هرچند که فیلتر ذرهای ابزاری مؤثر در ردیابی شیء میباشد اما یکی از محدودیتهای موجود، نیاز به وجود مدلی دقیق برای حالت سیستم و مشاهدات است. بنابراین یکی از زمینههای مورد علاقه محققین تخمین تابع مشاهده با توجه به دادههای یادگیری است. تابع مشاهده ممکن است خطی یا غیر خطی چکیده کامل
هرچند که فیلتر ذرهای ابزاری مؤثر در ردیابی شیء میباشد اما یکی از محدودیتهای موجود، نیاز به وجود مدلی دقیق برای حالت سیستم و مشاهدات است. بنابراین یکی از زمینههای مورد علاقه محققین تخمین تابع مشاهده با توجه به دادههای یادگیری است. تابع مشاهده ممکن است خطی یا غیر خطی در نظر گرفته شود. روشهای موجود در تخمین تابع مشاهده با مشکلاتی مواجه هستند و از جمله این مشکلات، وابستگی به مقدار اولیه پارامترها در روشهای دومرحلهای مبتنی بر ماکسیممسازی انتظار و نیازمندی به یک سری مدل از پیش تعریف شده در روشهای مبتنی بر چند مدل میباشد. در این مقاله، یک روش بدون راهنما برای غلبه بر این مشکلات با استفاده از فیلترهای وفقی کرنلی ارائه شده است. به این منظور از فیلترهای وفقی حداقل میانگین مربعات خطای کرنلی یا حداقل مربعات بازگشتی کرنلی برای تخمین تابع غیر خطی مشاهده استفاده میشود. با فرض معلومبودن تابع فرایند و با داشتن دنبالهای از مشاهدات، تابع مشاهده مجهول تخمین زده میشود. ضمناً برای کاهش هزینه محاسباتی و افزایش سرعت اجرا، از روش تُنُکسازی دادهها با استفاده از روش وابستگی خطی تقریبی استفاده شده و الگوریتم پیشنهادی در دو کاربرد مورد ارزیابی قرار گرفته است. آزمایش اول بر پیشبینی سریهای زمانی و دیگری روی ردیابی اشیا در ویدئو میباشد. نتایج به دست آمده حاکی از برتری روش پیشنهادی در مقایسه با چند روش موجود است.الگوریتم RRT به دست آمده و مقایسه گردید. این نتایج نشانگر کارایی مناسب رویکرد پیشنهادی است.
پرونده مقاله