لینک پرداخت و دانلود *پایین مطلب*
)فرمت فایل:Word (قابل ویرایش و آماده پرینت
تعداد صفحه:15
فهرست مطالب:
چکیده
مقدمه
شرح مدل
احتمالات حالت ثابت
تفکیک بین مشتریان اتاق انتظار و صف سرویس
توزیع زمان اقامت
منابع
لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه14
فهرست مطالب
متغیر تصادفی:
متغیر تصادفی پیوسته:
تکیه گاه یک متغیر تصادفی:
متغیر تصادفی گسسته:
توابع تصادفی در حالت پیوسته و گسسته
تابع توزیع
برای هر عدد حقیقی x فاصله نیم بازی به صورت و متغیر تصادفی x را درنظر می گیریم. احتمال اینکه X در این فاصله نیم باز باشد، برابر است با:
این احتمال یک تابع نقطه ای از x است که آن را با نمایش می دهیم و تابع توزیع X می نامیم.
تابع توزیع پیوسته و گسسته
تعریف تابع توزیع گسسته:
اگر x یک متغیر تصادفی گسسته روی یک مدل احتمال باشد برای هر داریم:
تعریف تابع توزیع پیوسته:
اگر x یک متغیر تصادفی پیوسته باشد، آنگاه تابع توزیه برابر است با
مثال 9: تابع توزیع در حالت گسسته: یک کلاس 11 شاگرد دارد. 5 نفر از این شاگردان ترم 3 کامپیوتر و 6 نفر دیگر ترم 5 عمران هستند. از این کلاس 2 شاگرد به تصادف و بدون جایگذاری انتخاب می کنیم. اگر متغیر تصادفی x میانگین ترم 2 شاگرد انتخابی باشد:
الف) تابع احتمال و تابع توزیع متغیر تصادفی x را بیابید.
ب) احتمال را بیابید.
حل.
اگر y, x دو متغیر تصادفی باشند، توزیع احتمال برای وقوع همزمان آنها به صورت تابع دو متغیره نشان داده می شود و معمولاً آنرا توزیع احتمال توام Y, X گویند.
اگر y, x دو متغیر تصادفی گسسته باشند، یعنی تابع به فرم زیر تعریف می شود.
لینک پرداخت و دانلود *پایین صفحه*
فرمت فایل : Word(قابل ویرایش و آماده پرینت)
تعداد صفحه : 67
فهرست مطالب:
انتگرال تصادفی
نمونه هایی از زنجیره های مارکف
) زنجیرهای مارکف همگن
1
2) رفتارهای تصادفی یک بصری:
فرآیندهای شاخه ای:
مدل ژنتیک:
میانگین زمان جذب:
زنجیر مارکف جهشی
توزیع جمع موالید:
) رفتارهای تصادفی یک بصری: (18)
رفتار تصادفی یک بعدی یک زنجیر مارکف است که فضای حالتش زیر مجموعه ای متناهی مانند a,a+1,a+2,…,b از اعداد صحیح است که در آن ذره، اگر در وضعیت ناباشد، می تواند با یک انتقال یا در نابماند و یا به یکی از وضعیتهای مجاور 1+ iو1-I منتثل شود. قدم زدن تصادفی یک رفتار تصادفی یک بعدی زیرا یک تجسم فرآیند مسیر شخصی که از خود بیخود شده است که به طور تصادفی یک قدم جلو یا عقب بر می دارد را توصیف می کند. در این فرآیند اگر فضای حالت مجموعه اعداد صحیح نامنفی گرفته شود ماتریس اتصال انتقال به شکل روبرو خواهد بود:
فرآیند قدن زدن تصادفی توصیف کننده حرکت ذرات منتشر شده نیز می باشد، هرگاه ذره ای تحت تصادمها و ضربه های تصادفی قرار گیرد، آنگاه موضوعش به طور تصادفی بالا و پائین می رود. در این حالت می توان همچون حرکت بروانی از رفتار تصادفی متقارن استفاده کرد. منظور از رفتار تصادفی متقارن بر اعداد و صحیح یعنی زنجیری مارکف با فضای حالت تمام اعداد صحیح که ماتریس احتمال انتقال آن دارای عنصر مقابل می باشد:
