KaydedilenlerDerginizi ekleyin

Dergiler / Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi / 2018 / Cilt: 24 Sayı: 8 Özel Sayı

CB-MeMBer filtresinin GM ve SMC gerçeklemelerinin sensör kontrolü performanslarının farklı ödül fonksiyonları için karşılaştırılması

Comparison of performances of GM and SMC implementations of CB-MeMBer filter for sensor control

Ahmet Güneş
Sayfa
1458–1463
Yayın Tarihi
2018-12-29
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Algoritmaların gerçek sistemlerde uygulandığında gösterecekleri performansları hakkında fikir vermesi açısından, çalışma süreleri sunulmuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Normal 0 false false false TR X-NONE X-NONE /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Normal Tablo"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin-top:0cm; mso-para-margin-right:0cm; mso-para-margin-bottom:10.0pt; mso-para-margin-left:0cm; line-height:115%; mso-pagination:widow-orphan; font-size:11.0pt; font-family:"Calibri",sans-serif; mso-ascii-font-family:Calibri; mso-ascii-theme-font:minor-latin; mso-hansi-font-family:Calibri; mso-hansi-theme-font:minor-latin; mso-bidi-font-family:"Times New Roman"; mso-bidi-theme-font:minor-bidi; mso-ansi-language:TR;} Bu çalışmada rastgele sonlu kümeler teorisi çerçevesinde geliştirilmiş olan kardinalitesi dengelenmiş çoklu Bernoulli filtresinin ardışık Monte Carlo ve Gaus karışımı gerçeklemeleri farklı sensör kontrolü uygulaması için karşılaştırılmıştır.
📊
Temel Bulgular & Veri:Simülasyonlarda belirsizlik azaltılması ve bilgi kazancına dayalı iki farklı ödül/ceza fonksiyonu kullanılmıştır.
💡
Sonuç & Katkı:Algoritmaların gerçek sistemlerde uygulandığında gösterecekleri performansları hakkında fikir vermesi açısından, çalışma süreleri sunulmuştur.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Sensör kontrolü · Rastgele sonlu kümeler · Gaus karışımları

Özet

Normal 0 false false false TR X-NONE X-NONE /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Normal Tablo"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin-top:0cm; mso-para-margin-right:0cm; mso-para-margin-bottom:10.0pt; mso-para-margin-left:0cm; line-height:115%; mso-pagination:widow-orphan; font-size:11.0pt; font-family:"Calibri",sans-serif; mso-ascii-font-family:Calibri; mso-ascii-theme-font:minor-latin; mso-hansi-font-family:Calibri; mso-hansi-theme-font:minor-latin; mso-bidi-font-family:"Times New Roman"; mso-bidi-theme-font:minor-bidi; mso-ansi-language:TR;} Bu çalışmada rastgele sonlu kümeler teorisi çerçevesinde geliştirilmiş olan kardinalitesi dengelenmiş çoklu Bernoulli filtresinin ardışık Monte Carlo ve Gaus karışımı gerçeklemeleri farklı sensör kontrolü uygulaması için karşılaştırılmıştır. Simülasyonlarda belirsizlik azaltılması ve bilgi kazancına dayalı iki farklı ödül/ceza fonksiyonu kullanılmıştır. Bu fonksiyonlar, kısmen gözlemlenebilir Markov karar süreçleri yöntemi kullanılarak optimize edilmiş ve platformların bir sonraki hamlesi buna göre belirlenmiştir. Literatürde hali hazırda ardışık Monte Carlo gerçeklemeleri için kardinalitesi dengelenmiş çoklu Bernoulli filtresi ile sensör kontrolü alanında yayınlar bulunmaktadır. Ancak rastgele sonlu kümeler tabanlı filtrelerin Gaus karışımları üstüne fazla çalışma yoktur. Bu nedenle, algoritmaların Gaus karışımlarında da kullanılabilmesi için denklemler sunulmuştur. Bu iki farklı gerçekleme farklı sensörler ve farklı ödül/ceza fonksiyonları açısından simülasyonlarla karşılaştırılmıştır. Algoritmaların gerçek sistemlerde uygulandığında gösterecekleri performansları hakkında fikir vermesi açısından, çalışma süreleri sunulmuştur.

