بررسي روش فازي- آماري كشف اشتباه‌ها در داده‌هاي ليزر اسكنر

An Investigation into Fuzzy-Statistical Outlier Detection Applied in LASER Scanner Cloud Points

معمولاً خطاهای تصادفی در تمام پارامترهایی كه بوسیله‌ی ابزارهای مشاهده گر برداشت می‌شوند به عنوان بخشی نامطلوب از مشاهدات وجود دارند. به منظور انجام پردازشهای تحلیلی جهت كشف این اشتباهات فرض می‌شود كه توزیع این خطاها از تابع توزیع نرمال پیروی می‌كند. اشتباهات اگر حذف نشوند بر روی فرآیندهای محاسباتی بر روی مشاهدات تاثیر منفی خواهند داشت و نتایج آن را غیر قابل اعتماد می‌كنند. تحقیق پیش رو به اجرا و مقایسه روش باردا به عنوان یك روش مرسوم آماری ودیدگاه فازی می‌پردازد. با استفاده از این دو روش، مشاهدات اشتباه در دو مجموعه داده سه بعدی شامل داده‌های برداشتی لیزر اسكنر موسوم به ابر نقاط و همچنین یك مجموعه تصادفی شبیه سازی شده از نقاط سه بعدی را بررسی می‌كند و كارائی هر دو روش را مورد سنجش و مقایسه قرار می‌دهد. اگر چه روشهای مختلفی برای تحلیل خطاهای تصادفی و اشتباهات وجود دارند اما همچنان یافتن راه‌حل‌های بهینه به ویژه برای داده‌های با حجم عظیم ابر نقاط برای رسیدن به دقت و صحتی بهبود یافته لازم به نظر می-رسد. برخلاف روش باردا كه به محض یافتن مشاهدات اشتباه، آتها را حذف می‌كند، دیدگاه فازی بیشتر محاسبات را بر روی خطاهای مشاهداتی و باقیمانده‌های پس از انجام سرشكنی متمركز می‌كند كه این امر به طور قابل ملاحظه‌ای به تست‌های آماری برای تصمیم‌گیری وابسته است. نتایج نشان می‌دهد كه در داده‌های با حجم بالا اشتباهات كشف شده با استفاده از روش باردا بیشتر از تعداد اشتباهاتی است كه روش فازی-آماری كشف می‌كند كه این امر هم برای مشاهدات ابر نقطه لیزر اسكنر و هم برای داده‌های شبیه سازی شده ملموس است. در عین حال هر دو روش در داده‌های با تعداد مشاهدات كم شبیه هم عمل می‌كنند. علاوه بر موارد فوق توانایی‌ دیدگاه فازی در كشف مشاهدات اشتباه در سطوح مختلف مشاهداتی مورد بررسی قرار گرفته است.

Typically the random errors exist in every observed parameter as an undesirable part of measured observation which following the normal distribution function (NDF) in statistical components analysis as a satisfactory assumption. Generally those random errors straying from NDF characteristics are being considered as blunders or outliers throughout the set of observations which would effect on the sensitivity analysis negatively. This paper presents application and comparison of Baarda method as a conventional statistical methodology and Fuzzy approach in order to determine the outliers in two set of data including three dimension (3D) points of ground Laser Scanner so-called cloud points as well as a set of random simulated 3D cloud points. Although there are several methods to analyze the random errors and outliers but it is still necessary to find more optimized solutions especially for 3D cloud points such as ground Laser Scanner observations and or performing an improvement to the previous ones in terms of accurateness and preciseness. However Baarda method eliminates the outliers as soon as finding them but Fuzzy method deals mostly with the residuals and observed errors in the adjustment computations procedures which depends critically on statistical tests outputs. The results show that the detected outliers using Baarda method sequel to or more than what Fuzzy method whether for the real cloud points of Laser Scanner or the random 3D simulated cloud points discovered. Moreover, Baarda method is acting quite similar to the Fuzzy method’s results in low number of points approximately while the comparison presented that Fuzzy method approached to the acceptable value of 1 through ameliorating adjustment computations in larger set of points quantity step by step. Besides, the future capabilities of Fuzzy approaches to detect the outliers in different levels of observation quantity are discussed