الگوریتم فیلتر ذرات بهینه شده توسط الگوریتم ژنتیک ترکیب شده با بهینه سازی ازدحام ذرات

Particle filter algorithm optimized by genetic algorithm combined with particle swarm optimization

چکیده

1. مقدمه

2. فیلتر ذرات استاندارد

3. PSO-PF

4. GA-PSO-PF

5. تأیید و تجزیه و تحلیل الگوریتم

5.1. محیط شبیه سازی تجربی

5.2. پارامتر محیطی

6. نتیجه

سپاس گزاری

منابع

چکیده

الگوریتم فیلتر ذرات (PF) استاندارد مسئله فقدان تنوع ذرات ناشی از تخریب و نمونه برداری ذرات است که این امر برای نمونه های ذرات به طور دقیق توزیع صحیح و تابع چگالی احتمال حالت را غیرممکن می سازد. الگوریتم بهینه سازی ازدحام ذرات (PSO) می تواند به طور مؤثر مشکل تخریب ذرات از فیلتر ذرات یعنی PSO-PF را بهبود بخشد، اما تابع سازگاری آن تا حد زیادی تحت تأثیر واریانس نویز اندازه گیری است و به آسانی به بهینه محلی تنزل می یابد که تا حد زیادی دقت فیلتر کردن را محدود می سازد. بنابراین، این مقاله الگوریتمی را پیشنهاد می دهد که الگوریتم ژنتیک (GA) و الگوریتم PSO را ترکیب می کند تا فیلتر کردن ذرات یعنی GA-PSO-PF را بهبود بخشد. این الگوریتم سرعت همگرایی سریع بهینه سازی ازدحام ذرات را با قابلیت جستجوی قوی سراسری الگوریتم ژنتیک ترکیب می کند تا تنوع ذرات را ضمن تضمین اثربخشی ذرات برتر افزایش دهد و سرعت و دقت یافتن جواب بهینه را بهبود بخشد. نتایج تجربی نشان می دهد که عملکرد فیلتر کردن الگوریتم پیشنهادی بهتر از PF و PSO-PF است، و دقت موقعیت یابی و ردیابی در مقایسه با PF 54.44% و درمقایسه با PSO-PF 27.20% بهبود یافته است. 

1. مقدمه

ایده اصلی فیلتر کردن ذرات (PF) که به عنوان روش ترتیبی مونت کارلو نیز شناخته شده است، تقریب تابع چگالی احتمال سیستم با برخی از نقاط نمونه برداری تصادفی گسسته جهت کسب مینیمم برآورد واریانس حالت است ]1[. به مدل خطی سیستم و فرضیه توزیع گاوسی محدود نمی شود، و به طور گسترده در زمینه های بینایی کامپیوتر [2]، پردازش تصویر [3] و ردیابی رادار هدف [4] به کار رفته است. نمودار شماتیک الگوریتم در شکل 1 نشان داده شده است. با اینحال، الگوریتم فیلتر ذرات استاندارد دارای مشکل تخریب ذرات است [5]، برخی از پژوهشگران مجموعه ای از روش های بهبود را پیشنهاد داده اند. رودولف و همکاران ]6[ روش فیلتر کالمن بی اثر (UKF) را برای فیلتر کردن ذرات معرفی کردند و فیلتر ذرات بی اثر (UPF) را پیشنهاد دادند. بسیاری از پژوهشگران نیز برخی الگوریتم های هوشمند را جهت بهینه سازی الگوریتم فیلتر ذرات به کار برده اند [7] [8] [9]. 

Abstract

The standard particle filter (PF) algorithm has the issue of particle diversity loss caused by particle degradation and resampling, which makes it impossible for particle samples to accurately represent the true distribution of state probability density function. Particle swarm optimization (PSO) algorithm can effectively improve the particle degradation problem of particle filter namely, PSO-PF, but its fitness function is greatly affected by the variance of measurement noise, and is easy to fall into local optimal, which greatly limits the filtering accuracy. Therefore, this paper proposes an algorithm that combines genetic algorithm (GA) and PSO algorithm to improve particle filtering, namely, GA-PSO-PF. This algorithm combines the fast convergence speed of particle swarm optimization with the strong global searching ability of genetic algorithm to increase the diversity of particles while ensuring the effectiveness of superior particles, and improve the speed and accuracy of finding the optimal solution. Experimental results show that the filtering performance of the proposed algorithm is better than PF and PSO-PF, and the positioning and tracking accuracy is improved by 54.44% compared with PF and 27.20% compared with PSO-PF.

