PDF
研究文章|开放获取
拉胡尔Dixit Harpreet辛格, ”比较使用布尔和模糊技术检测和分类算法”,模糊系统的进步, 卷。2012年, 文章的ID406204年, 10 页面, 2012年。 https://doi.org/10.1155/2012/406204
比较使用布尔和模糊技术检测和分类算法
文摘
现代军事等、跟踪和分类系统能够生成大量的数据。传统的“强力”计算技术,甚至与摩尔定律处理器,高昂的计算挑战,通常,系统未能“锁定”一个感兴趣的目标中可用的工作周期,或数据流只是丢弃,因为系统的处理能力和时间。在寻找高保真收敛,研究者们尝试了各种还原技术,通常使用逻辑图从相关的信号数据进行推断。传统的布尔和模糊逻辑系统产生大量的规则,通常很难处理由于处理器的限制。发表的研究表明,目标优先于不完整的合理的近似计算。本文给出了图的优点比较各种逻辑分析方法和呈现结果为一个假设的目标分类的场景。小说还multiquantization布尔方法减少这些多元分析的复杂性,从而能够更好地利用可用的数据近似目标分类。本文展示了这样的预处理可以合理地保持信心和布尔之间的比较结果,结果multi-quantization布尔,和模糊技术。
1。介绍
有轶事,海湾战争时期,许多飞行员会关掉雷达告警接收器,因为他们拿起太多的假阳性。有可能的是,由于机载处理能力有限,技术1990年代,许多系统不能完成目标分类处理作业在给定雷达工作周期。当然很多自1990年代以来取得了进步。就是明证,摩尔定律在处理器,那么有可能是几个数量级重叠在今天的机载处理器。然而,许多应用程序(1),如空气或其他基于平台的监测、定期管传感器数据命令,控制和通信设施,提供数据分析和决策。与今天的复杂的军事戏剧场景,这样的决定延迟可能代价高昂。所以改善机载数据处理实现。和本文研究结果的信心和减少技术使用各种逻辑。
首先,使用一个简单的范围和跟踪问题(2]。对象是找到距离目标使用飞行时间(TOF)方法。传感器发送一个脉冲到目标,使用时间延迟,计算距离。计算速度的距离除以时间。这是说明一个简单的布尔表(表1)。这说明了我们可以得到准确的结果,如果一些关键的假设或输入数据是错误的。例如,如果它是一个声学传感器,然后,“速度”是影响大气密度,和“时间”准确性有限的量子化电子产品。根据不同的精度要求,研究员(3)可以投资更好地控制环境(或模型)或电子产品,更多的传感器,因此数据——提高计算准确性的距离。表2比较了布尔和模糊真值表对于这样一个TOF传感器。
|
||||||||||||||||||||||||
| (一)布尔 | ||||||||||||||||||||||||
|
||||||||||||||||||||||||
| (b)模糊 | ||||||||||||||||||||||||
|
||||||||||||||||||||||||
在本文中,我们将扩大范围的问题很简单,杂乱的视觉场景中的目标识别(4]。问题是相似的,算法从数据中提取关键参数并以此来确定目标类型。的细节特征提取算法是不相关的,也不是实际的数据集用于插图。我们本文中展示的是,使用二进制量化技术,可以收敛到一个近似的答案,而这种收敛合理保存答案忠诚。技术与full-fuzzy解决方案的数据说明,其次是一个5级、三级,真正的布尔数据的减少。
2。逻辑分析
在一个典型的测距系统中,脉冲流发送到感兴趣的目标。传感器得到了离散(暂时分开)序列的检测(“点击率”)在一个给定的目标。的每个检测是有限的,通常很短,持续时间。从每个检测提取给定集合的属性了。属性通常包括检测时间、位置和反射强度,以及各种统计时刻和其他数学特性的检测。这些检测的目标,通常是确定(检测和分类)感兴趣的目标及其发展轨迹。成功地跟踪运动目标,知识目标通常可以大幅改善,因为重复移动目标的检测提供更大体积的信息,并允许聚合,track-based,统计数据也被使用。目标分类问题来匹配特征的目标对一组已知目标签名然后相关性计算收益率的正确分类。
以此作为动力,让我们回到简单的测量距离固定对象的问题。一个布尔决定可以从真值表。简单的问题,这样的真值表在桌子上面1。基本上,如果有精确的时间和速度信息,然后计算距离是准确的。在本节中,我们研究如何准确是“准确”,然后能做些什么来提高信心,距离计算是准确的。我们看问题在决定时间和精度影响因素TOF算法。看看速度和影响因素的假设速度是准确的。
准确的速度数据的可能性和精确的时间数据的可能性可以被认为是一个分布,该分布和可用于模糊真值表来计算距离。本文提供的细节不(6),但比较真值表中所示。
利用现代处理器,速度和时间信息,布尔计算时间以微秒为单位。如果我们做同样的计算使用MATLAB模糊逻辑工具箱,以适当的高斯概率函数,再一次,考虑到速度和时间信息和可能,计算时间具有可比性。
