معادلات چگالی فرض احتمال (PHD) برای قابل پیاده سازی نمودن محاسبات سنگین و غیرقابل اجرای فیلترینگ چندهدفه بیزین طراحی شده اند. هدف این معادلات به روزرسانی و انتشار تابع شدت پسین از مجموعه محدود تصادفی (RFS) اهداف در طول زمان می باشد. در همین راستا، فیلتر PHD کاردینالی (CPHD) به عنوان توسعه ای بر روابط فیلتر PHD ارائه گردیده است تا ضعف عدم دقت کافی در تخمین تعداد اهداف را برطرف نماید. در فیلتر CPHD تابع شدت پسین و توزیع کاردینالی پسین مشترکا بروز می گردند. در این مقاله با استفاده از فیلتر ذره ای با متغیر کمکی، به پیاده سازی فیلتر CPHD خواهیم پرداخت. حسن پیاده سازی مطرح شده آن است که، در فضایی با ابعاد بالاتر از ابعاد فضای اهداف تحت بررسی کار خواهد شد تا نمونه های تقریب زننده فیلتر CPHD تولید شوند، که این امر به بهبود دقت تخمین فیلتر خواهد انجامید. به این منظور، در ابتدا معادلات بازگشتی فیلتر CPHD را به نحوی دوباره نویسی می کنیم که مناسب کار با فیلتر ذره ای با متغیر کمکی باشد. سپس، برای نمونه برداری در فضای با ابعاد بالاتر، ابتدا از متغیر کمکی برابر نمایه نمونه های از قبل تولیدشده و سپس از متغیر کمکی نمایه مشاهدات جاری استفاده می کنیم تا بر دقت تخمین تعداد اهداف و تخمین موقعیت اهداف افزوده گردد. مقایسه شبیه سازی های عددی برمبنای واریانس و میانگین تخمین کاردینالی و خطای تخمین موقعیت اهداف بیانگر بهبود عملکرد الگوریتم پیشنهادی ما نسبت به شیوه رایج پیاده سازی از الگوریتم CPHD توسط فیلتر ذره ای SIR می باشند.

هدف: تحلیل پوششی داده ها تکنیکی برای تحلیل عملکرد و سنجش میزان کارایی نسبی واحدهای تصمیم ­گیرنده با استفاده از برنامه ریزی خطی می باشد. در اکثر موارد، مدل­ های DEA واحدهای ناکارا را با استفاده از نقاط مرجع روی مرز مجموعه امکان تولیدی که کارایی پاراتو نیستند، ارزیابی می کنند؛ بنابراین، این مدل ها معمولا وزن های صفر را برای مضرب ها بهینه ارایه می ­دهند، درنتیجه، نمرات کارایی به دست آمده از این واحدها، تمام منابع ناکارایی را توجیه نمی کند. هدف ما در این مقاله ارایه مدلی است که وزن های غیرصفر را تولید کنند.روش شناسی پژوهش: مساله­ وزن های غیرواقعی اساسا با روش های محدودیت وزنی حل شده است. محدودیت وزنی در مدل های DEA از دیدگاه های مختلف موردمطالعه قرار می­ گیرد. برخی از نویسندگان عمدتا از مدل های نسبت مخروطی یا مدل های ناحیه اطمینان استفاده کرده اند که محدودیت هایی را بر وزن ها اعمال می ­کنند. چنین محدودیت ­هایی نیاز به اطلاعات یا قضاوت­ های کارشناسان دارند. در نبود هرگونه اطلاعات از متخصصان یا اطلاعات هزینه/قیمت برای تعیین کران های وزن، مجبور هستیم تا از یک معیار فرعی برای انتخاب وزن، میان وزن های بهینه دگرین استفاده کنیم. در مدل پیشنهادی برای رسیدن به اهداف خود بر روی وزن­ های مدل، محدودیت اعمال می ­کنیم به ­طوری­ که نیاز به اطلاعات اولیه ندارد. این مدل وزن­ های مثبت تولید می­ کند و درعین حال از تجانس شدید بین وزن ­ها جلوگیری می­ کند.یافته ها: در این مقاله یک روش یک ­مرحله ای بر پایه مدل BBC و با اعمال محدودیت وزنی، برای ارزیابی عملکرد کارایی نسبی واحدهای تصمیم گیرنده ارایه شده است که وزن ­های غیر صفر را تضمین می­ کند و از تشابه وزن­ ها جلوگیری می ­کند. به­ علاوه نشدنی بودن مدل رخ نمی ­دهد. مدل پیشنهادی، نیاز به هیچ گونه اطلاعات اولیه روی وزن­ ها درطبقه بندی واحدها ندارد و این موضوع پیچیدگی مساله را کاهش می دهد.اصالت/ارزش افزوده علمی: برای تاکید بر قوت روش پیشنهادی، مدل معرفی ­شده بر روی دو مثال پیاده سازی شده و با نتایج حاصل از مدل­ های استاندارد BCC، رامون و همکاران [1] مقایسه می گردد. نتایج حاصل حاکی از عملکرد بهتر مدل پیشنهادی است.

