پرسپترون – نمایش عدم قطعیت:
پرسپترون (perceptron) کوته‌نوشت نورون ادراکی یک الگوریتم یادگیری ماشین است که در دسته یادگیری با نظارت قرار می‌گیرد. الگوریتم پرسپترون یک الگوریتم دسته‌بندی دودویی (نوعی از دسته‌بندی که می‌تواند با توجه به بردار ورودی تصمیم بگیرد که این ورودی متعلق به یک کلاس هست یا خیر) است. این الگوریتم یک دسته‌بند خطی است، به‌این معنا که پیش‌بینی‌هایش را باتوجه به ترکیب خطی وزن دار ورودی الگوریتم انجام می‌دهد. هم‌چنین این الگوریتم به دلیل اینکه ورودی‌هایش را به صورت تک تک در زمان بررسی میکند، یک الگوریتم برخط می‌باشد. الگوریتم پرسپترون در سال ۱۹۵۷ در لابراتوار کرنل آرونوتیکال به وسیلهٔ فرانک روزنبلت ابداع شد. در واقع این الگوریتم جزء اولین شبکه‌های عصبی مصنوعی است که به کار گرفته شده است.
نمایش عدم قطعیت:
- تعریف خطا: اختلاف بین اندازه گیری سنسور و مقدار واقعی
- نمایش آماری: میخواهیم از لحاظ آماری مشخصات خطای یک سنسور را برای هر اندازه گیری پیدا کنیم. اگر اندازه گیری را بصورت یک مسئله تخمین بیان کنیم، هدف تخمین مقدار خطا از روی n مقدار اندازه گیری شده است: E[X]=g(p1,p2,…,pn)
توزیع احتمال خطا:
میتوان ویژگی های آماری مقدار خطا را با یک تابع توزیع احتمال نشان داد
توزیع نرمال:
- معمولا وقتی که مدل بهتری برای نمایش خطا نداشته باشیم از توزیع نرمال استفاده میکنیم.
- این توزیع خواص ریاضی بهتری نسبت به سایر روش ها دارد.
استقلال متغیرهای تصادفی:
در روبات متحرک فرض استقلال مقادیر اندازه گیری شده کاربرد فراوانی دارد.
برای مثال درروباتی که با دو لیزر چپ و راست فاصله ها را اندازه گیری میکند مقادیر اندازه گیری شده مستقل از هم خواهند بود.
این فرض برای دو متغیر تصادفی X1 , X2 بصورت زیر است:
- E[X1 X2]= E[X1] E[X2]
- Var([X1 +X2)=Var(X1 )+Var(X2)