1. Introduction

Particle filtering (PF), also known as the Sequential Monte Carlo method, the core idea of which is to approximate the probability density function of the system with some discrete random sampling points to obtain the minimum variance estimation of the state[1]. Not limited by the linear system model and Gaussian distribution hypothesis, it has been widely used in computer vision [2], image processing [3] and radar target tracking [4] fields. The schematic diagram of the algorithm is shown in Figure 1. However, the standard particle filter algorithm has the problem of particle degradation [5], some researchers have proposed a series of improvement methods. Rudolph et al. [6] introduced the Unscented Kalman Filter (UKF) method into Particle filtering and proposed the Unscented Particle Filter (UPF). Many researchers have also used some intelligent algorithms to optimize the particle filter algorithm[7][8][9].

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

الگوریتم فیلتر ذرات بهینه شده توسط الگوریتم ژنتیک ترکیب شده با بهینه سازی ازدحام ذرات

Particle filter algorithm optimized by genetic algorithm combined with particle swarm optimization

الگوریتم ژنتیک برای خوشه بندی و مسیریابی مقرون به صرفه از لحاظ انرژی در شبکه های سنسور بی سیم

Genetic Algorithm for Energy-Efficient Clustering and Routing in Wireless Sensor Networks

چکیده
1- مقدمه
2- کار مرتبط
2-1 WSNها با CHهای موقت
2-2 WSNها با CHهای دائمی
3- مدل شبکه و اصطلاحات
3-1 توپولوژی شبکه
3-2 مدل انرژی
3-3 اصطلاح شناسی
4- مقدمات
4-1 مرور اجمالی بر GA
4-2 فرمولاسیون مسئله
5- الگوریتم پیشنهاد شده
5-1 نمایندگی کروموزوم
5-2 راه اندازی (مقداردهی) جمعیت
5-4 تقاطع و جهش
6- نتایج تجربی
6-1 تنظیمات پارامتری
6-2 مقایسه وزن λ
6-3 ساختار خوشه بندی و مسیریابی
6-4 تعادل بار
6-5 چرخه عمر شبکه
6-6 مصرف انرژی
6-7 نتایج تجربی در OMNeT ++
7- نتایج

