针对不确定理论中熵计算的复杂性,利用信息熵的定义特征、线性函数的连续性及计算的简便性,定义了不确定变量的线性熵,得到其线性分布函数、zigzag型分布函数;证明了线性熵具有非负性、在值域内的有界性.研究得到:不确定熵与不确定线性熵的异同、不确定线性熵的优越性.该成果应用范围更广、在工程计算中将发挥更大的作用.

识别MNIST已经成了深度学习的hello world，所以每次例程基本都会用到这个数据集，这个数据集在tensorflow内部用着很好的封装，因此可以方便地使用。 这次我们用tensorflow搭建一个softmax多分类器，和之前搭建线性回归差不多，第一步是通过确定变量建立图模型，然后确定误差函数，最后调用优化器优化。 误差函数与线性回归不同，这里因为是多分类问题，所以使用了交叉熵。 另外，有一点值得注意的是，这里构建模型时我试图想拆分多个函数，但是后来发现这样做难度很大，因为图是在规定变量

在本文中，我们主要为不确定的随机变量提出了部分熵的定义。 实际上，部分熵是表征不确定随机变量的多少熵属于不确定变量的工具。 此外，研究了部分二次熵的一些性质，例如正线性。 最后，研究了其他一些类型的局部熵。