جستجوی مقالات مرتبط با کلیدواژه "شبکه بیزین" در نشریات گروه "برق"
تکرار جستجوی کلیدواژه «شبکه بیزین» در نشریات گروه «فنی و مهندسی»جستجوی شبکه بیزین در مقالات مجلات علمی
-
Opponent modeling is a key challenge in Real-Time Strategy (RTS) games as the environment is adversarial in these games, and the player cannot predict the future actions of her opponent. Additionally, the environment is partially observable due to the fog of war. In this paper, we propose an opponent model which is robust to the observation noise existing due to the fog of war. In order to cope with the uncertainty existing in these games, we design a Bayesian network whose parameters are learned from an unlabeled game-logs dataset; so it does not require a human expert’s knowledge. We evaluate our model on StarCraft which is considered as a unified test-bed in this domain. The model is compared with that proposed by Synnaeve and Bessiere. Experimental results on recorded games of human players show that the proposed model can predict the opponent’s future decisions more effectively. Using this model, it is possible to create an adaptive game intelligence algorithm applicable to RTS games, where the concept of build order (the order of building construction) exists.Keywords: Bayesian Network, Opponent modeling, Real-Time Strategy games, StarCraft
-
هدف مهم در سطوح بالای تلفیق داده، درک عناصر محیط، شناخت موقعیت فعلی و پیشبینی وضعیت در آیندهای نزدیک میباشد، از طرفی وجود مساله عدم قطعیت در این سطوح اجتنابناپذیر است. بنابراین نیاز است تا سیستمهای تلفیق داده مجهز به تکنیکهایی برای مدیریت عدم قطعیت باشند. شبکههای بیزین بهطور گسترده برای بیان احتمالاتی دانش همراه با عدم قطعیت، در زمینههای مختلف بهکار گرفته میشود. در این مقاله چگونگی بکارگیری شبکههای بیزین، برای مدیریت عدم قطعیت در سیستمهای تلفیق داده، بررسی میشود. البته در سیستمهایی مانند سیستمهای کنترل و فرماندهی، به دلیل موجودیتهای گوناگون و همچنین روابط و الگوهای پیچیدهی بین آنها، شبکههای بیزین چند موجودیتی کاربرد بیشتری دارد زیرا شبکه بیزین چند موجودیتی، قدرت شبکه بیزین در مدلسازی عدم قطعیت را با قدرت بیان در منطق مرتبه اول، ترکیب میکند و از قابلیتهای بیشتری برای مواجهه با مساله عدم قطعیت برخوردار میشود. برای توضیح بیشتر یک مطالعه موردی با سناریوی نظامی همراه با جزییات و مراحل مختلف شامل تعریف توزیع احتمال توام برای شواهد و فرضیهها، ساخت شبکه بیزین، کامپایل و بکارگیری آن، شرح داده خواهد شد.کلید واژگان: تلفیق داده, شبکه بیزین, شبکه بیزین چند موجودیتی, عدم قطعیتJournal of Command and Control Communications Computer Intelligence, Volume:2 Issue: 2, 2018, PP 19 -31The goal of high-level data fusion is the perception of the elements in the environment, the comprehension of their meaning, and the projection of future status before decision making. There are many kinds of uncertainty involved in data fusion systems. Consequently, it is important to have consistent and principled techniques to manage uncertainty. Bayesian Networks (BNs) have been successfully applied to create probabilistic representations of uncertain knowledge in diverse fields. Moreover, Multi Entity Bayesian Networks (MEBNs) extend the propositional expressiveness of BNs to achieve the representational power of first-order logic. In this paper the use of MEBN for handling uncertainty in high-level data fusion is examined, and further explanations are mentioned through a case study on fusing reports from various sources to identify type of military vehicle.Keywords: Data Fusion, Bayesian Network, Multi Entity Bayesian Network, Uncertainty
-
نظارت بر تغییرات حالت هیجانی می تواند در مراقبت های بهداشتی و درمانی و تحقیقات بالینی مفید واقع شود. حالت های هیجانی مختلف باعث ایجاد الگوهای متفاوت در سیگنال های فیزیولوژیک می شوند. در نتیجه می توان از این سیگنال ها برای بازشناسی حالت های هیجانی استفاده کرد. در این تحقیق با استفاده از قطعات فیلم استاندارد، هیجان های شادی، خشم، ناراحتی و آرامش مطابق با چهار ربع فضای برانگیختگی و جاذبه بر روی 24 داوطلب سالم ایجاد می شوند. به صورت همزمان سیگنال های فعالیت الکتریکی قلب، فعالیت الکتریکی ماهیچه، تنفسی و رسانایی پوست، ثبت می شوند. پس از پیش پردازش های لازم شامل قطعه بندی، هموارسازی، هنجارسازی، حذف نویز و درست نماها و حذف رانش خط پایه، ویژگی های متنوع در حوزه زمان و فرکانس از سیگنال ها استخراج می شود. روش های مختلف استخراج و انتخاب ویژگی برای استخراج و انتخاب مجموعه مناسبی از ویژگی ها مورد مقایسه قرار گرفته اند. در ادامه از چند طبقه بندی کننده متفاوت برای تشخیص حالت های هیجانی از روی مجموعه ویژگی های بهینه استفاده شده است. در نهایت کارایی سیگنال ها در تشخیص هیجان ها به صورت کیفی و کمی با یکدیگر مقایسه شده است. نتایج، نشان دهنده کارایی متفاوت هر نوع از سیگنال ها در تشخیص هیجان های مشخص است. همچنین نتایج نشان می دهند که طبقه بندی کننده منتخب با استفاده از مجموعه مناسبی از ویژگی های منتخب قادر است در بیشتر از 70% موارد حالت هیجانی را به طور صحیح تشخیص دهد.
