haku: @keyword Kalman filter / yhteensä: 20
hakutulos-lista
viite: 3 / 20
« edellinen | seuraava »
Tekijä:Abbas, Mudassar
Työn nimi:Statistical Estimation of Wild Animal Population in Finland: A Multiple Target Tracking Approach
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2011
Sivut:68      Kieli:   eng
Koulu/Laitos/Osasto:Perustieteiden korkeakoulu
Oppiaine:Laskennallinen tekniikka   (S-114)
Valvoja:Lampinen, Jouko
Ohjaaja:Särkkä, Simo ; Vehtari, Aki
Elektroninen julkaisu: http://urn.fi/URN:NBN:fi:aalto-201207022760
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto     | Arkisto
Avainsanat:Bayesian inference
sequential Monte Carlo method
Kalman filter
multiple target tracking
data association
Tiivistelmä (eng): Control and management of wild animals, especially large carnivores, is an important task for game and wildlife management authorities all over the world.
Central to the scheme of wild animal conservation is the population size estimation methodology which depends on the used data sampling technique.
The index based data sampling method has been found suitable in the case of large carnivores.
On the other hand, telemetry data has been used to learn the individual movement of animals.
Subsequently, mathematical modeling is utilized in order to learn both animal population dynamics and animal movement behavior.
In that context, stochastic state-space models have proved to be appropriate for handling uncertainty that occurs in the process and observation models.

This thesis provides a novel approach for the estimation of wild animal population.
We utilize the state-space modeling framework as well as animal movement models on an unconventional observation and index based dataset.
We formulate the problem as a conditionally linear Gaussian state-space model and recursively estimate the state of the animals.
More specifically, we reformulate the problem as a special case of multiple target tracking, which can be solved by using Bayesian optimal filtering methodology.
The solution to the problem of tracking an unknown number of targets is exactly applicable to our animal observation datasets.
ED:2012-02-24
INSSI tietueen numero: 43955
+ lisää koriin
« edellinen | seuraava »
INSSI