زمینه و هدف: رگرسیون لوجستیک مدلی عمومی برای تحلیل داده های پزشکی و اپیدمیولوژیکی می باشد و اخیرا محققین معدودی تحقیقات خود را به تحلیل مدل های رگرسیون لوجستیک با وجود مقادیر گمشده در متغیرهای کمکی معطوف داشته اند. در بسیاری از پژوهش ها محققین با مجموعه داده هایی مواجه هستند که دارای مقادیر گمشده است. گمشدگی تهدید عمده ای برای درستی نتایج حاصل از مجموعه داده ها محسوب می شوند و اجتناب از آن بسیار مشکل است.مواد و روش کار: ساتن و کارول تابع درستنمایی ویژه ای را برای برآورد پارامترهای مدل رگرسیون لوجستیک وقتی که برخی متغیرهای کمکی با مقادیر گمشده از نوع مکانیسم گمشدگی تصادفی(MAR)  باشند و سایر متغیرها به طور کامل مشاهده شده باشند، معرفی کرده اند. در این پژوهش از این تابع درستنمایی در تحلیل بیزی برای برآورد پارامترهای مدل رگرسیون لوجستیک استفاده شده است و نتایج به دست آمده با روش های جانهی چندگانه و واحد کامل مقایسه شده است.یافته ها: روش های مذکور را بر روی داده های شبیه سازی شده و داده های دندانپزشکی اجرا کرده و نتایج مقایسه ها نشان داد که برآوردهای به دست آمده از روش بیزی دارای انحراف معیار کوچکتری نسبت به دو روش دیگر می باشند.نتیجه گیری: پس از مقایسه نتایج حاصل از سه روش مذکور نتیجه گرفته شد که اگر مکانیسم گمشدگی تصادفی باشد، به کارگیری تحلیل بیزی با تکنیک زنجیرهای مارکوف مونت کارلویی (MCMC) منجر به برآوردهای دقیق و فاصله اطمینان کوتاه تری نسبت به روش جانهی چند گانه و روش واحد کامل می شود.

فیلتر چگالی فرض احتمال (PHD) به صورت متوالی گشتاور چندهدفه مرتبه اول را برای تابع چگالی احتمال چندهدفه محاسبه می نماید و بنابراین حجم محاسبات مسئله ردگیری را به مقدار زیادی کاهش می دهد. در این مقاله، پیاده سازی بهبودیافته ای از فیلتر PHD را با استفاده از ایده فیلتر ذره ای با متغیر کمکی برای تقریب شدت اهداف از قبل موجود و ایده اجرای شدت زایش وفقی برای اهداف تازه متولدشده ارائه می دهیم. تفاوت شیوه ارائه شده از شیوه مرسوم پیاده سازی بروش SMC فیلتر PHD در این است که به طور هم زمان اهداف از قبل موجود و اهداف تازه متولدشده در محیطی که شدت زایش یک نواخت و دارای اطلاعات کمی است، جستجو می شوند. نتایج شبیه سازی بیان گر این مطلب می باشند که شیوه جدید ارائه شده دقت تقریب PHD را در مقایسه با شیوه های مرسوم-سازی پیاده سازی به روش SMC، در تعداد ذرات یکسان، افزایش قابل توجهی می دهد.

