Performance analysis of fuzzy logic particle filter compared to fuzzy IMM in tracking high-performance targets
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A high-performance target may accelerate at non-uniform rates, complete sharp turns within short time periods, thrust, roll, and pitch; which may not follow a linear model. Even though the interacting multiple model (IMM) can be considered as a multimodal approach, it still requires prior knowledge about the target model. To overcome this weakness, a fuzzy logic particle filter (FLPF) is used. It is comprised of single-input single-output; which is presented by fuzzy relational equations. A canonical-rule based form is used to express each of these fuzzy relational equations. The dynamics of the high-performance target are modeled by multiple switching (jump Markov) systems. The target may follow one-out of-seven dynamic behavior model at any time in the observation period under assumption of coordinate turn model. The FLPF has the advantage that it does not require any prior knowledge of statistical models of process as in IMM. Moreover, it does not need any maneuver detector even when tracking a high performance target; which results in less computational complexities. By using an appropriate fuzzy overlap set, only a subset of the total number of models need to be evaluated, and these will be conditioned on acceleration values close to the estimate. This reduces the computational load compared to the fuzzy IMM (FIMM) algorithm. To achieve the whole range of maneuver variables, more models can be added without increasing the computational load as the number of models evaluated is determined only by the overlap. An example is included for visualizing the effectiveness of the proposed algorithm. Simulation results showed that the FLPF has good tracking performance and less computational load compared to the FIMM when applied to systems characterized by large scan periods.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle