SavedAdd your journal

Journals / Bozok Journal of Engineering and Architecture / 2023 / Cilt: 2 Sayı: 1

Parçacık Filtresinin Optimizasyonu için Genetik Algoritma Tabanlı Yeni Bir Yaklaşım

Fatma Selcen TURGUN
Hasan ZORLU
Pages
24–33
Publication Date
2023-06-21
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Simülasyon sonuçları, önerilen GA tabanlı yeni algoritmanın tahmin doğruluğunu standart parçacık filtresine kıyasla önemli ölçüde iyileştirdiğini göstermektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Parçacık filtresi algoritması, Bayes tahmin teorisi çerçevesinde Monte Carlo fikrini kullanan bir filtreleme yöntemidir.
📊
Key Findings & Data:Ancak standart parçacık filtresi mevcut ölçülen değeri dikkate almaz, bu da bazı iterasyonlardan sonra birkaç parçacık dışında kalan parçacıkların ağırlığının neredeyse yok denecek kadar az olmasına sebep olur.
💡
Conclusion & Impact:Simülasyon sonuçları, önerilen GA tabanlı yeni algoritmanın tahmin doğruluğunu standart parçacık filtresine kıyasla önemli ölçüde iyileştirdiğini göstermektedir.
🔬Design:Survey & Empirical Study
📍Scope:Comprehensive Sample
⚙️Variables:Parçacık Filtresi · Durum Tahmini · Genetik Algoritma

Özet

Parçacık filtresi algoritması, Bayes tahmin teorisi çerçevesinde Monte Carlo fikrini kullanan bir filtreleme yöntemidir. Parçacıkları ve ağırlıklarından oluşan ayrık rasgele ölçüyü kullanarak olasılık dağılımına yaklaşır, yeni ayrık rasgele ölçüyü algoritmaya göre yinelemeli olarak günceller. Parçacık filtresi (PF) algoritması, doğrusal olmayan Gauss olmayan herhangi bir sisteme durum tahmini için uygulanabilir ve son on yılda birçok mühendislik alanında büyük ilgi görmüştür. Ancak standart parçacık filtresi mevcut ölçülen değeri dikkate almaz, bu da bazı iterasyonlardan sonra birkaç parçacık dışında kalan parçacıkların ağırlığının neredeyse yok denecek kadar az olmasına sebep olur. Böylelikle parçacık bozulması sorunu ortaya çıkar. Bozulmayı önlemek için PF yeniden örnekleme tekniğini kullanır, fakat bu parçacık çeşitliliğini azaltır ve parçacık yoksullaşmasına neden olur. Bu makalede, filtrenin bu sorununun üstesinden gelebilmek için Parçacık filtresine Genetik algoritma (GA) dahil edilmiştir. Genetik algoritmadaki seçim, çaprazlama ve mutasyon operatörlerinin özellikleriyle birleştirilmiş geliştirilmiş bir parçacık filtresi önerilmiştir. PF algoritmasının yeniden örnekleme aşamasından önce, en yüksek ağırlığa sahip parçacıklar bir genetik algoritma kullanılarak evrimleştirilir. Önerilen algoritmada, GA tarafından optimize edilen parçacık kümesi hedefin gerçek durumunu daha iyi ifade eder ve anlamlı parçacıkların sayısı önemli ölçüde artmıştır. Son olarak, önerilen yöntemin etkinliğini göstermek için bir bilgisayar simülasyonu gerçekleştirilmiştir. Simülasyon sonuçları, önerilen GA tabanlı yeni algoritmanın tahmin doğruluğunu standart parçacık filtresine kıyasla önemli ölçüde iyileştirdiğini göstermektedir.

🔖

Cite This Article

TURGUN, F. S., ZORLU, H. (2023). Parçacık Filtresinin Optimizasyonu için Genetik Algoritma Tabanlı Yeni Bir Yaklaşım. Bozok Journal of Engineering and Architecture, Cilt: 2 Sayı: 1, 24–33. https://ajindex.com/articles/976515

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (12)

  1. Kalman, R. E. “A new approach to linear filtering and prediction problems”. 1960
  2. Ristic, B., Arulampalam, S., & Gordon, N. “Beyond the Kalman filter: Particle filters for tracking applications”. Artech house. 2003
  3. Arulampalam, M. S., Maskell, S., Gordon, N., & Clapp, T. “A tutorial on particle filters for online nonlinear/nongaussian bayesian tracking”. Bayesian Bounds Param. Estim. Nonlinear Filter. Track, 50, 723-737. 2007
  4. Gordon, N. J., Salmond, D. J., & Smith, A. F. “Novel approach to nonlinear/non-Gaussian Bayesian state estimation”. In IEE proceedings F (radar and signal processing) (Vol. 140, No. 2, pp. 107-113). IET Digital Library. 1993, April [5] Yang, J., Cui, X., Li, J., Li, S., Liu, J., & Chen, H., “Particle filter algorithm optimized by genetic algorithm combined with particle swarm optimization”. Procedia Computer Science, 187, 206-211. 2021
  5. Gustafsson, F., Gunnarsson, F., Bergman, N., Forssell, U., Jansson, J., Karlsson, R., & Nordlund, P. J. “Particle filters for positioning, navigation, and tracking”. IEEE Transactions on signal processing, 50(2), 425-437. 2002
  6. Shenoy, A. V., Prakash, J., Prasad, V., Shah, S. L., & McAuley, K. B. “Practical issues in state estimation using particle filters: Case studies with polymer reactors”. Journal of Process Control, 23(2), 120-131. 2013
  7. Das, S., Kale, A., & Vaswani, N. “Particle filter with a mode tracker for visual tracking across illumination changes”. IEEE Transactions on Image Processing, 21(4), 2340-2346. 2011
  8. Zhang, Q. B., Wang, P., & Chen, Z. H., “An improved particle filter for mobile robot localization based on particle swarm optimization. Expert Systems with Applications”, 135, 181-193. 2019
  9. Li, M., Pang, B., He, Y., & Nian, F. “Particle Filter Improved by Genetic Algorithm and Particle Swarm Optimization Algorithm”. J. Softw., 8(3), 666-672. 2013
  10. Park, S., Hwang, J. P., Kim, E., & Kang, H. J. “A new evolutionary particle filter for the prevention of sample impoverishment”. IEEE Transactions on Evolutionary Computation, 13(4), 801-809. 2009
  11. Wang, W., Tan, Q. K., Chen, J., & Ren, Z. “Particle filter based on improved genetic algorithm resampling”. In 2016 IEEE Chinese Guidance, Navigation and Control Conference (CGNCC) (pp. 346-350). IEEE. August, 2016
  12. Zhao, B., Hu, J. W., & Ji, B. “An improved particle filter based on genetic resampling”. In 2015 International Conference on Automation, Mechanical Control and Computational Engine