现在我们的问题扩展到多维目标识别问题。让我们考虑一个凌乱的视频图像的例子,我们需要找到和场景中的目标进行分类。图像属性包括距离(目标),长宽比的目标,垂直像素高度的目标,覆盖的面积(像素)的目标,目标光度,图像中暗区,周围的亮度,边缘像素。对象是对目标进行分类(类型)和评估的时间完成这个任务。从[复制5),表3这样的数据,显示行。数据仅用于说明目的,只用于计算说明了比较完整的neurofuzzy分析,对目标分类的信心我们可以使用布尔或模糊技术实现。这里不是复制的细节Neurofuzzy技术(7),但作为背景,简称ANFIS工具包使用MiniTab受聘在MatLab和Verimax分析。(简称ANFIS是自适应neurofuzzy推理系统。部署在MatLab是Sugeno模糊模型,所有输出隶属度函数是单峰值,言外之意和聚合方法是固定的。暗示的方法是简单的乘法,聚合算子包括所有的单例。Sugeno方法非常适合作为添入的主管的多元线性控制器,应用不同的操作条件的动态非线性系统。Sugeno系统也适用于非线性系统建模通过插值多个线性模型)。正如我们知道7),布尔和模糊的方法增加了语言规则作为输入向量的个数增加。neurofuzzy方法允许一个更紧凑和计算效率的表示和有助于适应计划。,没有直观的知识输入向量的行为或关系到输出,这些自适应技术反过来帮助我们创建整个模糊网络(8]。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
看表3,对于这个示例,我们很快发现有9个目标类型,没有直观的输入向量之间的相关性和目标类型或时间对目标进行分类。启发式方法和专家知识(中描述9)利用先天的知识推理和帮助集群向量通过消除和减少系统大小一些输入。
使用一款统计软件中的Verimax分析,我们计算表4向量之间的相关性,发现绿色(垂直像素的数量)和地区(目标覆盖面积的像素)数据有很强的相关性。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
还有其他的推论,也可以使9]。但是没有一个逻辑连接,允许一个简单的决心。采用neurofuzzy简称ANFIS从MatLab工具箱函数,我们看到在表5对于这个例子,可以得到目标分类(高达87%的信心10),依靠完整的数据集。
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
作为一款统计软件使用的条款如下相关系数代表原始输出之间的相关性和估计的输出模糊神经系统从每个方法使用数据。trm代表的总均方根距离原始输出和估计的输出通过模糊神经系统使用相同的测试数据: 在哪里估计价值吗是原来的输出值。性病代表标准差之间的距离原来的输出和估计的输出通过模糊神经系统使用相同的测试数据。疯了是绝对的均值之间的距离原来的输出和估计的输出通过模糊神经系统使用相同的测试数据吗EWI索引值的总和值与其同样加权统计估计值乘以每个字段的潜在价值。犯错表示为代表的错误率 在哪里测试数据的数量,是估计的输出,是实际的输出。
并进一步分析表中的数据3使用一款统计软件中的因素工具包,表明这信心(相关性)降解为我们减少输入矩阵,通过有选择地删除高度相关向量。这种形式我们的基线。
3所示。布尔还原技术
为了简化分类计算,我们想看看布尔会降低数据质量减少原始数据,而且,如果是这样,什么水平。我们开始的5级量化原始数据(表6(表)和评估的相关因素7)。然后,我们看了三级量化的原始数据(表8(表)和相关因素9)。最后,我们做了一个真正的原始数据(表上的布尔运算10(表)和看相关因素11)。在所有情况下,对于本例,基本数据属性合理保存。各种数据表列出。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
表11显示了Verimax分析当我们使用逻辑关系来确定相关的功能。
在所有情况下,一般大约保存相关向量之间的相似之处。再次,绿色和面积向量(强调)有很高的相关性。图1显示了相关先后量化值作为原始数据,以及如何,即使在二进制量化,仍有80%这两个数据值之间的相关性。
显然,许多相关性是保存,嵌入式处理器的数据更容易处理。因此,最初的开始,简单的布尔值量化的原始数据提供了一个合理的估计比完整的数据集模糊推论。
4所示。算法
图2显示了该算法,如何实现减少计算模式,由以下步骤组成。
