شبیه سازی آموزشی ردیابی تصویر با الگوریتم ژنتیک و فیلتر ذره با متلب

توضیحات

شبیه سازی ردیابی تصویر با الگوریتم ژنتیک و فیلتر ذره با متلب

با توجه به این که در اکثر موارد مدل دینامیکی سیستم‌ها غیر خطی است، نمی‌توان از فیلترهای متداول از جمله فیلتر کالمن معمولی استفاده کرد. زیرا شرط اصلی فیلتر کالمن خطی بودن مدل فرایند و گاوسی بودن توزیع فرایند می‌باشد. به همین علت از فیلتر ذره‌ای استفاده می‌شود تا بتوان حالت‌های یک سیستم غیرخطی را حتی با یک توزیع غیر گاوسی به‌دست آورد.

با توجه به این که روز به روز مدل سیستم‌ها پیچیده‌تر و غیرخطی‌تر می‌شوند، تمایل به استفاده از فیلترهای ذره‌ای بیشتر و بیشتر می‌شود. فیلترهای ذره‌ای نسبت به سایر روش‌های فیلترینگ غیرخطی از جمله فیلتر کالمن تعمیم یافته دارای مزایایی هستند. در بسیاری از مقالات که فیلتر ذره‌ای با کالمن تعمیم یافته مقایسه شده، دیده شده که خطای تخمین با استفاده از این فیلتر ذره‌ای کوچک یا مرزدار است، در حالیکه فیلتر کالمن توسعه یافته دارای واریانس خطای شدید بوده یا حتی باعث واگرائی خطا می‌گردد.

فیلترهای ذرات یا روش مونت کارلو (SMC Sequential Monte Carlo ) مجموعه ای از الگوریتم های ژنتیک ، مونت کارلو است که برای حل مشکلات فیلتر کردن ناشی از پردازش سیگنال و استنتاج آماری بیزی استفاده می شود . مشکل فیلترینگ شامل برآورد وضعیت های داخلی در سیستم های دینامیکی است، زمانی که مشاهدات جزئی انجام می شود، و اختلالات تصادفی در سنسورها و همچنین در سیستم دینامیکی وجود دارد. هدف این است که توزیع های خلفی دولت های برخی ازفرایندهای مارکوف را با توجه به مشاهدات پر سر و صدا و جزئی مقایسه کنیم. اصطلاح “فیلترهای ذرات” ابتدا در سال 1996 توسط دل مورال ^[1] با استفاده از روش های ذرات متقابل میدان استفاده شده در مکانیک سیالات از ابتدای دهه 1960 ساخته شد. اصطلاح “مونت کارلو دنباله” توسط لیو و چن در سال 1998 پیشنهاد شد.

فیلترهای ذرات به طور مستقیم با استفاده از یک الگوریتم ذرات انتخاب جهش ژنتیکی نوع ژنتیکی پیاده سازی پیش بینی-به روز رسانی معادله فیلتر را پیاده سازی می کنند. نمونه هایی از توزیع توسط مجموعه ای از ذرات ارائه شده است؛ هر ذره دارای یک وزن احتمال برای آن است که احتمال آن ذره را از تابع چگالی احتمال نمونه برداری می کند. اختلاف وزن ناشی از فروپاشی وزن یک مسئله رایج در این الگوریتم های فیلترینگ است. با این وجود می توان آن را با اضافه نمودن یک گام بازنگری کردن قبل از اینکه وزن ها بیش از حد ناهموار باشند، کاهش می دهد. از چندین معیار مجدد انطباق استفاده می شود، از جمله واریانس وزن و آنتروپی نسبی با توجه به توزیع یکنواخت. ^[4] در مرحله بازسازی، ذرات با وزنی ناچیز با ذرات جدید در نزدیکی ذرات با وزن های بالاتر جایگزین می شوند.

روش حل فیلتر ذرات برای حل زنجیره های مخفی مارکف (HMM) و فیلتر کردن غیر خطی استفاده می شود. با استثناء قابل توجهی از مدل های مشاهده سیگنال خطی گاوس ( فیلتر کالمن ) و یا کلاس های گسترده تر از مدل (فیلتر بنز ^[15] ) میریل چله ای مورل و دومینیو میشل در سال 1984 نشان داد که توالی توالی های خلفی از حالت های تصادفی سیگنال داده شده به مشاهدات (به عنوان فیلتر مطلوب) هیچ مجدد بازگشت مجدد محدود است. ^[16] روش های مختلف عددی مبتنی بر تقریب شبکه های ثابت، تکنیک های مونت کارلو زنجیره مارکوف (MCMC)، خطی سازی معمولی، فیلترهای کلامان گسترش یافته یا تعیین بهترین سیستم خطی (با در نظر گرفتن هزینه خطای حساس) هرگز با سیستم های مقیاس بزرگ مقابله نکردند ، فرآیندهای ناپایدار و یا هنگامی که غیر خطی به اندازه کافی صاف نیست.

فیلترهای ذرات و روشهای Feynman-Kac ذرات کاربردی را در پردازش سیگنال و تصویر ، استنتاج بیزی ، یادگیری ماشین ، تجزیه و تحلیل ریسک و نمونه برداری نادرست ، مهندسی و رباتیک ، هوش مصنوعی ، بیوانفورماتیک ، فیلوژنتیک، علم محاسباتی ، اقتصاد و امور مالی ریاضی ، شیمی مولکولی ، فیزیک محاسباتی ، فارماکوکینتیک و سایر زمینه ها.

شبیه سازی ردیابی تصویر با الگوریتم ژنتیک و فیلتر ذره با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.