این فایل ترجمه فارسی مقاله زیر می باشد:
Image Fuzzy Clustering Based on the Region-Level Markov Random Field Model
چکیده
مدل میدان تصادفی مارکوف (MRF) به عنوان یکی از قدرتمندترین ابزارها برای بهبود استحکام فازی خوشه‌بندی میانگین‌های c (FCM)، مورد استفاده قرار می‌گیرد. با این حال، استفاده از یک MRF در سطح پیکسل باعث نقص خوشه‌بندی در مقابله با تصاویر با الگوهای بافت درشت می‌شود. به منظور غلبه بر چنین مشکلی، این مقاله یک روش جدید را ارائه می نماید که تصاویر را با ترکیب FCM با استفاده از مدل MRF در سطح ناحیه (RMRF)، تقسیم‌بندی می‌کند. در این روش، تابع انرژی فازی جدید برای مدل RMRF ایجاد شده است و در روند خوشه بندی فازی مورد استفاده قرار می‌گیرد، که نقش مهمی را در توصیف تغییرات طیف وسیع بافت درشت، بازی می‌کند. با توجه به پیچیدگی بافت تصویر، یک قالب میانگین سطح ناحیه نیز جهت بهبود بخشیدن به روابط بین نواحی مجاور از نظر اطلاعات طیفی و ساختاری ایجاد شده است. آزمایش‌ها با استفاده از تصاویر سنجش از دور با وضوح بالا انجام گرفته‌اند، که نشان می دهد که روش پیشنهادی می‌تواند دقت تقسیم‌بندی را در مقایسه با چهار روش دیگر، بهبود بخشد.
توضیحات: فایل ترجمه به صورت word می باشد و دارای 19 صفحه است.
این مقاله در قالب ورد ارائه می شود و قابل ویرایش می باشد
چکیده
بازی های غیر قطعی(تصادفی) به عنوان توسعه ای از فرآیندهای تصادفی مارکوف با چندین عامل در سیستمهای چند عامله و مدل سازی آنها حائز اهمیت بوده و به عنوان چارچوبی مناسب در تحقیقات یادگیری‌تقویتی چند‌عامله به‌کار‌رفته‌اند. در حال حاضراتوماتاهای‌یادگیر به عنوان ابزاری ارزشمند در طراحی الگوریتمهای یادگیری چند عامله به کار رفته اند. در این مقاله مدلی مبتنی براتوماتای یادگیر و مفهوم آنتروپی برای حل بازی های غیر قطعی و پیدا کردن سیاست بهینه در این بازیها ارائه شده است. در مدل پیشنهادی به ازای هر عامل در هر حالت از محیط بازی یک اتوماتای یادگیربا ساختار متغیر از نوع S قرارداده شده است که اعمال بهینه را در هر حالت یاد می گیرند. تعداد اعمال هر اتوماتا با توجه به همسایگان مجاور هر حالت تعیین شده و ترکیب اعمال اتوماتاها حالت بعدی محیط را انتخاب می‌کند. در مدل پیشنهادی از آنتروپی بردار احتمالات اتوماتای یادگیر حالت جدید برای کمک به پاداش دهی اتوماتاها و بهبود یادگیری استفاده شده است. برای بررسی و تحلیل رفتار الگوریتم یادگیری پارامتری به نام آنتروپی‌کلی تعریف گردیده که میزان همگرایی را در الگوریتم یادگیری بیان می کند. در نهایت الگوریتمی اصلاح یافته با ایجاد تعادل بین جستجوو استناد بر تجربیات پیشنهاد شده است. نتایج آزمایش ها نشان می دهد الگوریتم ارائه شده از کارایی مناسبی از هر دو جنبه هزینه و سرعت رسیدن به راهحل بهینه برخوردار است.