Adaptive Neuro-Fuzzy Inference System in Fuzzy Measurement to Track Association
Notice bibliographique
Résumé
The main issue in a surveillance environment is the target tracking. The most important concern in this problem is the association of the various measurements with the existing target tracks. The fuzzy c-means data association (FCMDA) algorithm, based on the fuzzy c-means (FCM) algorithm, is an efficient solution for the problem of measurement to track association in a multisensor multitarget environment. It has a high accuracy in measurement to track association when targets are far from each other. However, its accuracy remains low when targets are close to one another. The FCMDA algorithm performance is usually lost in this environment, especially when measurement noise is high. In the FCMDA algorithm, the association between measurements and tracks is determined using an optimal membership function derived from the FCM algorithm for the fixed predicted state of targets. The prediction of the target state deviates from its correct value based on updating the tracker/filter with the wrong associated measurement. Consequently, the wrong association can take place using a deviated prediction of target state in the FCMDA algorithm. In this paper, to overcome this shortcoming of the FCMDA algorithm, the predicted state of every target in a surveillance environment is compensated for the effect of wrong associated measurement by an adaptive neurofuzzy inference system (ANFIS). An ANFIS has both the advantages of expert knowledge of a fuzzy inference system and the learning capability of neural networks. So a trained ANFIS is able to compensate the effect of a wrong associated measurement on the prediction of target state. Using the compensated prediction of target state in the FCMDA algorithm can always save the performance of the FCMDA algorithm and extend its domain of usage in practical applications. The simulation results demonstrate that considerable improvements in terms of accuracy and performance are achieved by using the compensated prediction of target state in the FCMDA algorithm.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».