🔖

Bu Makaleye Atıf Yap

Güneş, A. (2018). CB-MeMBer filtresinin GM ve SMC gerçeklemelerinin sensör kontrolü performanslarının farklı ödül fonksiyonları için karşılaştırılması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 24 Sayı: 8 Özel Sayı, 1458–1463. https://ajindex.com/articles/1058653

📄 Tam Metin PDF Okuyucu

↗Yeni Sekme

PDF belgesi yükleniyor...

Kaynakça (20)

  1. Litman T. “Autonomous vehicle implementation predictions: Implications for transport planning,” Victoria Transport Policy Institute, Canada, Technical Report, 2017.
  2. Mahler RPS. Statistical Multisource-Multitarget Information Fusion. Boston, USA, Artech House, 2007.
  3. Gunes A, Guldogan MB. “Joint underwater target detection and tracking with the Bernoulli filter using an acoustic vector sensor”. Digital Signal Processing, 48, 246-258, 2016.
  4. Guldogan MB. “Consensus Bernoulli filter for distributed detection and tracking using multi-static Doppler shifts”. IEEE Signal Processing Letters, 21, 672-676, 2014.
  5. Ristic BT. Particle Filters for Random Set Models. Springer, 2013.
  6. Gostar AK, Hoseinnezhad R, Bab-Hadiashar A. “Multi-Bernoulli sensor control for multi-target tracking”. IEEE 8th International Conference on Intelligent Sensors, Sensor Networks and Information Processing, Melbourne, Australia, 2-5 April 2013.
  7. Zhang D, Xie Z, Li P, Yu J, Chen X, “Real-time navigation in dynamic human environments using optimal reciprocal collision avoidance,” IEEE International Conference on Mechatronics and Automation, Beijing, China, 2-5 August 2015.
  8. Ristic B, Vo BN. “Sensor control for multi-object state-space estimation using random finite sets”. Automatica, 46(11), 1812-1818, 2010.
  9. Ristic B, Vo B-N, Clark D. “A note on the reward function for PHD filters with sensor control”. IEEE Transactions on Aerospace and Electronic Systems, 47(2), 1521-1529, 2011.
  10. Gomes-Borges ME, Maltese D, Vangeeghe P, Duflos E. “A risk-based sensor management using random finite sets and POMDP”. IEEE International Conference on Information Fusion, Xi’an, China, 10-13 June 2017.
  11. Gostar AK, Hoseinnezhad R, Bab-Hadiashar A. “Multi-Bernoulli sensor control via minimization of expected estimation errors”. IEEE Transactions on Aerospace and Electronic Systems, 51(3), 1762-1773, 2015.
  12. Arupampalam M, Maskell S, Gordon N, Clapp T. “A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking”. IEEE Transactions on Signal Processing, 50, 174-188, 2002.
  13. Candy CV. Bayesian Signal Processing: Classical, Modern, and Particle Filtering Methods. Wiley, 2016.
  14. Ristic BT, Vo BN, Cantoni. “The cardinality balanced multi-target multi-Bernoulli filter and its implementations”. IEEE Transactions on Signal Processing, 57(2), 409-423, 2008.
  15. Ristic B, Vo BT, Vo BN. “A tutorial on Bernoulli filters: Theory, implementation and applications”. IEEE Transactions on Signal Processing, 61, 3406-3430, 2013.
  16. Vo B-T, Vo B-N, Cantoni A. “On multi-Bernoulli approximations to the Bayes multi-target filter”. International Symposium on Information Fusion, Xi’an, China, October 2007.
  17. Gunes A. “CB-MeMBer filtresi ile sensör kontrolünün GM ve SMC implementasyonlarının karşılaştırılması”. Türk Otomatik Kontrol (TOK) Toplantısı, İstanbul, Türkiye, 2017.
  18. Kaelbling LS, Littman ML, Cassandra AR. “Planning and acting in partially observable stochastic domains”. Artificial Intelligence, 101(1), 99-134, 1998.
  19. Hero AO, Kreucher,CM, Blatt D. Foundations and Applications of Sensor Management. Springer, 2007.
  20. Schuhmacher D, Vo BT, Vo BN. "A Consistent Metric for Performance Evaluation of Multi-Object Filters". IEEE Transactions on Signal Processing, 3447 - 3457, 2008.