วิธีการประยุกต์ใช้ทฤษฎีบทของเบย์กับการค้นหาชาวประมงที่หายไปในทะเล


19

บทความThe Odds, อัปเดตอย่างต่อเนื่องกล่าวถึงเรื่องราวของชาวประมงที่ลองไอส์แลนด์ที่แท้จริงเป็นหนี้ชีวิตของเขาเพื่อสถิติเบย์ นี่เป็นเวอร์ชั่นย่อ:

มีชาวประมงสองคนอยู่บนเรือกลางดึก ในขณะที่คนหนึ่งหลับไปอีกคนหนึ่งก็ตกลงไปในมหาสมุทร เรือยังคงหมุนรอบอัตโนมัติตลอดทั้งคืนจนกระทั่งในที่สุดชายคนแรกก็ตื่นขึ้นมาและแจ้งให้หน่วยยามฝั่งทราบ Coast Guard ใช้ชิ้นส่วนของซอฟต์แวร์ที่เรียกว่าSAROPS (ระบบค้นหาและกู้ภัยที่เหมาะสมที่สุดในการวางแผน)เพื่อค้นหาเขาทันเวลาเนื่องจากเขาเป็นคนที่มีอุณหภูมิและมีพลังงานเหลือพอที่จะลอยได้

นี่คือรุ่นยาว: Speck In The Sea

ฉันต้องการทราบเพิ่มเติมเกี่ยวกับวิธีการใช้ทฤษฎีบทของเบย์ที่นี่จริง ๆ ฉันพบข้อมูลเกี่ยวกับซอฟต์แวร์ SAROPS เพียงเล็กน้อยโดยใช้ Google

โปรแกรมจำลอง SAROPS

ส่วนประกอบของเครื่องจำลองจะพิจารณาข้อมูลที่ทันเวลาเช่นกระแสน้ำในมหาสมุทรลม ฯลฯ และจำลองเส้นทางล่องลอยที่เป็นไปได้หลายพันเส้นทาง จากเส้นทางดริฟท์เหล่านั้นจะสร้างแผนที่การกระจายความน่าจะเป็น

โปรดทราบว่ากราฟิกต่อไปนี้ไม่ได้อ้างถึงกรณีของชาวประมงที่หายไปที่ฉันกล่าวถึงข้างต้น แต่เป็นตัวอย่างของเล่นที่นำมาจากงานนำเสนอนี้

Probability Map 1 (สีแดงแสดงถึงความน่าจะเป็นสูงสุด; สีน้ำเงินต่ำสุด) ป้อนคำอธิบายรูปภาพที่นี่

สังเกตวงกลมที่เป็นตำแหน่งเริ่มต้น

Probability Map 2 - เวลาผ่านไปแล้ว ป้อนคำอธิบายรูปภาพที่นี่

โปรดทราบว่าแผนที่ความน่าจะเป็นกลายเป็นหลายรูปแบบ นั่นเป็นเพราะในตัวอย่างนี้มีการพิจารณาหลายสถานการณ์:

  1. บุคคลกำลังลอยอยู่ในน้ำ - โหมดบนกลาง
  2. บุคคลนั้นอยู่ในแพชูชีพ (ได้รับผลกระทบจากลมเหนือมากขึ้น) - โหมด 2 ด้านล่าง (แยกเพราะ "เอฟเฟ็กต์ jibing")

แผนที่ความน่าจะเป็น 3 - การค้นหาดำเนินไปตามทางเดินรูปสี่เหลี่ยมผืนผ้าสีแดง ป้อนคำอธิบายรูปภาพที่นี่ ภาพนี้แสดงเส้นทางที่ดีที่สุดที่ผู้วางแผนสร้างขึ้น (ส่วนประกอบอื่นของ SAROPS) อย่างที่คุณเห็นเส้นทางเหล่านั้นถูกค้นหาและเครื่องจำลองความน่าจะเป็นได้รับการปรับปรุงโดยเครื่องจำลอง

คุณอาจสงสัยว่าทำไมพื้นที่ที่ได้รับการค้นหาจึงไม่ลดลงจนน่าจะเป็นศูนย์ นั่นเป็นเพราะมีความน่าจะเป็นของความล้มเหลว , แยกตัวประกอบใน, นั่นคือมีโอกาสที่ไม่สำคัญที่ผู้ค้นหาจะมองข้ามคนในน้ำ เข้าใจได้ว่าความน่าจะเป็นของความล้มเหลวนั้นสูงกว่าคนที่อยู่คนเดียวมากกว่าคนในแพชูชีพ (มองเห็นได้ง่ายกว่า) ซึ่งเป็นเหตุผลว่าทำไมความน่าจะเป็นในพื้นที่ด้านบนจึงไม่ลดลงมากนักพี(ล้มเหลว)

