Decision-Aware Approximation of Belief Functions for Evidential Combinatorial Optimization
Univ. Artois(阿图瓦大学);UR 3926(UR 3926机构);Laboratoire de Génie Informatique et d’Automatique de l’Artois (LGI2A)(阿图瓦计算机与自动化实验室(LGI2A))
针对为带证据成本的线性组合优化提供输入的质量函数,提出决策感知近似方法,其决策时的决策翻转频率低于传统表示感知压缩。
2026-08-12 cs.AI math.OC
Representing Heuristic Knowledge in D-S Theory
Univ. of Edinburgh(爱丁堡大学);Univ. of Ulster at Jordanstown(阿尔斯特大学乔丹敦分校)
Dempster-Shafer证据理论已被广泛用于处理基于知识的系统中的不确定性。然而,证据和假设组(启发式知识)之间的不确定关系的表示仍然是一个主要的研究问题。本文提出了一种方法来表示这种启发式知识的证据映射的质量函数的基础上定义的。讨论了贝叶斯理论中证据映射与多值映射、证据映射与贝叶斯多值因果链模型的关系。在此之后,详细的程序构造证据映射的任何一组启发式规则的介绍。几种情况下的信念传播进行了讨论。
2013-03-13 cs.AI
A Belief-Function Based Decision Support System
Universite libre de Bruxelles(布鲁塞尔自由大学);University of Kansas(堪萨斯大学)
在本文中,我们提出了一个基于信念函数和pignistic转换的决策支持系统。该系统是一个集成的证据系统的信念函数传播和评估为基础的系统贝叶斯决策分析。这两个子系统是通过诗歌中的隐逸转换而联系在一起的。该系统将用户对某个情况的“直觉”作为输入,并建议要测试什么(如果有的话)以及以什么顺序进行测试,并且它通过用户友好的界面来这样做。
2013-03-06 cs.AI
Dempster-Shafer Belief Function - A New Interpretation
Polish Academy of Sciences(波兰科学院)
我们发展我们的解释的联合信念分布和证据更新,符合以下基本要求:* 在这个框架内必须有一种有效的推理方法 * 知识库的内容和现实世界之间必须有一个明确的对应关系 * 推理方法和一些现实世界的过程之间必须有一个明确的对应关系 * 在推理过程的结果和对应于推理过程的现实世界过程的结果之间必须存在清楚的对应关系。
2017-04-13 cs.AI
Maximizing positive opinion influence using an evidential approach
Université de Tunis(突尼斯大学);Université de Rennes 1(雷恩第一大学);Centre d’Etudes et de Recherche des Télécommunications(电信研究中心);Université de Carthage(迦太基大学)
在本文中,我们提出了一个新的数据为基础的模型,在线社交网络的影响力最大化。我们利用信度函数的理论来克服数据不完美的问题。此外,所提出的模型搜索,以检测影响者用户,采取了积极的意见,对产品,想法等,要传播。此外,我们提出了一些实验来显示我们的模型的性能。
2016-10-20 cs.AI cs.SI
Fusion of evidential CNN classifiers for image classification
Université de technologie de Compiègne(贡比涅技术大学);Institut universitaire de France(法国大学研究院)
提出了一种基于置信函数的卷积神经网络信息融合方法。在这种方法中,几个预先训练的基于DS的CNN架构从输入图像中提取特征,并将其转换为不同识别帧上的质量函数。然后,融合模块使用Dempster规则聚合这些质量函数。端到端的学习过程允许我们使用带有软标签的学习集来微调整体架构,这进一步提高了分类性能。使用三个基准数据库的实验证明了这种方法的有效性。
2021-08-23 cs.AI cs.CV
Inter Observer Variability Assessment through Ordered Weighted Belief Divergence Measure in MAGDM Application to the Ensemble Classifier Feature Fusion
Indian Institute of Technology Kharagpur(印度理工学院卡拉格普尔分校);School of Medical Science and Technology, Indian Institute of Technology Kharagpur(印度理工学院卡拉格普尔分校医学科学与技术学院)