روش های درون یابی کاربرد وسیعی در مطالعات هواشناسی و هیدرولوژی دارد. همچنین از این روش ها در تخمین داده های هواشناسی در مکان های فاقد داده استفاده می شود. با توجه به موقعیت خاص و توپوگرافی پیچیده استان مازندران و از طرفی فقدان ایستگاه های هواشناسی مرتفع با آمار بلند مدت در آن و همچنین ماهیت تصادفی بودن داده های بارش، تعیین روش مناسب درون یابی داده های بارندگی ماهانه و سالانه در این استان ضروری به نظر می-رسد. در این تحقیق چهار روش درون یابی شامل کریجینگ عمومی، کوکریجینگ، وزنی عکس فاصله و گرادیان خطی سه بعدی با یکدیگر مقایسه شدند. در تحلیل واریوگرافی داده های بارندگی، پنج مدل نیم تغییرنما بر داده ها برازش داده شد و ارزیابی روش ها بر اساس میانگین مربعات خطا و میانگین خطای اریب انجام گرفت. نتایج تحلیل واریوگرافی نشان داد مدل های کروی و نمایی به عنوان بهترین مدل نظری نیم تغییرنما هستند. با مقایسه روش های درون-یابی مورد بررسی روش گرادیان خطی سه بعدی، به عنوان مناسب ترین روش درون یابی داده های بارندگی ماهانه و سالانه تشخیص داده شد به طوری که در مقایسه با سایر روش های درون یابی، خطای تخمین بارش سالانه را بیش از 100 میلیمتر کاهش داد. همچنین میزان خطای اریبی آن نزدیک به صفر است. البته دقت تخمین آن در ماه های گرم و کم بارش کاهش می یابد. بررسی نقشه هم بارش سالانه با روش منتخب نشان داد که حلقه پر بارش استان در سواحل غربی و کمترین بارش در ارتفاعات استان به وقوع می پیوندد. همچنین با حرکت از غرب به شرق و از شمال به جنوب از مقدار بارش کاسته می شود. به علاوه نتایج پژوهش نشان داد روش هایی که از متغیر ارتفاع به عنوان متغیر کمکی استفاده می کنند، نسبت به روش های دیگر از دقت بالاتری برخوردارند

در این پژوهش، توابع انتقالی و روش های زمین آماری برای تخمین هدایت هیدرولیکی اشباع خاک با استفاده بافت خاک مورد مقایسه قرار گرفتند. داده ها از 196 پروفیل خاک مربوط به مطالعات خاکشناسی و اصلاح اراضی سازمان جهاد کشاورزی استان اردبیل تهیه گردید. نتایج نشان داد که از میان روش های مبتنی بر زمین آمار و توابع انتقالی، روش کوکریجینگ معمولی با بهره گیری از متغیر کمکی بافت خاک، با ضریب تعیین 0.93 و ریشه میانگین مربعات خطا 3.21 (سانتی متر بر روز) دارای بهترین برازش و برآورد از هدایت هیدرولیکی منطقه می باشد و روش های زمین آماری بدون استفاده از متغیر کمکی با دقت کمتری هدایت هیدرولیکی را برآورد نمودند. بهترین واریوگرام برازش داده شده در روش کوکریجینگ معمولی، مدل توانی با اثر قطعه ای صفر و سقف 156 محاسبه گردید و استحکام ساختار فضایی منطقه و تاثیر کامل مولفه ساختار دار بر مدل واریوگرام منطقه را نشان داد.دقت روش های مبتنی بر توابع انتقالی، به ترتیب از مدل فرر- جولیا و همکاران (2004)، رزتا، دین و پاکت (1994)، کاسبای و همکاران (1984)، پاکت و همکاران (1985)، کمپل و شوزاوا (1994)، کاهش یافت. از میان روش های توابع انتقالی روش فرر-جولیا و همکاران (2004) با ضریب تعیین 0.89 و ریشه میانگین مربعات خطا 2.1 (میلی متر برساعت) از دقت بالاتری برای تخمین هدایت هیدرولیکی اشباع خاک با استفاده بافت خاک برخوردار بود.

