آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion

آموزش در دست انتشار مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion

 

افزایش درجه اطمینان، کاهش نوفه، کاهش شدید نرخ داده های غیر مطمئن و مواردی بسیاری ازین دست از مزیت های مهم و تأثیرگذار استفاده از سامانه تلفیق داده در تمامی کاربردهای یاد شده آن است. بنابراین استفاده از روش تلفیق داده ها یکی از ضروریات بسیار مهم در افزایش قابلیت اطمینان در کاربردهای مختلف آن از تصمیمات مدیریتی گرفته تا پایش وضعیت و عیب یابی است. در واقع در آینده و با پیچیده تر شدن سامانه های مختلف (اعم از مکانیکی، نظامی، رباتیک و غیره) چاره ای جز استفاده از چند حسگر و تلفیق داده های آن ها با یکدیگر وجود ندارد.

آموزش در دست انتشار مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion

 

با پیشرفت چشمگیر هوش مصنوعی در دهه های اخیر، مسئله امکان سنجی تلفیق داده های حاصل از چند حسگر مطرح شد. مفهوم و ایده تلفیق داده های چند حسگر، در عرصه تئوری محض مفهومی چندان نوین نیست و سابقه آن به دهه های ۶۰ میلادی و حتی پیش از آن بر می گردد. این ایده نیز به مانند سایر روش های هوش مصنوعی از عملکرد مغز انسان الهام گرفته شده است. چرا که مغز داده های حسگرهای زیستی انسان مانند چشم و گوش را دریافت و سیگنال های ورودی مانند صدا، نور، حرارت و مانند آن ها را به منظور دقیق ترین برآورد از محیط با یکدیگر تلفیق می نماید. تلفیق داده های صدا و تصویر هنگام تماشای تلویزیون توسط مغز یکی از بهترین مثال ها در این زمینه است؛ اما تا بنا نهادن چارچوب های عملی و روش های ریاضیاتی برای اجرایی شدن این مهم بیش از بیست سال زمان مورد نیاز بود.

در سال ۱۹۸۴ یک چارچوب کلی برای تلفیق داده‌ها در آمریکا تعریف و به چاپ رسید. در سال های پس از آن نیز کنفرانس ها فراوانی برگزار و کتاب های متعددی به چاپ رسید که اهمیت بیش از پیش آن را برای محافل اکادمیک روشن ساخت و صنایع بزرگ را با کاربردها و مزیت های آن آشنا نمود. در این سال ها واژه تلفیق داده» برای بسیاری از دانشمندان واژه چندان آشنایی نبود؛ اما در سال های اخیر مسئله تلفیق داده های حاصل از چند حسگر به شدت مورد توجه قرار گرفته است.

امروزه تلفیق داده در تمامی زمینه های دانش کاربردهای وسیعی پیدا کرده است، به نحوی که آن را تبدیل به جزئی جدایی ناپذیر از صنعت و دانش حال و آینده نموده است. از کاربردهای حیاتی آن در صنایع نظامی می توان به هدایت ادوات نظامی به صورت خودکار، مدیریت میدان جنگ، تخمین محل اصابت موشک ها و مانند آن اشاره نمود. همچنین از کاربردهای غیر نظامی آن می توان به تست های غیر مخرب، عیب یابی و پایش وضعیت، رباتیک، علوم جغرافی و اقتصاد اشاره نمود.

به زبان ساده، روش تلفیق داده ها به ترکیب داده های حاصل از حسگرهای مختلف برای پیش بینی دقیق تر خواص و حالات یک سیستم می پردازد. این تکنیک به ترکیب داده های جمع آوری شده از منابع مختلف پرداخته و با ربط دادن اطلاعات حاصل شده به شرایط سامانه مورد تحلیل، به سمت بهترین تصمیم گیری حرکت می کند. هدف این روش ایجاد یک مدل پیشرفته و پیشگو از یک سیستم بر اساس داده های به دست آمده از تعدادی حسگر مستقل است. چرا که از منظر علمی به اثبات رسیده است که استفاده از تعداد بیشتر حسگر، احتمال تمامی خطاها از جمله خطای تصادفی، خطای ابزار، خطای تحلیل و غیره را به شدت کاهش می دهد. همچنین استفاده از راهبرد تلفیق داده چند حسگری می تواند باعث افزایش پایداری عملکرد سامانه شود، چرا که هر حسگر می تواند لااقل اطلاعات خود را در اختیار کاربر قرار دهد، حتی اگر دیگر حسگرها خراب یا در دسترس نباشند.

افزایش درجه اطمینان، کاهش نوفه، کاهش شدید نرخ داده های غیر مطمئن و مواردی بسیاری ازین دست از مزیت های مهم و تأثیرگذار استفاده از سامانه تلفیق داده در تمامی کاربردهای یاد شده آن است.

بنابراین استفاده از روش تلفیق داده ها یکی از ضروریات بسیار مهم در افزایش قابلیت اطمینان در کاربردهای مختلف آن از تصمیمات مدیریتی گرفته تا پایش وضعیت و عیب یابی است. در واقع در آینده و با پیچیده تر شدن سامانه های مختلف (اعم از مکانیکی، نظامی، رباتیک و غیره) چاره ای جز استفاده از چند حسگر و تلفیق داده های آن ها با یکدیگر وجود ندارد.