针对现有多属性群决策方法忽略专家意见冲突的问题,提出一种结合基本概率赋值、有序加权信念似然度量与散度度量的证据MAGDM框架,并验证了其在视网膜疾病诊断的集成分类器特征融合中的应用价值。
2024-09-13 cs.AI cs.IT math.IT
Evidential relational clustering using medoids
Northwestern Polytechnical University(西北工业大学);University of Rennes 1(雷恩第一大学)
在实际的聚类应用中,接近度数据,其中只有成对的相似性或不相似性是已知的,是更一般的对象数据,其中每个模式是明确描述的属性列表。基于Medoid的聚类算法假设类的原型是对象,对于关系数据集的划分具有重要价值。本文提出了一种新的基于原型的聚类方法--证据C中心点(ECMdd),它是模糊C中心点(FCMDD)在信任函数理论框架上的扩展。在ECMdd中,medoids被用作原型来表示检测到的类,包括特定类和不精确类。特定类是用于那些明显远离其他类的原型的数据,而不精确类接受那些可能接近多个类的原型的对象。这种软决策机制可以使聚类结果更加谨慎,降低误分类率。合成和真实数据集的实验被用来说明ECMdd的性能。结果表明,ECMdd能很好地捕捉内部数据结构中的不确定性。此外,它是更强大的初始化相比,FCMDD。
2015-07-15 cs.AI
Evidential-EM Algorithm Applied to Progressively Censored Observations
Northwestern Polytechnical University(西北工业大学);IRISA(IRISA研究所);University of Rennes 1(雷恩第一大学)
证据EM(E2M)算法是计算有限混合模型下极大似然估计的一种有效方法,特别是当数据具有不确定性信息时。在本文中,我们提出了一个E2M方法在一个特殊的情况下的不完全数据,其中的信息损失是由于混合模型和截尾观测。先验不确定性信息用置信函数表示,而伪似然函数是基于不精确观测和先验知识推导的。然后引入E2M方法,使广义似然函数最大化,得到参数的最优估计。数值算例表明,该方法能有效地将不确定的先验信息与观测数据所传递的当前不精确知识相结合.
2015-01-07 cs.AI stat.ME
An evidential Markov decision making model
Northwestern Polytechnical University(西北工业大学)
确定性原理和全概率定律是经典概率论的基本定律。一个析取谬误导致了对这两个经典定律的违反。本文提出了一种基于Dempster-Shafer(D-S)证据理论和马尔可夫模型的证据马尔可夫(EM)决策模型来解决这个问题,并对真实的人类决策过程进行建模。在一个证据框架中,通过引入一个不确定状态来扩展状态,该状态代表决策者的犹豫。经典的马尔可夫模型不能产生析取效应,它假设决策必须在某一时刻是确定的。然而,在EM模型中,在做出最终决策之前,允许状态是不确定的。通过信念熵定义了一个额外的不确定度参数--邓熵,用于分配不确定状态的基本概率分配,这是预测析取效应的关键。通过一个经典的分类决策实验,验证了EM模型的有效性。与现有模型相比,该模型能较好地预测析取效应,且所需的自由参数较少。
2017-05-10 cs.AI math.DS math.PR
Learn to Accumulate Evidence from All Training Samples: Theory and Practice
Rochester Institute of Technology(罗切斯特理工学院)
针对证据深度学习因激活函数产生零证据区域导致性能不佳的问题,从理论分析出发提出一种新型正则化器,有效缓解了该局限并提升了模型预测性能。
2023-06-24 cs.AI cs.CV cs.LG
Soft-ECM: An extension of Evidential C-Means for complex data
Clermont Auvergne INP(克莱蒙奥弗涅国立应用科学学院);ENSM St Etienne(圣艾蒂安矿业学校);LIMOS(利摩日数学与应用系统实验室);Inria(法国国家信息与自动化研究所);UCBL(里昂克洛德·贝尔纳大学);HCL(里昂公立医院)
本文提出Soft-ECM算法,将证据C均值扩展至混合数据和时间序列等复杂数据,仅依赖半度量即可定位不精确簇质心,实验验证其在数值、混合及时间序列数据上的有效性。
2025-07-17 cs.AI cs.DM cs.LG
Distance Semantics for Belief Revision
一个庞大而有趣的家庭的自然语义信念修订的定义。假设给定任意两个模型之间的距离d。于是,我们可以把用公式a对一个理论K的修正定义为,用d最接近于K的模型集的a的所有模型的集合所定义的理论。这个家庭的特点是一套合理性假设,扩展了AGM假设。新的假设描述迭代修正的性质。
2002-02-18 cs.AI