چکیده
شبکه های حسگر بی سیم به طور گسترده ای در زمینه های مختلف از جمله نظامی، مراقبت های بهداشتی و کاربردهای ساخت و تولید به کار گرفته شده اند. با این حال، گره های حسگر از نظر تامین انرژی، توانمندی ذخیره سازی و توان محاسباتی خود محدود هستند. بنابراین، به منظور بهبود بهره وری (مقرون به صرفگی) انرژی و طویل شدن چرخه عمر شبکه، یک رویکرد خوشه بندی و مسیریابی مقرون به صرفه از لحاظ انرژی مبتنی بر الگوریتم ژنتیک به نام GECR ارائه می دهیم. ما راه حل بهینه به دست آمده در دور شبکه قبلی را به جمعیت اولیه برای دور کنونی اضافه می کنیم و به این ترتیب کارایی جستجو را بهبود می بخشیم. علاوه بر این، طرح خوشه بندی و مسیریابی در یک کروموزوم تک به منظور محاسبه کل مصرف انرژی ترکیب می شود. ما تابع تناسب را مستقيماً بر اساس مصرف انرژي کلی می سازیم و بدین ترتیب بهره وري انرژي را بهبود مي بخشیم. علاوه بر این، تعادل بار در هنگام ساخت تابع تناسب در نظر گرفته می شود. بنابراین، مصرف انرژی در میان گره ها می تواند متعادل شود. نتایج تجربی نشان داد که GECR بهتر از سایر پنج روش عمل نمود. GECR بهترین تعادل بار را با کمترین واریانس ها در بارها در سرهای خوشه تحت سناریوهای مختلف حاصل نمود. علاوه بر این، GECR, بیشترین بهره وری (مقرون به صرفگی) انرژی را با کمترین انرژی متوسط مصرف شده توسط سرهای خوشه و کمترین انرژی مصرف شده توسط تمام گره ها در برداشت.
1- مقدمه
شبکه های حسگر بی سیم (WSNs), فناوری سنسور، فناوری محاسبات جاسازی شده، فناوری پردازش اطلاعات توزیع شده و فناوری ارتباطات را ادغام می کنند. WSN ها در زمینه های مختلف، از جمله نظامی، دفاع ملی، نظارت بر محیط زیست، مدیریت ترافیک، مراقبت های بهداشتی، تولید و برنامه های پیشگیری از بلایا، به طور گسترده ای مورد استفاده قرار گرفته اند [1]. در یک WSN، گره های حسگر به طور همکارانه, اطلاعات فیزیکی و زیست محیطی را از منطقه تحت پوشش شبکه جمع آوری و پردازش می کنند و اطلاعات را به ناظران ارسال می کنند [2]. یک ناحیه نظارت اغلب نیاز به استقرار تعداد زیادی از گره های حسگر دارد، اما گره های حسگر از لحاظ ظرفیت های محاسباتی، ذخیره سازی و توانایی های ارتباطی خود در کاهش هزینه ها محدود هستند. به عنوان مثال،Micaz [3] که توسط CrossBow توسعه داده شده است، یک نوع نماینده از گره حسگر است که با میکروپروسسور (ریزپردازنده) Atmegal28L، تراشه CC2420، 128 کیلوبایت فلش و 4 کیلوبایت RAM مجهز شده است. گره حسگر با قدرت باتری محدودی تامین می شود و فراهم نمودن ثانویه انرژی برای گره ها دشوار است. بنابراین، پس از مردن بیشتر از یک درصد معینی از گره ها، خرابی شبکه رخ می دهد. بنابراین، کاهش مصرف انرژی گره های حسگر و افزایش چرخه عمر شبکه، چالشی کلیدی برای WSN ها است.
مطالعات قبلی نشان داده اند که مصرف انرژی مورد نیاز برای انتقال 1 بیت, بسیار بیشتر از مصرف انرژی مورد نیاز برای پردازش داده 1 بیتی است [4]. بنابراین، کاهش اندازه داده های ارسال شده یا دریافت شده برای گره های حسگر و بهینه سازی مسیریابی انتقال داده ها بین گره ها می تواند به طور موثر انرژی مصرف شده توسط شبکه را کاهش دهد. الگوریتم خوشه بندی [5], شبکه را به چند خوشه مستقل تقسیم می کند، جایی که هر خوشه شامل یک گره سر خوشه ای (CH) و گره های عضو چند خوشه ای(CM) می باشد. گره CH, مسئول دریافت داده ها از گره های CM است. با استفاده از الگوریتم های جمع آوری داده موثر، CH می تواند داده های بیش از حد یا نادرست را حذف کند، بنابراین مقدار زیادی از داده های جمع آوری شده به مقدار کمی از اطلاعات معنی دار ادغام می شوند. بنابراین، الگوریتم های خوشه بندی کارآمد می توانند ترافیک داده را کاهش داده و توپولوژی را بهینه سازی کنند، و در نتیجه بهره وری انرژی WSN ها را بهبود بخشند.

Abstract

Wireless sensor networks have been employed widely in various fields, including military, health care, and manufacturing applications. However, the sensor nodes are limited in terms of their energy supply, storage capability, and computational power. Thus, in order to improve the energy efficiency and prolong the network life cycle, we present a genetic algorithm-based energy-efficient clustering and routing approach GECR. We add the optimal solution obtained in the previous network round to the initial population for the current round, thereby improving the search efficiency. In addition, the clustering and routing scheme are combined into a single chromosome to calculate the total energy consumption. We construct the fitness function directly based on the total energy consumption thereby improving the energy efficiency. Moreover, load balancing is considered when constructing the fitness function. Thus, the energy consumption among the nodes can be balanced. The experimental results demonstrated that the GECR performed better than other five methods. The GECR achieved the best load balancing with the lowest variances in the loads on the cluster heads under different scenarios. In addition, the GECR was the most energy-efficient with the lowest average energy consumed by the cluster heads and the lowest energy consumed by all the nodes.

1- Introduction

Wireless sensor networks (WSNs) integrate sensor technology, embedded computing technology, distributed information processing technology, and communication technology. WSNs have been employed widely in various fields, including military, national defence, environmental monitoring, traffic management, health care, manufacturing, and disaster prevention applications [1]. In a WSN, the sensor nodes collaboratively collect and process environmental and physical information from the area covered by the network and send the information to observers [2]. A monitoring area often requires the deployment of a large number of sensor nodes, but the sensor nodes are limited in terms of their computational, storage, and communication capacities in order to reduce costs. For instance, Micaz [3] developed by CrossBow is a representative type of sensor node, which is equipped with an Atmegal28L microprocessor, CC2420 chip, 128 KB Flash, and 4 KB RAM. The sensor node is supplied with limited battery power and it is difficult to provide secondary energy to the nodes. Thus, network failure occurs after more than a certain percentage of the nodes die. Therefore, reducing the energy consumption of sensor nodes and prolonging the network life-cycle is the key challenge for WSNs.