假设有通过矩阵输入变量和一个输出。(1)计算相关矩阵,变量之间的数据集和相关矩阵的逆矩阵,。这个数字有两个目的,首先建立一个基线评估布尔减少技术的忠诚,另一为减少识别变量高度相关。(2)如果可以减少数据矩阵,然后,选择的数量减少的因素,,因为使用步骤(1),累计方差大于0.9(任意的)。(3)重新计算相关矩阵的新基准价值。(4)迭代,数字转换数据并计算相关验证数据保真度。在这个例子中,5级、三级和二进制量化被选中,但是减少技术可以应用于任何量化水平,包括直接降低二进制的数据集。(5)评估退化,并决定如果量子化是足够的忠诚。(6)使用布尔值决策图或其他类似的布尔技术计算的解决方案。的选择值来确定适当的相关性为0.9是基于经验的。在这个例子中,目标和适当的正交性的小品种传感器数据流,允许设置一个低的互相关数减少数据集。同样确定足够的数据保真度仍然是数据量化后,选择值0.8是基于经验。用户可以调整参数,以适应应用程序的细节。
5。结论
目标检测和目标分类在战场混乱图像和计算有限的系统是一个日益严重的问题。随着越来越多的传感器部署,更多的数据是可用的,这株可用的计算能力,特别是在嵌入式处理器应用程序。一般来说,神经网络算法能够解决多变量问题,如果足够的计算能力和/或时间。这些神经网络用于模式识别的系统调整和培训系统本身与给定的条件。生成的模糊推理系统是人类知识数据库使用成员函数的决策。这两个技术的集成生产优化方法的相互补偿,利用数据库和人类知识if - then模糊逻辑规则。这意味着neurofuzzy技术(11,12)是由应用的神经网络学习算法的模糊模型的参数识别。缺乏,开发人员寻求减少数据大小和/或其他计算方案,简化问题。在本文中,我们表明,使用一个简单的互相关计算,可以很容易地识别数据正交,从而减少矩阵的顺序。经验法则指导时可以用来评估这种减少是影响数据的完整性。然后,通过连续的量化技术,可以来一个布尔仍然接近原始数据的数据集,已知退化的忠诚。这布尔数据可以解决使用二元决策图,产生一组解决方案近似原始的完整数据集的解决方案。结果提出了一个同伴。这里有很多应用近似解是足够的,计算资源(处理器能力,或可用的时间)是有限的。
引用
- r . l . Gorsuch因子分析美国新泽西,劳伦斯Erlbaum Associates山谷,第二版,1983年版。
- j·s·r·张成泽“简称ANFIS: adaptive-network-based模糊推理系统,”IEEE系统,人与控制论,23卷,不。3、665 - 685年,1993页。视图:出版商的网站|谷歌学术搜索
- p . j .顾魏,h . m . Tai“DOA估计使用互相关矩阵”《IEEE国际研讨会相控阵系统和技术2010年10月,页593 - 598。视图:出版商的网站|谷歌学术搜索
- s i Minato,”代数余子式影响检查的快速算法及其应用对知识发现,”IEEE学报》第八届国际会议上计算机和信息技术(CIT 08年)2008年7月,页53-58,。视图:出版商的网站|谷歌学术搜索
- 孙t . j . Meitzler大肠,h·辛格,a . Elgarhi d·h·南,“预测在视觉搜索时间凌乱的场景使用模糊逻辑方法,”光学工程,40卷,不。9日,第1851 - 1844页,2001年。视图:出版商的网站|谷歌学术搜索
- f·佩德罗·g·马尔克斯,“二元决策图应用于故障树分析,”第四届专业学报》国际会议上铁路状态监测2008年6月,页1 - 5,。视图:谷歌学术搜索
- z, a·c·Bovik h·r·谢赫和e . p . Simoncelli“图像质量评估:从错误的可见性结构相似,“IEEE图像处理,13卷,不。4、600 - 612年,2004页。视图:出版商的网站|谷歌学术搜索
- m .去放羊,n . Czink h . Ozcelik带领,e . Bonek”相关矩阵的距离,一个有意义的措施评估非平稳MIMO信道,”职业训练局IEEE 61车辆技术研讨会论文集(05)2005年6月,页136 - 140。视图:谷歌学术搜索
- r·迪克西特和h·辛格“启发式方法减少嵌入式处理器系统大小”学报》国际会议数据挖掘(WorldComp 11)拉斯维加斯,页192 - 197年,NV,美国,2011年7月。视图:谷歌学术搜索
- c·f·巴恩斯,“Image-driven数据挖掘图像内容分割、分类、和归因,”IEEE地球科学和遥感,45卷,不。9日,第2978 - 2964页,2007年。视图:出版商的网站|谷歌学术搜索
- w·杜和r . l . Kirlin”改进协方差矩阵的估计融合互关联,”《第五ASSP研讨会谱估计和建模1990年10月,页317 - 321。视图:谷歌学术搜索
- 美国中情局汗和c·f·巴恩斯,”使用残差矢量量化图像内容分类,”声学学报IEEE国际会议,演讲和信号处理2011年5月,页1041 - 1044。视图:谷歌学术搜索
版权
版权©2012拉胡尔武断的话,Harpreet辛格。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。