Planning Graph Heuristics for Belief Space Search
Arizona State University(亚利桑那州立大学);NASA Ames Research Center(美国国家航空航天局艾姆斯研究中心)
最近的一些工作在条件规划提出了可达性算法,以提高规划的可扩展性,但许多缺乏一个正式的描述,其距离估计的属性。为了将以前的工作的背景下,并扩展工作的有条件的规划,我们提供了一个正式的信念状态之间的距离估计的基础。我们给出了一个信念状态之间的距离的定义,依赖于聚合底层状态距离的措施。我们给出了几种技术来聚合状态距离及其相关属性。许多现有的规划展示了一个子集的属性,但为了提供一个标准化的比较,我们提出了几个概括的规划图规划,在一个单一的计划。我们恭维我们的信念状态距离估计框架,也调查有效的规划图数据结构,将BDD计算最有效的算法。我们开发了两个规划器作为我们调查的试验台。第一个是CAlt Alt,它是一个使用A* 搜索的一致回归规划器。第二个是POND,是一个使用AO* 搜索的条件进度计划器。我们展示了我们的启发式技术在这些规划师的相对有效性。我们还比较了这些规划师的性能与几个国家的最先进的方法在条件规划。
2011-03-09 cs.AI
A Model of Multi-Agent Consensus for Vague and Uncertain Beliefs
University of Bristol(布里斯托大学)
研究了多智能体系统中智能体信念模糊和不确定的一致性形成问题。模糊由第三真值状态表示,其含义为\emph{borderline}。这与不确定性的概率模型相结合。然后,提出了一种信念组合算子,它利用边界真值,使代理与冲突的信念,以达成妥协。进行了一些模拟实验中,代理应用该操作员在成对的相互作用,有界的置信度限制下,两个代理的信念必须是足够一致的,才能达成协议。以及孤立地研究的共识运营商,我们也调查的情况下,代理人直接或间接地影响世界的状态。对于前者,我们进行模拟相结合的共识形成与信念更新的证据。对于后者,我们调查的影响,假设代理人的信念越接近真相,他们在共识建设过程中越明显。在所有情况下,应用共识算子会导致种群收敛到一个既清晰又确定的共享信念。此外,将共识形成与证据更新相结合的模拟更快地收敛到一个更接近世界实际状态的共同观点,而不是那些只因为直接接收新证据而改变信念的模拟。最后,如果智能体的相互作用是由信仰质量的相似性来衡量的真实世界的状态,然后单独应用的共识运营商的结果在人口收敛到一个高质量的共享信念。
2018-01-12 cs.AI cs.MA
Ranking basic belief assignments in decision making under uncertain environment
Southwest University(西南大学);Guangdong University of Foreign Studies(广东外语外贸大学);The Hong Kong Polytechnic University(香港理工大学);Vanderbilt University(范德堡大学)
Dempster-Shafer理论(D-S理论)在不确定环境下的决策中有着广泛的应用。基本信念分配(BBAs)的排名现在是一个悬而未决的问题。现有的证据距离措施不能排名的BBA的情况下,命题有自己的排名顺序或其固有的接近程度。为了解决这个问题,提出了一种新的排名证据距离(RED)的措施。与已有的Jousselme距离和投注承诺之间的距离等证据距离测度相比,RED测度考虑了系统中命题的顺序,具有更广泛的适用性.如果命题中没有顺序或没有内在的贴近度度量,我们提出的RED度量被减少到现有的证据距离。数值算例表明,在不确定环境下的决策中,RED测度是一种有效的BBA排序方法。
2013-10-28 cs.AI
Visions of a generalized probability theory
在这本书中,我们认为,计算机视觉和信念演算的富有成效的相互作用能够刺激这两个领域的重大进展。从方法论的角度来看,新的理论成果的几何和代数性质的信念函数的数学对象的说明和讨论在第二部分,重点放在两个角度的“几何方法”的不确定性和代数解决方案的问题相冲突的证据。在第三部分中,我们将展示这些理论的发展是如何从重要的计算机视觉问题(如铰接对象跟踪,数据关联和对象姿态估计),反过来,证据形式主义是能够提供有趣的新的解决方案。最后,采取了一些初步的步骤,对总概率的概念,信念函数的泛化,在赋予证据理论的角度与一个完整的电池的估计和推理工具,以造福于所有的科学家和从业者。
2018-10-18 cs.AI cs.CV math.PR
Distance function of D numbers
Southwest University(西南大学);Vanderbilt University(范德堡大学)