تهیه نقشه های خاک با صحت مناسب یک ابزار توانمند برای دست یافتن به استفاده پایدار از اراضی در عرصه های کشاورزی و منابع طبیعی محسوب می شود. پژوهش حاضر در بخشی از اراضی وَرگَر شهرستان آبدانان در استان ایلام به منظور نقشه برداری رقومی کلاس های خاک با استفاده از مدل های جنگل تصادفی و منطق فازی اجرا گردید. در اراضی مورد مطالعه موقعیت 44 خاکرخ تعیین، حفر، تشریح و نمونه برداری از کلیه افق های ژنتیکی صورت پذیرفت. پس از انجام آزمایش های فیزیکوشیمیایی لازم رده بندی خاک ها انجام شد. از مدل رقومی ارتفاع ماهواره آلوس پالسار و نرم افزار ساگا جی آی اس برای تهیه متغیرهای کمکی ژئومورفومتری استفاده گردید. سه رویکرد انتخاب متغیر شامل الگوریتم باروتا، شاخص تورم واریانس و میانگین کاهش صحت به همراه دو مدل داده کاوی جنگل تصادفی و منطق فازی برای مدل سازی روابط خاک-زمین نما به کار گرفته شد. نتایج نشان داد که رویکرد انتخاب متغیر میانگین کاهش صحت به عنوان مناسب ترین روش، از تعداد 35 متغیر کمکی ژئومورفومتری منجر به انتخاب شش متغیر گردید. همچنین رویکرد مدل سازی جنگل تصادفی-میانگین کاهش صحت، در سطح زیرگروه با صحت عمومی و شاخص کاپای 84 و 57 درصد دارای بالاترین دقت بود. بررسی نتایج حاصل از رویکرد فازی حاکی از این بود که مقادیر شاخص کاپا و صحت عمومی این روش با سه سناریو دیگر مشابه و اختلاف ناچیزی بین صحت نتایج در سطح فامیل خاک مشاهده گردید. به طورکلی استفاده از رویکردهای مختلف انتخاب متغیر می توانند موجب افزایش دقت تهیه نقشه های رقومی خاک گردند. همچنین افزایش تعداد مشاهدات میدانی و استفاده از سایر متغیرهای محیطی تأثیرگذار بر روی تشکیل خاک ها را می توان برای پیش بینی کلاس های خاک با صحت پایین به کارگیری نمود.

سابقه و هدف: در جمع آوری داده های انبوه، بعضی از متغیرها با عدم پاسخ روبه رو می شوند که به این ها داده های گمشده می گویند. این داده های گمشده می توانند در متغیر پاسخ یا در متغیرهای کمکی به وجود آیند.روش بررسی: در این مقاله داده های گمشده در متغیرهای کمکی مورد بررسی است و روش پیشنهادی برای تجزیه و تحلیل مدل های رگرسیون لجستیک را وقتی که متغیر پاسخ Y دو وضعیتی (بیمار و سالم) با مشاهدات کامل باشد و متغیر کمکی Z دارای مشاهدات کامل و متغیر کمکی X دارای مقادیر گمشده باشد مورد بررسی قرار داده ایم. در این جا فرض می کنیم مقادیر گمشده متغیر کمکی X صادفی بوده است.نتایج و یافته ها: برای این منظور، تابع درستنمایی برای داده های مشاهده شده را تعریف و برآوردهای حاصل را به روش ماکسیمم درستنمایی به دست آورده، سپس نتایج آن را با نرم افزار استاندارد S-Plus که داده های دارای مقادیر گمشده را حذف می کند مقایسه کردیم. برای تشریح بیش تر، هر دو روش را روی مثالی از بیماری گواتر اعمال کردیم.بحث: مقایسه نتایج نشان داد که برآوردهای به دست آمده از مدل پیشنهادی نسبت به برآوردهای به دست آمده از نرم افزار که مبتنی بر حذف کلیه اطلاعات فرد دارای داده گمشده است دقت بیش تری دارند.

ما مساله براورد میانگین جامعه، برای متغییر مورد مطالعهY  در حضور خطاهای اندازه گیری را در زمانی که اطلاعات یک صفت کمکی X معلوم است، در نظر گرفته ایم. رده ای از براوردگرهای میانگین جامعه با استفاده از اطلاعات متغییر کمکی X تعریف شده است. روابط اریبی مجانبی و میانگین توان دوم خطاها به دست آمده اند. شرایط بهینه ای به دست آمده است که تحت آن، میانگین توان دوم خطاهای رده پیشنهادی براوردگرها کمینه است.