×
۴۸,۰۰۰ تومان ۲۸,۸۰۰ تومان

آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion

آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion

تعداد دانشجو
۷۷۳ نفر
مدت زمان
۸ ساعت و ۲۵ دقیقه
هزینه عادی آموزش
۴۸,۰۰۰ تومان
در طرح تخفیف
۲۸,۸۰۰ تومان (کسب اطلاعات بیشتر +)
محتوای این آموزش
تضمین کیفیت
۳ بازخورد (مشاهده نظرات)
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion

افزایش درجه اطمینان، کاهش نوفه، کاهش شدید نرخ داده های غیر مطمئن و مواردی بسیاری از این دست از مزیت های مهم و تاثیرگذار 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 مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion

مدت زمان
۸ ساعت و ۲۵ دقیقه
هزینه عادی آموزش
۴۸,۰۰۰ تومان
در طرح تخفیف
۲۸,۸۰۰ تومان

(کسب اطلاعات بیشتر +)
محتوای این آموزش
۳ بازخورد (مشاهده نظرات)
مدرس
دکتر مقداد خزایی

دکتری تخصصی مکانیک ماشین های کشاورزی

دکتر مقداد خزایی، فارغ التحصیل دکترای مکانیک ماشین های کشاورزی در دانشگاه تربیت مدرس هستند. ایشان در شرکت تحقیق، طراحی و تولید موتور ایران خودرو فعالیت دارند.

توضیحات تکمیلی

با پیشرفت چشمگیر هوش مصنوعی در دهه های اخیر، مساله 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.

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 های فراوانی برگزار و کتاب های متعددی به چاپ رسید که اهمیت بیش از پیش آن را برای محافل آکادمیک 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 مساله 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.

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 تاثیرگذار 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، همان‌ گونه که در دنیای امروز بسیار مورد توجه است و کاربردهای آن نیز دائما رو به رشد هستند.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
  • 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 (Kalman filter)
    • 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 توسعه­ ای در تلفیق ویژگی­ ها
  • تلفیق ویژگی در سطح تصمیم
    • تعریف تصمیم و سطح تصمیم در راهبرد تلفیق داده
    • معرفی انواع تصمیم گیرنده ها
    • روش­ های 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 (Dempster Shafer)
    • 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 (Yager) (نظریه شواهد ارتقا یافته)
  • کار با نرم افزار و حل مثال های واقعی
    • داده های صدا و ارتعاش یک گیربکش سیاره ای:
      • تلفیق داده­ های ارتعاش- ارتعاش با روش میانگین گیری
      • تلفیق داده­ های 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 ویژگی­ ها
      • تلفیق طبقه­ بندها 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

پیش نیاز

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

آنچه در این آموزش خواهید دید:

آموزش ویدئویی مورد تائید فرادرس
فایل برنامه ها و پروژه های اجرا شده
فایل PDF یادداشت‌ های ارائه مدرس

نرم افزارهای مرتبط با آموزش

MATLAB R2015a




پیش نمایش‌ها

۱. مقدمه ای بر تلفیق داده

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۴۸ مگابایت -- (کلیک کنید +))

۲. تلفیق داده در سطح سیگنال

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۱۳ مگابایت -- (کلیک کنید +))

۳. تلفیق داده در سطح ویژگی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۴. تئوری تلفیق داده در سطح تصمیم گیری
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۵. کاربرد عملی تلفیق داده سطح تصمیم گیری
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
این آموزش شامل ۵ جلسه ویدئویی با مجموع ۸ ساعت و ۲۵ دقیقه است.
با تهیه این آموزش، می‌توانید به همه بخش‌ها و جلسات آن، دسترسی داشته باشید.

راهنمای سفارش آموزش‌ها

آیا می دانید که تهیه یک آموزش از فرادرس و شروع یادگیری چقدر ساده است؟

(راهنمایی بیشتر +)

در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟
  • با شماره تلفن واحد مخاطبین ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
  • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه


اطلاعات تکمیلی

نام آموزش آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion
ناشر فرادرس
شناسه اثر ۸–۱۲۴۵۲–۰۵۰۴۷۵ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
کد آموزش FVDM9405
مدت زمان ۸ ساعت و ۲۵ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (نمایش آنلاین + دانلود)
حجم دانلود ۶۷۶ مگابایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس)


تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ می‌شود.
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می‌شود.





نظرات

تا کنون ۷۷۳ نفر از این آموزش استفاده کرده اند و ۳ نظر ثبت شده است.
محمد
محمد

مدرس فوق العاده مسلطه می تونم به جرات بگم سر درس های ایشون آرومم و مطمئنم که موردی نیست که ایشون نگن.

محمد
محمد

از لحاظ مباحث غیر عددی و توضیحی خوب یود مخصوصا برای کسایی که زیاد هنوز وارد این حوزه نشدن. ولی من انتظارم این بود که ریز به ریز به مسایل با حل مثال عددی پرداخته بشه که بتونیم تو کار ازش بهره ببریم.