استفاده از راهبرد تلفیق داده در مراکز آموزشی و پژوهشی و نیز صنایع ایران بسیار نوپا اما رو به رشد است. این راهبرد در آینده بسیار مورد توجه پژوهشگران و دانشجویان و کاربران صنایع قرار خواهد گرفت، همان‌گونه که در دنیای امروز بسیار مورد توجه است و کاربردهای آن نیز دائماً رو به رشد هستند.

 

آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion — کلیک کنید (+)

 

موارد مطرح شده در این آموزش:

  • مقدمه، ضرورت ها و اهداف
    • قابلیت اطمینان و تصمیم گیری
    • انواع خطا و تاثیر آن بر تصمیم گیری ها
    • چرا تلفیق داده؟ (ضرورت استفاده از راهبرد تلفیق داده)
    • اهداف استفاده از روش تلفیق داده
  • مفاهیم پایه ای، معرفی انواع روش ها
    • تعریف قابلیت اطمینان و تصمیم گیری
    • تعریف تئوری تلفیق داده
    • تعریف سطوح مختلف داده ها
    • تعریف سطوح تلفیق داده بر اساس سطوح داده ها
    • معرفی تلفیق داده در سطح داده­ های خام
    • معرفی تلفیق داده در سطح داده کاوی
    • معرفی تلفیق داده در سطح تصمیم ­گیری
    • چند مثال از کاربردهای روش تلفیق داده در سطوح مختلف
  • تلفیق داده در سطح داده
    • معرفی معادلات و قوانین روش تلفیق میانگینی
    • معرفی معادلات و قوانین روش تلفیق با میانگین وزنی
    • معرفی فیلتر کالمن
    • پارامترهای مهم در روش فیلتر کالمن
    • تشریح معادلات و قوانین حاکم بر روش فیلتر کالمن
  • تلفیق داده در سطح ویژگی
    • تعریف شهودی و علمی داده کاوی
    • کاربرد توابع ویژگی در داده کاوی
    • در تلفیق داده، منظور از یک ویژگی چیست؟
    • معرفی برخی ویژگی های مهم
    • مزایای تلفیق داده در سطح ویژگی
    • تلفیق ویژگی بر اساس استخراج ویژگی
    • تلفیق ویژگی بر اساس انتخاب ویژگی
    • روش ارزیابی توسعه­ای در تلفیق ویژگی­ها
  • تلفیق ویژگی در سطح تصمیم
    • تعریف تصمیم و سطح تصمیم در راهبرد تلفیق داده
    • معرفی انواع تصمیم گیرنده ها
    • روش­های تلفیق در سطح تصمیم:
    •  انتخاب بهترین تصمیم گیر
      •  تلفیق یک مشاهده ای و چند تصمیم گیرنده
      •  تلفیق چند مشاهده ای و یک تصمیم گیرنده
      •  تلفیق چند مشاهده ای و چند تصمیم گیرنده
  • نظریه تلفیق شواهد دمپستر-شافر:
    •  مفاهیم پایه ای
    •  تابع اساسی جرم
    •  توابع مقبولیت و اعتماد
    •  قوانین ترکیب در نظریه شواهد دمپستر-شافر
    • احتمال بروز تضاد در میان شواهد
    • چالش پروفسور لطفی زاده در مقابل نظریه شواهد
    • نظریه یاگر (نظریه شواهد ارتقا یافته)
  • کار با نرم افزار و حل مثال های واقعی
    • داده های صدا و ارتعاش یک گیربکش سیاره ای:
      •  تلفیق داده­های ارتعاش- ارتعاش با روش میانگین گیری
      •  تلفیق داده­های صدا با صدا با روش میانگین گیری
      •  تلفیق داده ها با استفاده از فیلتر کالمن
      •  تلفیق ویژگی با استفاده از روش ارزیابی توسعه ای
      •  تلفیق استخراجی ویژگی­ها
      •  تلفیق طبقه­بندها با استفاده از نظریه شواهد ساده و ارتقا یافته
      •  تلفیق چند حسگری با استفاده از نظریه شواهد ساده و ارتقا یافته
      •  تلفیق چندحسگری و چند تصمیمی با استفاده از نظریه شواهد ساده و ارتقا یافته
  • حل یک مثال از بروز تضاد بین شواهد در تخمین وضعیت سلامت یک الکتروموتور
  • تلفیق تصاویر (Image Fusion) در سطوح مختلف تلفیق داده

 

با توجه به نیاز مخاطب، آشنایی مقدماتی با مفاهیم زیر لازم است:

  • داده کاوی
  • هوش مصنوعی
  • انواع حسگرها و داده ها
  • پردازش سیگنال (برای اهداف پژوهشی و دانشگاهی)
  • تصمیم گیری دانش بنیان (منطق فازی و منطق کلاسیک)
  • مفاهیم آمار

 

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *