تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

دانلود ترجمه مقاله بیزین و ترکیب دمپستر-شافر – مجله اشپرینگر

عنوان فارسی: بیزین و ترکیب دمپستر-شافر
عنوان انگلیسی: Bayesian and Dempster–Shafer fusion
تعداد صفحات مقاله انگلیسی : 30 تعداد صفحات ترجمه فارسی : 55
سال انتشار : 2004 نشریه : اشپرینگر - Springer
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 4410 رفرنس : دارد
محتوای فایل : zip حجم فایل : 1.26Mb
رشته های مرتبط با این مقاله: مهندسی کامپیوتر، فناوری اطلاعات IT و مهندسی برق
گرایش های مرتبط با این مقاله: برق الکتریک، برق مخابرات، مهندسی نرم افزار، مهندسی الگوریتم ها و محاسبات، شبکه های کامپیوتری، برق کنترل و معماری سیستم های کامپیوتری
مجله: Sadhana
دانشگاه: گروه اطلاعات و ارتباطات، دانشکده مهندسی، دانشگاه صنعتی سیدنی، استراالیا
کلمات کلیدی: فیلتر کالمان، ترکیب و تجمیع بایزین، ترکیب و تجمیع دمپستر-شافر، انتگرال پیش بینی چاپمن-کولوموگراف
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

۱ مقدمه

۲ مرور منابعی بر ترکیب و تجمیع داده ها

۲ ۱ روند تغییرات در ترکیب داده ها

۲ ۲ فلسفه پایه تجمیع داده

۲ ۳ مکان یابی و رد یابی هدف

۲ ۴ موقعیت بابی ماهواره

۲ ۵ نظارت و پایش هوایی

۲ ۶ پردازش تصویر و کاربردهای پزشکی

۲ ۷ عوامل اینترنت هوشمند

۲ ۸ تجارت و امور مالی

۳ ترکیب داده ی بایزین

۳ ۱ ردیابی تک حسگری

۳ ۲ ترکیب داده از چندین حسگر

۴ ترکیب داده های دمپستر شافر

۴ ۱ ترکیب دو حسگر

۴ ۲ ۳ یا چند حسگر

۴ ۳ پشتیبانی و توجیه پذیری

۵ مقایسه تئوری های دمپستر شافر و بایزین

۶ اظهارات پایانی

نمونه متن انگلیسی

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.

نمونه متن ترجمه

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.