java-test-evidence
使用Java ， Selenium ， TestNG和ExtentReports简单测试自动化项目。 该项目的主要目的是展示如何使用这些技术来生成测试证据，并在测试失败时添加屏幕截图。
运行测试
可以使用以下命令运行测试：
set classpath= < path> \j ava-test-evidence \t arget \t est-classes ; < path> \j ava-test-evidence \t arget \d ependency \*
java org.testng.TestNG < path> \j ava-test-evidence \t
2022-05-17 14:47:17
17.85MB
1
BOT是近年来国际上出现的一种新型项目融资管理模式,由于该类项目投资巨大,建设管理周期长,存在众多不确定因素,因此在实施过程中会存在巨大风险。证据理论在风险评价过程中,受人为因素影响较小,可以对BOT风险进行客观、科学的评价。最后通过具体算法证明该模型在评价BOT项目风险的可行性和有效性。
2022-05-17 12:38:24
2MB
1
基于证据理论的多源数据融合仿真实验matlab代码
实现功能：识别框架内元素个数在3~5个之间，其余参数自己选择，计算相应的置信度函数、信任度函数、似真度函数；同时完成两证据融合和三证据融合。用Matlab实现
2022-05-13 20:44:53
96KB
1
D-S证据理论不能很好地描述证据之间的冲突, 而且证据高度冲突时合成规则会得出反直观的结果。针对这一问题, 提出了一种改进的证据合成方法。首先建立余弦相似度空间, 利用证据向量之间的夹角余弦度量证据相似性程度, 通过冲突证据检测因子对其进行分类; 然后引入冲突比例因子决定证据的修正方法, 利用相似度对其进行局部修正或全局修正; 最后将修正后的证据代入D-S公式进行合成。应用实例证明, 该方法能够判定冲突证据, 实现冲突证据和相似性证据的合成, 具有较好的稳定性、分类精度和收敛速度。
2022-05-11 01:26:47
1.26MB
1
人工智能-机器学习-面向互联网基于证据理论的智能决策支持系统研究.pdf
2022-05-10 09:08:40
4.95MB
由于真实收益变动过程的不可观察性，因此在波动率预测评估中最具挑战性的问题之一是为事后波动率找到准确的基准指标。 本文使用澳大利亚股票市场的超高频数据来构建无偏的事后波动率估计量，然后将其用作评估各种实际波动率预测策略（基于GARCH类模型）的基准。 这些预测策略可允许创新的偏斜分布，并在标准GARCH波动率模型之外使用各种估计窗口。 在样本外测试中，我们发现，与使用基于稀疏采样的日内数据的实际波动率相比，使用无偏后波动率估计量，可以系统地减少所有模型规格的预测误差。 特别是，我们显示出三种基准预测模型在回报率和估计窗口分布不同的情况下胜过大多数修改后的策略。 比较三种标准的GARCH类模型，我们发现非对称功率ARCH（APARCH）模型在正常和金融动荡时期均表现出最佳的预测能力，这表明APARCH模型具有捕获Leptokurtic收益和典型波动率特征的能力。澳大利亚股市。
2022-05-08 01:26:19
514KB
1