1. sobol敏感性分析 python实现方法。 代码目的是通过sobol敏感性分析方法评估机器学习模型中不同因素的影响大小。 结果分为一阶敏感性，二阶敏感性和总阶敏感性三种。 2. 实例详细讲解，包括（数据+代码+注释） 3. 可自定义图的标签、字体大小等设置 4. python代码，可直接运行。环境：python==3.6.5，tensorflow==1.9.0 5. RF.model为训练结束后保存的RF模型。用户可自定义替换 6. 结果图中为样本数是128，256，512，1024和2048五种情况下的结果。一般而言，样本数越多，结果越准确。 7. 若有疑问，可通过2900045856@qq.com或关注CSDN博主allein_STR后咨询或购买（备注“CSDN资源”）。

Sobolev space 详细空间理论，英文教材。98页。泛函里面的空间理论。对数学基础，特别是泛函分析的要求较高。

sobol+matlab+代码SAMO_UQGSAPFA_CODES 该存储库包括 MATLAB CODES 和有限元分析 (FEA) 文件，用于使用多项式混沌展开 (PCE) 对复合材料的渐进失效进行随机分析，该文件在题为“纤维增强复合材料渐进失效的不确定性量化和全局灵敏度分析”的论文中提出” 作者：Mishal Thapa、Achyut Paudel、Sameer B. Mulani、Robert W. Walters（正在审查：结构多学科和优化期刊，2020 年） MATLAB 代码包含： -> 确定性渐进失效分析 (PFA) 的验证代码以及使用带有拉丁超立方采样和多项式混沌展开的蒙特卡罗模拟对三种载荷情况（单轴拉伸、单轴压缩和外）进行的随机 PFA 分析平面横向载荷。 -> 通过估计 Sobol 指数进行全球敏感性分析 (GSA) 的代码。 欲知更多详情，请联系：

索伯列夫空间 Sobolev空间 ] （Adams）

索博尔-伯利基于Brent Burley 的论文Practical Hash-based Owen Scrambling的可播种 Owen-scrambled Sobol 序列，但由于Kuo 等人的原因，改进了来自Build a Better LK Hash 的哈希和更多维度。这个板条箱面向实际的图形应用程序，因此有一些限制：最大序列长度为 2^16。最大维数为 256（尽管这可以通过播种来解决）。仅支持f32输出。这些都是为了更好的性能和更小的内存占用而进行的权衡。扩展这个板条箱以使其更适合更广泛的应用是未来的一个暂定目标。但是，图形应用程序的高效执行始终是重中之重。基本用法基本用法非常简单：use sobol_burley:: sample;// Print 1024 3-dimensional points.for iin0 ..1024 {let x=sample (i,0 ,0 );let y=sample (i,1 ,0 );let z=sample (i,2 ,0 );println! ("({}, {}, {})" , x, y, z); }sample()的第一个参数

3.索波尔（Sobol）序列，matlab产生拟随机数

sobol灵敏度分析，可以应用于分析产品价格受各个因素影响的占比

指纹图像的增强，指纹识别，sobol gabor算法

matlab开发-Soboland超立方体实验和敏感性分析研究。此函数可用于生成拉丁超立方体或Sobol拟随机集

少有的关于Sobolev空间的中文专著，80年代的好书，值得参考