بیزین و ترکیب دمپستر-شافر

عنوان فارسی مقاله:بیزین و ترکیب دمپستر-شافر

چکیده

عرفا،فیلتر کالمان ، به عنوان یک الگوریتم فیلترینگ پیش بینی-تصحیح مطرح بوده است. در این مطالعه، ما نشان می دهیم که این فلیتر را می توان به صورت الگوریتم ترکیب و تجمیع بایزین مد نظر قرار داد و آن را با استفاده از استدلال های بایزین مشتق کرد. ما در ابتدا شرحی از از تئوری بایزین ارایه کرده و از آن برای بحث در خصوص کمیت های شناخته شده نظیر پیشین ها، احتمال و پسین ها بهره برده و معادله پایه ترکیب و تجمیع بایزین را ارایه می کنیم. فیلتر کالمن از این معادله با استفاده از یک روش جدید برای ارزیابی انتگرال پیش بینی چاپمن- کولوموگروف مشتق می شود. سپس ما از تئوری برای برای تلفیق داده های برگرفته از حسگر های چندگانه بهره می بریم. تئوری که همسو با این روش می باشد، تئوری دمپستر-شافر است که به بررسی شاخص های اندازه گیری باور پرداخته و بر اساس ایده غیر کلاسیک وزن بر خلاف احتمال می باشد. اگرچه این دو شاخص بسیار مشابه می باشند، با این حال یک سری تفاوت هایی وجود دارد. ما از طریق تشریح ایده های تئوری دمپستر-شافر و ارایه معادله ترکیب و تجمیع دمپستر-شافر در خصوص آن ها صحبت خواهیم کرد. در نهایت، ما به مقایسه دو روش پرداخته و نقاط ضعف و نقاط قوت نسبی آن ها را با استفاده از یک نمونه مبرهن ذکر می کنیم(بیزین و ترکیب دمپستر-شافر).

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Bayesian and Dempster–Shafer fusion

Abstract:

The Kalman Filter is traditionally viewed as a prediction–correction filtering algorithm. In this work we show that it can be viewed as a Bayesian fusion algorithm and derive it using Bayesian arguments. We begin with an outline of Bayes theory, using it to discuss well-known quantities such as priors, likelihood and posteriors, and we provide the basic Bayesian fusion equation. We derive the Kalman Filter from this equation using a novel method to evaluate the Chapman– Kolmogorov prediction integral. We then use the theory to fuse data from multiple sensors. Vying with this approach is the Dempster–Shafer theory, which deals with measures of “belief”, and is based on the nonclassical idea of “mass” as opposed to probability. Although these two measures look very similar, there are some differences. We point them out through outlining the ideas of the Dempster– Shafer theory and presenting the basic Dempster–Shafer fusion equation. Finally we compare the two methods, and discuss the relative merits and demerits using an illustrative example.