ผลของการค้นหาที่ไม่สำเร็จ

นี่คือที่ทฤษฎีบทของเบย์มาเพื่อเล่น เมื่อทำการค้นหาแล้วแผนที่ความน่าจะเป็นจะได้รับการอัปเดตตามลำดับเพื่อให้สามารถวางแผนการค้นหาอื่นได้อย่างเหมาะสมที่สุด

หลังจากตรวจสอบทฤษฎีบทของเบย์ในวิกิพีเดียและในบทความคำอธิบายง่าย ๆ (และสั้น) ของทฤษฎีบทของเบย์ในBetterExplained.com

ฉันใช้สมการของเบย์:

P(A|X)=P(X|A)×P(A)P(X)

และนิยาม A และ X ดังนี้ ...

  • เหตุการณ์ A:บุคคลอยู่ในพื้นที่นี้ (เซลล์กริด)

  • ทดสอบ X:ค้นหาพื้นที่ไม่สำเร็จ (เซลล์กริด) เช่นค้นหาพื้นที่นั้นและไม่เห็นอะไรเลย

ผลผลิต

P(คนที่นั่น|ไม่สำเร็จ)=P(ไม่สำเร็จ|คนที่นั่น)×P(คนที่นั่น)P(ไม่สำเร็จ)

P(ล้มเหลว)P(ล้มเหลว)คืออะไร

ดังนั้นตอนนี้เรามี

P(คนที่นั่น|ไม่สำเร็จ)=P(ล้มเหลว)×P(คนที่นั่น)P(ไม่สำเร็จ)
  1. สมการของเบย์ใช้ที่นี่อย่างถูกต้องหรือไม่?

  2. ตัวหารความน่าจะเป็นของการค้นหาที่ไม่สำเร็จจะคำนวณอย่างไร

    นอกจากนี้ในการค้นหาและช่วยเหลือที่เหมาะสมของระบบการวางแผนพวกเขากล่าวว่า

    ความน่าจะเป็นก่อนหน้านี้"ปกติในแบบเบย์ปกติ"เพื่อผลิตความน่าจะเป็นหลัง

  3. อะไร"ปกติในแฟชั่นคชกรรมปกติ"หมายถึง?

    P(ไม่สำเร็จ)

  4. P(คนที่นั่น)P(คนที่นั่น|ไม่สำเร็จ)

อีกบันทึกย่อที่ทำให้เข้าใจง่ายอีกอย่างหนึ่ง - ตามระบบการวางแผนการค้นหาและกู้ภัยที่เหมาะสมการกระจายหลังถูกคำนวณโดยการอัพเดทความน่าจะเป็นของเส้นทางดริฟท์จำลองและจากนั้นสร้างแผนที่ความน่าจะเป็นแบบ gridded ใหม่ เพื่อให้ตัวอย่างนี้ง่ายพอฉันเลือกที่จะไม่ใส่ซิมพา ธ และมุ่งเน้นไปที่เซลล์กริด

คำตอบ:


6
  1. สมมติว่ามีความเป็นอิสระระหว่างเซลล์กริดแล้วใช่ว่าจะปรากฏว่าทฤษฎีบทของเบย์ถูกนำไปใช้อย่างเหมาะสม
  2. P(X)=P(X|A)P(A)+P(X|A)P(A)
    AAP(X|A)=1 1
  3. ฉันไม่แน่ใจจริงๆว่า "การทำให้เป็นมาตรฐานในแบบเบย์ตามปกติหมายถึงอะไร" เนื่องจากฉันไม่ได้เขียนคู่มือ แต่พวกเขากำลังพูดถึงความจริงที่ว่าสมการทั้งสามต่อไปนี้เพียงพอที่จะค้นหาP(A|X)
    P(A|X)αP(X|A)P(A)P(A|X),αP(X|A)P(A), และ P(A|X)+P(A|X)=1
    P(X)
  4. ลองขยายสัญกรณ์ให้มีกริดเซลล์ ผมAผมผมXผมผมX

    • ΣผมP(Aผม|X)=1
    • P(Aผม|X)=P(Aผม|Xผม)αP(Xผม|Aผม)P(Aผม)P(Aผม|X)αP(Aผม)P(Aผม|X)

    P(Aผม|X)และปรับปรุงแผนที่ให้สอดคล้องกัน


ΣผมP(Aผม|X)=1หลังจากค้นหาทุกเซลล์แล้วจะสามารถคำนวณได้ P(X|A)P(A) สำหรับแต่ละเซลล์แล้วหารแต่ละเซลล์ด้วยผลรวมของเซลล์ทั้งหมด (ΣผมP(X|A)P(Aผม)) เพื่อทำให้ปกติหรือไม่
mlai

