如何将贝叶斯定理应用于寻找海上迷路的渔夫


19

文章“不断更新的可能性”提到了一个长岛渔民的故事,他的生活完全归功于贝叶斯统计局。这是简短的版本:

午夜时分,船上有两名渔民。当一个人睡着时,另一个掉入大海。整个晚上,船将继续自动驾驶,直到第一个家伙最终醒来并通知海岸警卫队。海岸警卫队使用一款名为SAROPS(搜索和救援最佳计划系统)的软件来及时找到他,因为他的体温过低并且几乎没有精力维持生存。

这是长版:海中的斑点

我想了解更多有关贝叶斯定理在此处实际应用的信息。我通过谷歌搜索发现了很多有关SAROPS软件的信息。

SAROPS模拟器

模拟器组件考虑了及时的数据,例如洋流,风等,并模拟了数千种可能的漂移路径。根据这些漂移路径,创建概率分布图。

请注意,以下图形并不涉及我上面提到的失踪渔夫的情况,而是本演示文稿中的一个玩具示例。

概率图1(红色表示最高概率;蓝色表示最低概率) 在此处输入图片说明

请注意是起始位置的圆圈。

概率图2-过去了更多的时间 在此处输入图片说明

请注意,概率图已变为多峰。这是因为在此示例中,考虑了多个方案:

  1. 人在水上漂浮-中上模式
  2. 该人处于救生筏中(受北方风的影响更大)-底部2种模式(由于“吉宾效应”而分裂)

概率图3-搜索沿红色的矩形路径进行。 在此处输入图片说明 此图显示了计划者(SAROPS的另一个组件)产生的最佳路径。如您所见,模拟器已搜索了这些路径,并且概率图已更新。

您可能想知道为什么搜索的区域没有减少到零概率。这是因为考虑到的可能性,搜索者有可能忽略水中的那个人,这是一个不可忽略的机会。可以理解的是,一个独居的人的失败概率要比救生筏上的一个人(容易看到)要高得多,这就是为什么顶部区域的概率没有下降太多的原因。p(fail)

搜索失败的影响

这就是贝叶斯定理发挥作用的地方。进行搜索后,概率图将相应更新,因此可以最佳地计划另一个搜索。

在审查了维基百科上的贝叶斯定理并BetterExplained.com上的文章贝叶斯定理的直观(简短)解释之后

我采用了贝叶斯方程:

P(AX)=P(XA)×P(A)P(X)

并将A和X定义如下...

  • 事件A:此人位于该区域(网格单元)

  • 测试X:在该区域(网格单元)上搜索失败,即搜索了该区域并且没有看到任何内容

屈服

P(person thereunsuccessful)=P(unsuccessfulperson there)×P(person there)P(unsuccessful)

我在搜索和救援最佳规划系统中发现,SAROPS 通过考虑搜索路径和模拟漂移路径来计算搜索失败的概率。因此,为简单起见,假设我们知道是什么。P(fail)P(fail)

现在我们有了

P(person thereunsuccessful)=P(fail)×P(person there)P(unsuccessful)
  1. 贝叶斯方程是否在此处正确应用?

  2. 分母,即搜索失败的概率,将如何计算?

    他们还说,在“ 搜救最佳计划系统”中

    先验概率“以通常的贝叶斯方式归一化”以产生后验概率

  3. 什么是“标准化的正常贝叶斯时尚”是什么意思?

    这是否意味着将所有概率除以,或只是简单地归一化以确保整个概率图加起来等于1?还是这些相同?P(unsuccessful)

  4. 最后,考虑到由于尚未搜索所有区域(网格单元),所以您有一些等于和一些等于吗?P(person there)P(person thereunsuccessful)

另一个简化说明-根据“ 搜索和救援最佳计划系统”,实际上是通过更新模拟漂移路径的概率,然后重新生成网格化概率图来计算后验分布。为了使此示例足够简单,我选择忽略sim路径,而专注于网格单元。

Answers:


6
  1. 假设网格单元之间具有独立性,那么是的,看来贝叶斯定理已被正确应用。
  2. 分母可以扩展,例如, 使用法总概率的其中是补的,即此人不在。您可能会假设。
    P(X)=P(X|A)P(A)+P(X|Ac)P(Ac)
    AcAP(X|Ac)=1
  3. 由于我没有编写该手册,因此我不太确定“以正常的贝叶斯方式标准化”是什么意思。但是他们肯定在谈论以下三个方程足以找到的事实:因此,您不必计算,即归一化常数。他们是否使用它来更新单个网格单元或整个地图的概率,我都不知道(可能两者)。P(A|X)
    P(A|X)P(X|A)P(A)P(Ac|X),P(X|Ac)P(Ac), and P(A|X)+P(Ac|X)=1
    P(X)
  4. 让我们扩展表示法,使网格单元格和是个人在网格单元格中的事件,而是网格单元格的事件iAiiXiiX

    • iP(Ai|X)=1
    • P(Ai|X)=P(Ai|Xi)P(Xi|Ai)P(Ai)P(Ai|X)P(Ai)P(Ai|X)

    我们可以使用这两个假设来计算并相应地更新地图。P(Ai|X)


感谢您的出色回答;)因此,假设网格像元独立且,则在搜索每个像元一次之后计算是有效的对于每个单元格,然后将每个单元格除以所有单元格的总和()以进行归一化?P X | A P A i P X | A P A iiP(Ai|X)=1P(X|A)P(A)iP(X|A)P(Ai)
2014年

我只是意识到,以固定的故障概率搜索每个单元将不会导致概率分布之间完全没有变化:)
mlai 2014年

P(X|A)P(Ai)P(Ai)

4

曾经有一位前教授曾指着一本书,其中有一章专门针对我的问题,即《海军作战分析》。他曾经是一名直升机飞行员,实际上已经执行过搜救任务!

在第8章中,提供了一个类似于以下示例(我对此进行了自定义):

首先,有一个网格化的先验分布,用于失踪人员,船等的位置。

事先分配: 事先分配

通过以我在问题中提到的相同方式应用贝叶斯方程,在一部分网格上进行搜索,并使用归一化后验分布更新概率。

P(target in (i,j)no detection)=P(no detectiontarget in (i,j))×P(target in (i,j))P(no detection)

其中(i,j)=(纬度,经度)

在这种情况下,我决定搜索第3列,因为该列的总先验概率最大。

搜索第三列w / pFail = 0.2后的归一化后验分布归一化后验分布(w /失败概率= 0.2)

我的问题主要是关于后部如何标准化。下面是它是如何在书中做了- 仅仅通过总和除以每个个体的后验概率小号

图片说明

我选择搜索失败的概率为0.2,因为我的教授这样说:“我们只搜索80%的检测概率,因为通常这是在弹奏和准确度之间的最佳折衷。”

只是为了踢球,我运行了另一个示例,pFail为0.5。而在第一个示例(pFail = 0.2)中,第二个示例(pFail = 0.5)下一条最佳路线是在 2 上方。

搜索第三列w / pFail = 0.5后的归一化后验分布e归一化后验分布(w /失败概率= 0.5)

在此处输入图片说明

他还补充说:“飞机上有一个小清单,可以帮助确定最佳高度和空速。在飞行直升机上工作就像坐在洗衣机上面,读一本书,用胶带将其粘贴到另一台洗衣机上。”

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.