Previous studies have shown that the energy consumption required for transferring 1-bit is much more than that for processing 1-bit data [4]. Thus, reducing the transmitted or received data sizes for sensor nodes and optimizing data transmission routing between the nodes can effectively reduce the energy consumed by the network. Clustering algorithms [5] divide the network into multiple independent clusters, where each cluster comprises a cluster head (CH) node and multiple cluster member (CM) nodes. The CH node is responsible for receiving data from the CM nodes. By using effective data aggregation algorithms, the CH can remove redundant or incorrect data so the large amounts of collected data are merged into a small amount of meaningful information. Therefore, efficient clustering algorithms can reduce the data traffic and optimize the topology, thereby improving the energy efficiency of WSNs.

تحولات اخیر در شناسایی آسیب سازه ها با استفاده از داده کاوی

Recent Developments in Damage Identification of Structures Using Data Mining

چکیده
1 مقدمه
2 داده‌کاوی (DM)
3 داده‌کاوی مبتنی بر رده‌بندی و پیش‌بینی در شناسایی آسیب سازه‌ای
3-1 شبکه عصبی مصنوعی (ANN)
3-2 تکنیک منطق فازی
3-3 رده‌بندی
3-4 ماشین بردار پشتیبانی (SVM)
3-5 تحلیل رگرسیون
3-6 تحلیل مؤلفه‌های اصلی (PCA)
3-7 تحلیل بیزی
3-8 دسته‌بندی
3-9 درخت تصمیم
4 داده‌کاوی مبتنی بر بهینه‌سازی در شناسایی آسیب سازه‌ای
4-1 الگوریتم‌های ژنتیک (GA)
4-2 بهینه‌سازی دسته ذرات (PSO)
4-3 بهینه‌سازی کلونی مورچه‌ها (ACO)
5 نتایج و تشریح مطالب
5-1 مقایسه کاربردهای تکنیک‌های داده کاوی در نظارت بر سلامت سازه‌ها
5-2 قابلیت‌ها و محدودیت‌ها
6 نتیجه‌گیری

چکیده

معمولاً سازه‌های عمرانی طی عمر بهره‌برداری‌شان به آسیب حساس‌اند و این امر منجر به از بین رفتن قابلیت بهره‌برداری و ایمنی‌شان می‌شود. بنابراین، یکپارچگی سازه‌ها را می‌توان با ارزیابی آسیب تضمین کرد. در نتیجه، روش شناسایی آسیب سازه‌ای که شامل دو جزء است، یعنی مجموعه‌ای از شتاب‌سنج‌ها برای ثبت داده‌های پاسخ سازه‌ای و شیوه داده‌کاوی (DM)، در استخراج اطلاعات سلامت سازه کاربرد وسیعی دارد. در چند دهه اخیر، شیوه داده‌کاوی به جهت قابلیت محاسباتی بالای‌اش به عنوان تکنیکی جامع راهکارهای بسیاری را برای مسائل نظارت بر سلامت سازه (SHM) فراهم کرده است. این مقاله با مروری گسترده بر مقالات مرتبط با کاربرد تکنیک‌های داده‌کاوی (DMT) مورد هدف در روش‌های داده‌کاوی مبتنی بر رده‌بندی، پیش‌بینی و بهینه‌سازی، اولین تلاشی را که برای تشریح کاربرد این تکنیک‌ها در SHM صورت گرفت معرفی می‌کند. براساس این رده‌بندی، کاربردهای تکنیک‌های داده‌کاوی در زمینه تحقیقاتی SHM رده‌بندی می‌شوند و نتیجه می‌گیریم که در دهه گذشته، کاربردهای‌شان در حوزه SHM با روندی روزافزون به مرحله پیاده‌سازی رسیده است، و مشهورترین تکنیک‌ها در این زمینه به‌ترتیب شبکه عصبی مصنوعی (ANN)، تحلیل مؤلفه‌های اصلی (PCA) و الگوریتم ژنتیک (GA) بوده‌اند.