ฉันเพิ่งรู้ว่าการค้นหาทุกเซลล์ที่มีความน่าจะเป็นคงที่ของความล้มเหลวจะส่งผลให้ไม่มีการเปลี่ยนแปลงอย่างแน่นอนในการแจกแจงความน่าจะเป็น :)
mlai

ดังนั้นในการใช้ถ้อยคำใหม่ ... สมมติว่ากฎความน่าจะเป็นทั้งหมด (ตามคำตอบของคุณถึง 4) หลังจากที่มีการค้นหาบางส่วน (แต่ไม่ใช่ทั้งหมด) ของเซลล์เราจะทำให้ปกติโดยการหารแต่ละเซลล์ด้วยผลรวมของเซลล์ทั้งหมดหรือไม่ ... ใช้P(X|A)P(Aผม) for the value of cells that have been searched and P(Aผม)สำหรับผู้ที่ไม่ได้
mlai

4

ฉันถูกชี้ไปที่หนังสือที่มีทั้งบทที่อุทิศให้กับคำถามของฉัน - การวิเคราะห์ปฏิบัติการทางเรือ - โดยอดีตศาสตราจารย์ที่เคยเป็นนักบินเฮลิคอปเตอร์และได้ปฏิบัติภารกิจค้นหาและกู้ภัยจริง ๆ แล้วไม่น้อยไปกว่านี้!

ในบทที่ 8 ตัวอย่างมีให้บางอย่างเช่นนี้ (ฉันปรับแต่งเล็กน้อย):

เริ่มต้นด้วยการแจกจ่ายก่อนหน้า gridded สำหรับตำแหน่งของคนหายเรือ ฯลฯ

การกระจายก่อนหน้า: ก่อนจำหน่าย

ทำการค้นหาในส่วนของกริดและความน่าจะเป็นได้รับการอัพเดตด้วยการแจกแจงแบบหลังโดยการใช้สมการของเบย์ในแบบเดียวกับที่ฉันพูดถึงในคำถามของฉัน:

P(เป้าหมายใน (i, j)|ไม่มีการตรวจจับ)=P(ไม่มีการตรวจจับ|เป้าหมายใน (i, j))×P(เป้าหมายใน (i, j))P(ไม่มีการตรวจจับ)

โดยที่ (i, j) = (lat, long)

ในกรณีนี้ฉันตัดสินใจค้นหาคอลัมน์ 3 เนื่องจากคอลัมน์นั้นมีความน่าจะเป็นทั้งหมดก่อนหน้านี้มากที่สุด

การกระจายหลังปกติหลังจากการค้นหาคอลัมน์ที่สามด้วย pFail = 0.2: การกระจายหลังปกติ (ความน่าจะเป็น w / ความล้มเหลว = 0.2)

คำถามของฉันส่วนใหญ่เกี่ยวกับวิธีการหลังเป็นปกติ นี่คือวิธีการที่ทำในหนังสือ - เพียงแค่แบ่งแต่ละหลังน่าจะเป็นของแต่ละบุคคลโดยผลรวม , S :

คำอธิบายรูปภาพ

ฉันเลือก 0.2 ความน่าจะเป็นของการค้นหาที่ล้มเหลวเพราะศาสตราจารย์ของฉันต้องบอกว่า"เราค้นหาความน่าจะเป็นที่จะตรวจจับได้ 80% เท่านั้นเพราะโดยทั่วไปแล้วสิ่งนี้จะเป็นการแลกเปลี่ยนที่ดีที่สุดระหว่างความตรงเวลาและความแม่นยำ"

แค่เตะก็วิ่งอีกตัวอย่างด้วยpFail 0.5 ในขณะที่ในตัวอย่างแรก ( pFail = 0.2) เส้นทางการค้นหาที่ดีที่สุดถัดไป (จากการหาแนวเส้นหลังปกติและสมมติว่าการค้นหาเส้นตรงไม่มีเส้นทแยงมุมหรือซิกแซก) จะบินข้ามคอลัมน์ 2 ในตัวอย่างที่สอง ( pFail = 0.5) เส้นทางที่ดีที่สุดถัดไปคือข้ามแถวที่ 2

การกระจายหลังปกติหลังจากค้นหาคอลัมน์ที่สามด้วย pFail = 0.5: e การกระจายของหลังปกติ (ความน่าจะเป็น w / ความล้มเหลว = 0.5)

ป้อนคำอธิบายรูปภาพที่นี่

นอกจากนี้เขายังกล่าวเพิ่มเติมว่า"เครื่องบินมีรายการตรวจสอบขนาดเล็กกับพวกเขาเพื่อช่วยในการกำหนดระดับความสูงและความเร็วของเครื่องบินที่ดีที่สุดการทำงานในเฮลิคอปเตอร์บินเหมือนนั่งอยู่บนเครื่องซักผ้า

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.