Dempster-Shafer理论因其表达不确定性信息的能力而被广泛应用于不确定性建模和知识推理中。两个基本概率分配(BPA)之间的距离表示基于Dempster-Shafer证据理论的识别算法的性能度量。然而,一些条件导致了Dempster-Shafer理论在实际应用中的局限性,如排他性假设和完备性约束。为了克服这些缺点,提出了一种新的理论称为D数理论。提出了一种D数的距离函数来度量两个D数之间的距离。D数的距离函数是两个BP算法之间距离的推广,继承了Dempster-Shafer理论的优点,增强了不确定性建模的能力。最后通过一个实例验证了该方法的有效性。
2014-04-13 cs.AI
Surprise Minimization Revision Operators
Institute for Logic, Language and Computation(逻辑、语言与计算研究所);The University of Amsterdam(阿姆斯特丹大学)
信念修正的主要方法是采用尽可能接近先前信念的新信念,即使在标准情况下,这个过程也可以被描述为试图最大限度地减少惊喜。在这里,我们扩展现有的模型,提出了一个措施的惊喜,被称为相对惊喜,惊喜的计算不仅与先前的信念,但也提供了更广泛的背景下,新的信息,使用的措施来自熟悉的真值分配之间的距离概念。我们的特点,从而定义使用一组直观的合理性假设的AGM模具的惊喜最小化修订运营商,沿途获得代表性的结果,其他现有的修订运营商在文献中,如Dalal运营商和最近推出的基于距离的最小-最大运营商。
2021-11-21 cs.AI
Belief-Rule-Based Expert Systems for Evaluation of E- Government: A Case Study
University of Chittagong(吉大港大学);Aalborg University(奥尔堡大学)
对电子政务项目在许多具体使用领域的影响和结果知之甚少。因此,有必要对电子政务系统的效率和效果进行评估。由于电子政务的发展是一个不断改进的过程,因此需要不断评价整个电子政务系统以及评价其各个方面,如决定因素、特点和结果。电子政务的发展往往是复杂的,涉及多个利益攸关方、庞大的用户基础和复杂的目标。因此,即使是专家也难以评价这些系统,特别是以综合和全面的方式以及在总体上评价这些系统。专家系统是一个候选的解决方案,以评估这种复杂的电子政务系统。然而,专家系统很难处理不确定的评估数据,这些数据是模糊的,不一致的,高度主观的或以其他方式具有挑战性的形式化。本文提出了一种处理电子政务评估中不确定性问题的方法:信度规则库(BRB)知识表示和证据推理(ES)相结合的方法。这种方法说明了一个具体的原型,被称为基于信念规则的专家系统(BRBES),并投入使用在孟加拉国的地方电子政务。结果已与最近开发的电子政务评估方法进行了比较,它表明,BRBES的结果更准确和可靠。BRBES可用于确定需要改进的因素,以实现电子政务项目的总体目标。此外,还可以生成各种“假设”场景,开发人员和管理人员可以预测结果。通过这种方式,该系统可以用于促进不确定性下的决策过程。
2015-03-09 cs.AI cs.CY
Impact of different belief facets on agents' decision -- a refined cognitive architecture to model the interaction between organisations' institutional characteristics and agents' behaviour
University of Otago(奥塔哥大学);Norwegian University of Science and Technology(挪威科技大学)
本文提出了一个概念上的细化代理认知架构的启发,从信念-欲望-意图(BDI)和计划行为理论(TPB)模型,强调不同的信念方面。这使我们能够调查人格的影响,以及代理人如何权衡其内部信念和社会制裁对代理人行为的影响。本研究还使用了与制度公平性相关的认知失调的概念来调查代理人的行为。为了展示我们的模型,我们模拟了两个历史上的长途贸易社会,即新朱尔法的亚美尼亚商人和英国东印度公司。研究结果表明,内部信念的代理人作为一个关键方面,以下制度规则的重要性。
2020-08-07 cs.AI
A total uncertainty measure for D numbers based on belief intervals
Northwestern Polytechnical University(西北工业大学)
D数理论作为Dempster-Shafer理论的推广,是不确定性推理的一个新的理论框架。测量由D数表示的知识或信息的不确定性是该理论中未解决的问题。受Dempster-Shafer理论中基于距离的不确定性测度的启发,提出了一种基于置信区间的D数的总体不确定性测度。建议的总不确定性措施,可以同时捕获的不和谐,非特异性,和非排他性的D数。给出了这种全不确定性测度的一些基本性质,包括值域、单调性、广义集相容性等。
2017-12-25 cs.AI
Contradiction measures and specificity degrees of basic belief assignments