کلید واژگان: تشخیص حالتهای هیجانی, پردازش سیگنالهای فیزیولوژیک, تحلیل واریانس, جداکننده خطی فیشر, شبکه عصبی پرسپترون, ماشین بردار پشتیبان, درخت تصمیم, شبکه بیزین -
تخلیه جزئی مهم ترین عامل تخریب عایق در ترانسفورماتور قدرت که یکی از مهم ترین اجزای سیستم های قدرت می باشد، شناخته می شود. بنابراین روش های با سرعت و دقت بالا در مکان یابی منشا تخلیه جزئی دارای اهمیت خاصی برای نگهداری و تعمیر ترانسفورماتورها می باشد. در این مقاله دو روش نوین مبتنی بر شبکه های عصبی برای تشخیص مکان تخلیه جزئی در سیم پیچ ترانسفورماتورها ارائه شده است. جهت شبیه سازی ترانسفوماتور از مدل مشروح و شبیه سازی پدیده تخلیه جزئی در عایق بین حلقه ها از مدل سه خازنی بهره گرفته شده و این پدیده در مکان های مختلف سیم پیچ ترانسفورماتور به کمک نرم افزار EMPT شبیه سازی شده است. سپس آزمون ضربه به ترمینال ترانسفورماتور اعمال گردیده و سپس جریان ایجاد شده در نقطه نول اندازه گیری شده و جهت آموزش و آزمون شبکه های عصبی از آن ها استفاده شده است. جهت نزدیک تر کردن شرایط شبیه سازی به شرایط واقعی به دلیل وجود نویز در شرایط عملی، نویزهای مختلفی بر روی شکل موج های شبیه سازی شده اضافه شده است. سپس عملکرد شبکه های عصبی مورد استفاده در این مقاله شامل Fuzzy ATRmap و Bayesian جهت تشخیص صحیح مکان تخلیه جزئی با وجود نویز با یکدیگر مقایسه شده است.
کلید واژگان: تخلیه جزئی, ترانسفورماتور, شبکه بیزین, شبکه عصبی FAM, مدل مشروحPartial discharge is a main source of insulation degradation in power transformers. Therefore accurately locating of partial discharge sources in transformers as the main equipment in power system is needed. This paper proposed two novel methods based on artificial neural networks for partial discharge localization in the power transformers. For this purpose detailed model of transformer and three capacitor model of partial discharge is used. Then impulse test is applied to transformer terminals and current in neutral point is measured for training and test of artificial neural networks. As actual current signals include noise components، the noisy component is added to measured current signals and performance of proposed neural networks for partial discharge localization is shown and results are compared.Keywords: Partial Discharge, Transformer, Bayesian Network, Fuzzy ARTmap Neural Network, Detailed Model -
در این مقاله یک ساختار جدید بر پایه شبکه بیزین برای بهبود رفتارروبات سیار دارای خطا در سنسورهای آن ارائه میشود. اگر یک روبات بخواهد رفتار مشخصی را در محیط دنبال کند، باید توانایی ساخت محیط و استنباط از آن بر پایه دانش اولیه و چگونگی تاثیر عکس العمل خود بر محیط در طول زمان، برای رسیدن به مقصد را داشته باشد. مدلهای قدیمی برای یادگیری این دانش، مخصوصا در زمانی که محیط دینامیک و سنسورها با عدم قطعیت همراه هستند، اغلب کاملا پیچیده میباشند. در این مقاله یک ساختار جدید بر مبنای شبکه بیزین برای یادگیری دانش در رفتار روبات در هنگام خرابی سنسورهای آن ارائه شده است. در این مقاله به عنوان یک مساله، رفتار عبور از درب یک روبات سیار بدون برخورد با دیوارهای اطراف آن شرح داده میشود. در این مساله از کمربندی از سنسورهای آلتراسونیک به عنوان گیرنده اطلاعات از محیط استفاده شده است. نتایج شبیه سازی استفاده از شبکه بیزین را دریادگیری رفتار روبات دارای خطا، بسیار موثر نشان میدهد.
کلید واژگان: روبات, شبکه بیزین, شبکه بیزین پویا, یادگیری, رفتار, خطاJournal of Iranian Association of Electrical and Electronics Engineers, Volume:8 Issue: 1, 2011, P 1In this paper a new structure based on Bayesian networks is presented to improve mobile robot behavior, in which there exist faulty robot sensors. If a robot likes to follow certain behavior in the environment to reach its goal, it must be capable of making inference and mapping based on prior knowledge and also should be capable of understanding its reactions on the environment over time. Old learning models for knowledge learning, especially on dynamic environment, are quite complex and have uncertainty in sensors. In this paper a new structure based on Bayesian network is presented for knowledge learning on robot behavior when the malfunction sensors exist. In this paper successful door crossing behavior is explained. In this issue the belt of ultrasonic sensors is used to receive environment information. Simulation results show that using the Bayesian network is very effective in robot behavior with faulty sensors.
نکته
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.