6- نتیجه‌گیری

داده‌کاوی تنها یکی از مهم‌ترین مراحل فرآیند کشف دانش در پایگاه‌های داده (KDD) برای استخراج مدل‌ها، الگوها و قوانین از داده‌های خام پایگاه‌های داده بزرگ است. سه روش اصلی را می‌توان برای مسائل سازه‌ای واقعی بکار گرفت: تکنیک‌های آماری، تکنیک‌های یادگیری ماشین و تکنیک‌های هوش مصنوعی. در این مقاله، بسیاری از تکنیک‌های مختلف داده‌کاوی که از سال ۲۰۰۰ در زمینه SHM کاربرد داشتند بررسی شدند و، سپس، ایده، روش، قابلیت‌ها و معایبشان مورد بحث قرار گرفت. با توجه به اطلاعات ارائه‌شده، می‌توان به نتیجه‌گیری‌های زیر رسید: تکنیک‌های PCA، ANNو GA به‌ترتیب رایج‌ترین تکنیک‌های داده‌کاوی در زمینه SHM هستند که برای شناسایی آسیب سازه‌ای انواع گوناگون سازه‌های عمرانی بکار می‌روند؛ نظیر ساختمان، پل، تیر بتن‌مسلح، سد، سازه‌های خرپایی و صفحات فولادی.

Abstract

Civil structures are usually prone to damage during their service life and it leads them to loss their serviceability and safety. Thus, damage assessment can guarantee the integrity of structures. As a result, a structural damage detection approach including two main components, a set of accelerometers to record the response data and a data mining (DM) procedure, is widely used to extract the information on the structural health condition. In the last decades, DM has provided numerous solutions to structural health monitoring (SHM) problems as an all-inclusive technique due to its powerful computational ability. This paper presents the first attempt to illustrate the data mining techniques (DMTs) applications in SHM through an intensive review of those articles dealing with the use of DMTs aimed for classification-, prediction- and optimization-based data mining methods. According to this categorization, applications of DMTs with respect to SHM research area are classified and it is concluded that, applications of DMTs in the SHM domain have increasingly been implemented, in the last decade and the most popular techniques in the area were artificial neural network (ANN), principal component analysis (PCA) and genetic algorithm (GA), respectively.

6- CONCLUSION

DM is just one of the very important steps in the Knowledge Discovery in Databases (KDD) process to extract the models, patterns and rules from raw data in large databases. There are three main approaches, namely statistical techniques, machine learning techniques and artificial intelligence techniques to apply in structural real world problems. In this paper, various DMTs which are applicable to SHM from 2000 were widely reviewed and, consequently, their main concept, methodologies, capabilities and drawbacks were discussed. Based on the presented information, the following conclusions can be drawn.  ANN, PCA and GA are the most common DMTs in SHM, respectively, in order to structural damage identification of various types of civil structures; buildings, bridges, reinforced concrete beams, dams, truss structures, and steel plates.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تحولات اخیر در شناسایی آسیب سازه ها با استفاده از داده کاوی

Recent Developments in Damage Identification of Structures Using Data Mining

 بهینه ‌سازی تشخیص صرع مبتنی بر انرژی سیگنال الکتروانسفالوگرافی با استفاده از الگوریتم ژنتیک

 Optimizing EEG Energy-based Seizure Detection using Genetic Algorithms

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

 بهینه ‌سازی تشخیص صرع بر پایه انرژی سیگنال EEG با الگوریتم ژنتیک

 Optimizing EEG Energy-based Seizure Detection using Genetic Algorithms

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

بهینه سازی مدل تصادف از جلو وسیله نقلیه با وسیله نقلیه دیگر مبنی بر اطلاعات ارزیابی شده به وسیله الگوریتم ژنتیک

Optimization of Vehicle-to-Vehicle Frontal Crash Model based on Measured Data using Genetic Algorithm

چکیده
1- مقدمه
II- اماده سازی ازمایشی
III- توسعه مدل
A- مدل تصادف خودرو با خودرو
B- تقریب های خطی تکه ای برای فنرها و تعدیل کننده ها
C- طرح بهینه سازی الگوریتم ژنتیک
IV- نتایج و بحث
V- نتیجه گیری و کار اینده
سپاسگزاری
منابع

