مدلسازی ضرایب اطمینان سنسوری در قالب توابع اعتماد برای یادگیری توسط الگوریتمهای تکاملی

سال انتشار: 1386
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,296

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

FJCFIS01_160

تاریخ نمایه سازی: 14 خرداد 1387

چکیده مقاله:

مدلسازی و تعیین اطمینان سنسوری یکی از مباحث مهم و اساسی در ترکیب اطلاعات میباشد. یادگیری ضرایب و پارامترهای مدل نایقینی برای قابلیت اطمینان، برای یک شبکه سنسوری گسترده، هنگامی که تعداد سنسورها زیاد باشد، یک مسئله بهینه سازی غیرخطی پیچیدهای خواهد بود. استفاده از مدلهای منعطف تر مثل مدل توابع اعتماد و تعیین تابع هدف بر اساس ملاکهای دقیقتر باعث افزایش دقت پاسخ های به دست آمده شده، اما پیچیدگی مسئله را نیز افزایش میدهد. الگوریتمهای تکاملی به عنوان ابزارهایی قدرتمند برای حل مسائل بهینه سازی غیرخطی شناخته میشوند. واقعیتهای فوق در مورد مساله یادگیری قابلیت اطمینان سنسوری، استفاده از الگوریتمهای تکاملی بدین منظور را انتخاب مناسبی به نظر میرساند. الگوریتم PBIL به عنوان یکی از روشهای نسبتا جدید در الگوریتمهای تکاملی، در بسیاری از مسائل بهینه سازی بهتر از سایر روشهای تکاملی سنتی مانند الگوریتمهای ژنتیک عمل میکند. در این مقاله یک توسعه ازPBIL به فضاهای پیوسته، برای مسئله بهینه سازی مقید در یادگیری قابلیت اطمینان سنسوری ارائه گردیده است. این الگوریتم تکاملی برای مسئله مذکور به منظور ترکیب تصمیم بر اساس تابع مطلوبیت به کار برده شده و کارایی روش توسط داده های مصنوعی تست میشود. روش ارائه شده کلی بوده و برای دامنه وسیعی از کاربردهای مرتبط میتواند اعمال شود.

کلیدواژه ها:

الگوریتم PBIL ، ترکیب اطلاعات ، نظریه شواهد دمپستر - شافر

نویسندگان

طاهر شهبازی میرزا حسنلو

قطب علمی کنترل و پردازش هوشمند، دانشکده مهندسی برق و کامپیوتر، دانشگ

بابک نجار اعرابی

قطب علمی کنترل و پردازش هوشمند، دانشکده مهندسی برق و کامپیوتر، دانشگ

مجید نیلی احمدآبادی

قطب علمی کنترل و پردازش هوشمند، دانشکده مهندسی برق و کامپیوتر، دانشگ

کارو لوکس

قطب علمی کنترل و پردازش هوشمند، دانشکده مهندسی برق و کامپیوتر، دانشگ

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • G. Shafer, A rathematical theory of evidence. Princeton University Press, ...
  • P. Smets, Belief functions. in Smets Ph, Mamdani A., Dubois ...
  • Ph. Smets, ،Data fusion in the transferable belief model, ' ...
  • G. Rogova, and V. Nimier, *Reliability in information fusion: Literature ...
  • Z. Elouedi, K. Mellouli, and Philippe Smets, *Assessing Sensor reliability ...
  • A. P. Dempster, *Upper and lower probabilities induced by a ...
  • Ph. Smets, and R. Kennes, _ transferable belief model, ' ...
  • Ph. Smets, ، Belief functions: the disjunctive rule of combination ...
  • Ph. Smets, *Analyzing the combination of conflicting belief functions, }' ...
  • Ph. Smets, ، Decision making in the TBM: the necessity ...
  • V. Nimier, *Supervised multisensor tracking algorithm by context analysis, ? ...
  • V. Nimier, ;Introducing contextual information in multisensor tracking algorithms, ' ...
  • D. E. Goldberg, Genetic algorithms in search, optimization and machine ...
  • D. B. Fogel, Evolutionary Computation, Toward a New Philosophy of ...
  • T. Mitchell, Machine Learning. McGraw-Hill, New York, 1997. ...
  • S. Baluja, *Population based incremental learning: A method for integrating ...
  • S. Baluja, and R. Caruana, *Removing the genetics from the ...
  • S. Baluja, ،An empirical comparison of seven iterative and evolutionary ...
  • T. Kohonen, Self- Organizing and Associate Memory (3rd ed.). Springer ...
  • I. Server, L. Trave- Massuyes, and D. Stern, *Telephone Network ...
  • M. Sebag, and A. Ducoul ombier, *Extending population- based incremental ...
  • T. Denoeux, _ k-nearest neighbor classification rule based On Demp ...
  • نمایش کامل مراجع