علی
علی

سلام به فرادرسی های عزیز. ممنون بابت آموزش های کاربردیتون. این آموزش هم مثل آموزش های دیگه عالی بود.

دسته‌بندی موضوعی: داده کاوی | یادگیری ماشین
برچسب‌ها:
Data Fusion | Image Fusion | احتمال بروز تضاد در میان شواهد | ارتعاش یک گیربکس سیاره ای | ارتعاش یک گیربکش سیاره ای | ارزیابی توسعه ای | الکتروموتور | انتخاب بهترین تصمیم گیر | انتخاب ویژگی | انواع تصمیم گیرنده ها | اهداف استفاده از روش تلفیق داده | پارامترهای روش فیلتر کالمن | پردازش سیگنال | تئوری تلفیق | تئوری تلفیق داده | تابع اساسی جرم | تخمین وضعیت سلامت یک الکتروموتور | ترکیب در نظریه شواهد دمپستر-شافر | تصمیم | تصمیم گیری دانش بنیان | تصمیم و سطح تصمیم در راهبرد تلفیق داده | تعریف شهودی داده کاوی | تعریف شهودی و علمی داده کاوی | تعریف عملی داده کاوی | تعریف قابلیت اطمینان و تصمیم گیری | تلفیق استخراجی ویژگی ها | تلفیق تصاویر | تلفیق تصاویر Image Fusion | تلفیق تصاویرImage Fusion در سطوح مختلف تلفیق داده | تلفیق چند حسگری | تلفیق چند حسگری با استفاده از نظریه شواهد ساده و ارتقا یافته | تلفیق چند مشاهده ای و چند تصمیم گیرنده | تلفیق چند مشاهده ای و یک تصمیم گیرنده | تلفیق چندحسگری | تلفیق چندحسگری و چند تصمیمی | تلفیق چندحسگری و چند تصمیمی با استفاده از نظریه شواهد ساده و ارتقا یافته | تلفیق داده | تلفیق داده در سطح تصمیم گیری | تلفیق داده در سطح داده | تلفیق داده در سطح داده خام | تلفیق داده در سطح داده کاوی | تلفیق داده در سطح ویژگی | تلفیق داده ها با استفاده از فیلتر کالمن | تلفیق داده های ارتعاش با روش میانگین گیری | تلفیق داده های صدا با صدا با روش میانگین گیری | تلفیق شواهد | تلفیق طبقه بندها | تلفیق طبقه بندها با استفاده از نظریه شواهد ساده و ارتقا یافته | تلفیق ویژگی با استفاده از روش ارزیابی توسعه ای | تلفیق ویژگی بر اساس استخراج ویژگی | تلفیق ویژگی بر اساس انتخاب ویژگی | تلفیق ویژگی در سطح تصمیم | تلفیق یک مشاهده ای و چند تصمیم گیرنده | توابع مقبولیت و اعتماد | توابع ویژگی | چند تصمیمی | حسگرها | داده های صدا | داده های صدا و ارتعاش یک گیربکس سیاره ای | داده های صدا و ارتعاش یک گیربکش سیاره ای | در تلفیق داده، منظور از یک ویژگی چیست؟ | دمپستر شافر | روش ارزیابی توسعه ای | روش ارزیابی توسعه ای در تلفیق ویژگی ها | روش تلفیق با میانگین وزنی | روش تلفیق داده در سطوح مختلف | روش های تلفیق داده | روش های تلفیق در سطح تصمیم | سطح تصمیم | سطح ویژگی | سطوح تلفیق داده بر اساس سطوح داده ها | سطوح مختلف داده ها | ضرورت استفاده از راهبرد تلفیق داده | فیلتر کالمن | قابلیت اطمینان | قابلیت تصمیم گیری | قوانین روش تلفیق میانگینی | کاربرد توابع ویژگی در داده کاوی | کاربردهای تلفیق داده | کاربردهای راهبرد تلفیق داده | کالمن | مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion | مزایای تلفیق داده در سطح ویژگی | معادلات روش تلفیق میانگینی | معادلات و قوانین حاکم بر روش فیلتر کالمن | معادلات و قوانین روش تلفیق با میانگین وزنی | معادلات و قوانین روش تلفیق میانگینی | معرفی ویژگی های مهم | معرفی ویژگی های مهم تلفیق داده | منطق فازی | منطق کلاسیک | منظور از یک ویژگی چیست؟ | میانگین وزنی | نظریه تلفیق شواهد دمپستر-شافر: | نظریه دکتر لطفی زاده | نظریه شواهد | نظریه شواهد ارتقا یافته | نظریه شواهد ساده | نظریه شواهد ساده و ارتقا یافته | نظریه یاگر | هوش مصنوعی
مشاهده بیشتر مشاهده کمتر

×
فهرست جلسات ۵ جلسه ویدئویی