][size=16px]⑥[/size][/font][font='times new roman'][size=16px]将模型转移后的模型用于中试流化床混合过程在线监测并对测量结果进行评价。[/size][/font][align=center][img]https://ng1.17img.cn/bbsfiles/images/2020/09/202009102207075705_1626_3890113_3.png[/img][/align][align=center][font='times new roman']模型转移计算流程图[/font][/align]

典型数学模型莫过于如下图所示了，http://ng1.17img.cn/bbsfiles/images/2012/04/201204041622_359055_1626275_3.jpg示值减真值除以真值。可是偏偏这典型数学模型的不确定度评定确人们犯的错特多，几乎还没有看到严谨的示例。例如灵敏度系数的求得有如下图所示的情况：http://ng1.17img.cn/bbsfiles/images/2012/04/201204041630_359063_1626275_3.jpg很显然是错误的。因为作者置数学模型中分母真值于不顾，当成了求绝对误差的：误差=示值-真值。还有按理在该数学模型中各输入量是绝对量，其不确定度理应为绝对量，可在按下来的评定中给出各输入量的不确定度又是相对量。如下图示：http://ng1.17img.cn/bbsfiles/images/2012/04/201204041641_359067_1626275_3.jpg这样按理是不对的。但我们应该怎样进行该典型数学模型的不确定度评定呢？希望版友上传正确的典型数学模型的不确定度评定示例！

模型转移就不多说了，以下为定性模型转移http://ng1.17img.cn/bbsfiles/images/2017/03/201703111950_01_3197261_3.jpghttp://ng1.17img.cn/bbsfiles/images/2017/03/201703111950_02_3197261_3.jpghttp://ng1.17img.cn/bbsfiles/images/2017/03/201703111950_03_3197261_3.jpghttp://ng1.17img.cn/bbsfiles/images/2017/03/201703111950_04_3197261_3.jpg