University of New Mexico(新墨西哥大学);University of Rennes 1(雷恩第一大学);ENSTA Bretagne(布列塔尼国立高等先进技术学院)
在信度函数理论中,引入了许多不确定性的度量。然而,并不总是容易理解这些措施真正试图代表什么。本文重新解释了信度函数理论中的一些不确定性度量。我们提出了一些利益和现有的措施的缺点。在这些观察中,我们引入了一个矛盾的度量。因此,我们提出了一定程度的非特异性和贝叶斯的质量。我们提出了一个程度的特异性的基础上的质量和它的最具体的相关质量之间的距离。我们还展示了如何使用特异性的程度来衡量融合规则的特异性。文中给出了简单例子的说明。
2011-09-16 cs.AI
Consistent transformations of belief functions
Oxford Brookes University(牛津布鲁克斯大学)
一致性信念函数表示一致或非矛盾证据的集合,但它们大多是信念演算中一致性知识库的对应物。使用一致的转换cs[.]因此,在推理过程中保证一致性是可取的,并推广了经典逻辑中的类似技术。变换可以通过最小化原始置信函数和一致置信函数集合之间的适当距离度量来获得。我们在这里集中的情况下,距离测量使用经典的Lp规范,在“质量空间”和“信仰空间”表示的信仰功能。虽然质量一致近似将未聚焦在框架的选定元素上的质量重新分配给整个框架或平等地分配给元素的所有超集,但置信空间中的近似确实根据“聚焦一致变换”原理区分这些焦点元素。不同的近似解释和比较,与例子的帮助。
2014-07-30 cs.AI stat.ME
Contextual Preference Collaborative Measure Framework Based on Belief System
本文提出基于更新信念系统的偏好协同度量框架,通过规则集平均内部距离发现共同偏好并更新信念系统,利用信念度和偏差度筛选Top-K有趣规则,实验验证了所提IMCos和IMCov算法的准确性与效率。
2025-03-31 cs.AI cs.LG
Quantum dynamical mode (QDM): A possible extension of belief function
Southwest University(西南大学)
证据理论由于其在不需要先验信息的情况下对不确定性建模的灵活性和有效性,在各个领域得到了广泛的应用。此外,量子理论在解决决策问题,特别是在模拟人类决策和认知方面具有强大的能力。然而,以实数为模型的经典Dempster-Shafer证据理论不能直接与以复数为模型的量子理论相结合。那么,如何在经典证据理论和量子理论之间建立一座沟通的桥梁呢?为了回答这个问题,本文提出了一种推广的Dempster-Shafer证据理论。在这项研究中的主要贡献是,不同于现有的证据理论,在广义Dempster-Shafer证据理论中的质量函数是由一个复数建模,称为复杂的质量函数。此外,与经典的Dempster合成规则相比,广义Dempster合成规则取消了两个证据之间冲突系数K < 1的条件,因而比经典Dempster合成规则更具有一般性和适用性。当复质量函数从复数退化为实数时,在证据间冲突系数K小于1的条件下,广义Dempster合成规则退化为经典证据理论。数值例子说明了广义Dempster-Shafer证据理论的有效性。最后,将广义Dempster-Shafer证据理论与量子动力学模型相结合,实现了证据量子动力学模型的应用。实验结果验证了该方法的可行性和有效性。
2018-04-29 cs.AI cs.IT math.IT
A Distance Measure for Random Permutation Set: From the Layer-2 Belief Structure Perspective
Institute of Fundamental and Frontier Science(基础与前沿科学研究院);University of Electronic Science and Technology of China(电子科学与技术大学);Andalusian Research Institute in Data Science and Computational Intelligence(数据科学与计算智能安达卢西亚研究所);Dept. of Computer Science and AI, University of Granada(计算机科学与人工智能系,格拉纳达大学);School of Medicine(医学院);Vanderbilt University(范德比大学);Computer Science and Artificial Intelligence, University of Granada(计算机科学与人工智能,格拉纳达大学)
本文基于第二层信念结构视角,提出了一种基于累积Jaccard指数矩阵的随机置换集距离度量方法,克服了现有方法缺点,兼容Jousselme距离,并具备更高灵敏度与灵活性。
2025-10-12 cs.AI cs.IT math.IT
Belief functions on ordered frames of discernment
Univ Rennes(雷恩大学);IRISA(法国国家信息与自动化研究所雷恩分院(雷恩信息系统与随机过程研究所));IUT de Lannion(拉尼翁大学技术学院)
大多数问卷提供了有序的反应,其顺序通过信念函数研究得很差。在本文中,我们研究的后果识别框架组成的有序元素的信念功能。这使我们重新定义了幂空间和有序元素的并集。我们还研究了有序元素的距离及其使用。特别是,从隶属函数,我们重新定义的有序元素的交集的基数,认为他们模糊。
2022-11-08 cs.AI cs.MA cs.SI
Distances Between Partial Preference Orderings
The French Aerospace Lab(法国航空航天实验室);National Telecommunication Institute(国家电信研究所)
本文提出两种计算偏序偏好排序距离的方法:基于组合学的暴力法和基于 belief functions 的方法,后者有效规避了高维问题的组合复杂度限制。
2024-07-29 cs.AI
Uncertainty measurement with belief entropy on interference effect in Quantum-Like Bayesian Networks
Northwestern Polytechnical University(西北工业大学);China Equipment System Engineering Company(中国装备系统工程公司)
社会困境一直被认为是进化博弈论的精髓,其中囚徒困境博弈是对合作问题最著名的隐喻。最近的研究发现,人们的行为违反了这类游戏中的“确定性原则”。经典的概率方法很难解释人们行为的潜在机制。本文提出了一种新的类量子贝叶斯网络来适应这一悖论现象。这种特殊的网络可以考虑干扰,这可能是一种有效的方式来描述底层机制。在此基础上,引入了信度熵,即邓熵,并提出了信度距离的概念。通过实证数据的检验,证明了该模型的预测性和有效性。
2017-09-08 cs.AI math.PR
Reasoning about Uncertainty in Metric Spaces
Indiana University Bloomington(印第安纳大学伯明顿分校)
我们建立了一个基于信念测度的度量空间推理模型。这些空间中的不确定性源于概率和度量。为了表示不确定性的两个方面,我们选择期望距离函数作为不确定性的度量。构造了一个形式化的逻辑系统来进行期望距离的推理。这种逻辑的可靠性和完整性。对于不确定乘积度量空间上的推理,定义了一种新的度量,并证明了它具有良好的性质。
2012-06-27 cs.AI
A Distance-Based Decision in the Credal Level
University of Tunis(突尼斯大学);University of Carthage(迦太基大学)
信度函数理论提供了一种灵活的方法来组合不同来源提供的信息。这种组合通常伴随着一个决策,这个决策可以通过一系列决策规则来处理。一些规则有助于选择最可能的假设。另一些人则认为决策是根据一组假设做出的。在[6]中,我们提出了一个基于距离测度的决策规则。首先,在本文中,我们的目的是证明我们提出的决策规则是在[4]中提出的规则的一个特殊情况。其次,我们给出的实验表明,我们的规则是能够决定一组假设。一些实验是在一组随机生成的质量函数上进行的,另一些是在真实数据库上进行的。
2015-01-28 cs.AI
A geometric approach to conditioning belief functions
Oxford Brookes University(牛津布鲁克斯大学)
在应用科学中,当涉及到时间序列的推理时,条件反射是至关重要的。信念演算是一种有效的方式来处理这种推理存在的认知不确定性-不幸的是,不同的方法来调节的信念功能框架中已经提出了在过去,离开这个问题有点不确定。受几何方法的不确定性,在本文中,我们提出了一种方法的条件下的信念函数的基础上几何投影到单形与条件事件的空间中的所有信念函数。我们在这里表明,这样的几何方法来调节往往会产生简单的结果与直接的解释程度的信念。这就提出了一个问题,是否经典的方法,例如登普斯特的条件反射,也可以减少到某种形式的距离最小化在一个合适的空间。家庭的组合规则(几何)条件规则的研究似乎是自然的起诉所提出的研究。
2021-04-21 cs.AI math.PR math.ST
Robust Active Perception via Data-association aware Belief Space planning
Department of Aerospace Engineering, Technion - Israel Institute of Technology(航空航天工程系,技术ion-以色列理工学院)
本文提出一种结合数据关联推理的信念空间规划方法,以应对定位不确定性和感知模糊环境中的挑战,通过设计新的成本函数提升主动解歧能力。
2016-06-16 cs.AI cs.RO cs.SY