چکیده

در این مقاله، یک مدل ریاضی برای تصادف از جلو بین وسیله ی نقلیه با وسیله ی نقلیه دیگر توسعه می یابد. داده های ازمایشی برگرفته از اداره ی ملی امنیت ترافیک بزرگراه ها (NHTSA) می باشند. برای مدل سازی سناریوی تصادف، دو وسیله ی نقلیه توسط دو توده ی متحرک در جهات مختلف ارائه شدند. ساختارهای جلوی دو وسیله ی نقلیه توسط عناصر کلوین، متشکل از سیستم های فنری و کمک فنرها مدل سازی شدند، و به ترتیب، به عنوان توابع خطی تکه ای جابجایی ها و سرعت مورد ارزیابی قرار گرفتند. برای براورد و بهینه سازی پارامترهای مدل، یک رویکرد الگوریتم ژنتیک (GA) ارائه شده است. در نهایت، مشاهده شد که مدل توسعه داده شده می تواند نتایج عینا جنبشی واقعی را از تست تصادف دوباره ارائه کند.

V- نتیجه گیری و کار اینده

در این مقاله، یک روش ریاضیاتی برای براورد پارامترهای تصادف از جلوی دو خودرو ارائه شد. این موضوع مشاهده گردید که مدل منجر به واکنش ها در مدل تصادف خودرو و تطابق با ان با تست های تصادف ازمایشی می شود.بنابراین،رفتار کلی مدل ها مطابق با تصادف واقعی وسیله ی نقلیه اسست. از این رو، پیامد مدل پیشنهادی این است که این مدل می تواند به طراح خودرو کمک کند تا طراحی بهتری از وسیله ی نقلیه با تست های فیزیکی کمتر ارائه دهد. دو پارامتر اصلی تعیین کننده ی برخورد بیشینه ی تصادف دینامیک (Cm)، که بیشترین تغییر شکل خودرو را نشان می دهد، و زمان ™ که این اتفاق در ان رخ می دهد. انها مربوط به ضربه پذیری فرد ساکن در خودرو می باشند زیرا به ارزیابی حداکثر نفوذ به اتاق مسافر کمک می کنند. نتایج حاکی از این موضوع هستند که ما می توانیم به یک راه حل بهینه با الگوریتم ژنتیک، جعبه ابزار متلب نسبت به الگوریتم بهینه سازی f mincon دست یابیم. همچنین نشان داده شد که مدل و روش بهینه سازی پارامتر GA مورد استفاده در این کار را می توان برای تصادف های مختلف با سرعت های گوناگون گسترش داد.محققان این کار را با بررسی بخش های دیگر خودرو مانند موتور در مدل گسترش خواهند داد.

Abstract

In this paper, a mathematical model for vehicle-to-vehicle frontal crash is developed. The experimental data are taken from the National Highway Traffic Safety Administration. To model the crash scenario, the two vehicles are represented by two masses moving in opposite directions. The front structures of the vehicles are modeled by Kelvin elements, consisting of springs and dampers in parallel, and estimated as piecewise linear functions of displacements and velocities, respectively. To estimate and optimize the model parameters, a genetic algorithm approach is proposed. Finally, it is observed that the developed model can accurately reproduce the real kinematic results from the crash test.

V- CONCLUSION AND FUTURE WORK

In this paper, a mathematical-based method is presented to estimate the parameters of a vehicle-to-vehicle frontal crash. It is observed that the model results in responses in vehicle crash model match with the experimental crash tests. Therefore, the overall behavior of the models matches the real vehicle’s crash well. Hence the implication of the proposed model is that it can help vehicle designer to better design the vehicle with fewer physical crash tests. Two of the main parameters characterizing the collision are the maximum dynamic crash (Cm), which describes the highest car’s deformation, and the time ( tm) at which it occurs. They are pertinent to the occupant crashworthiness since they help to assess the maximum intrusion into the passenger’s compartment. The results show that we can obtain an optimum solution with GA Toolbox Matlab than the fmincon optimization algorithm. It has been demonstrated that the model and the GA parameter optimization procedure used in this work can be successfully extended for different range of crash speeds.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

بهینه سازی مدل تصادف از جلو وسیله نقلیه با وسیله نقلیه دیگر مبنی بر اطلاعات ارزیابی شده به وسیله الگوریتم ژنتیک

Optimization of Vehicle-to-Vehicle Frontal Crash Model based on Measured Data using Genetic Algorithm

به سوی یک الگوریتم ژنتیک ابتکاری بهبود یافته برای تحویل محتوای استاتیک در ذخیره سازی ابر

Towards an improved heuristic genetic algorithm for static content delivery in cloud storage

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

در جهت الگوریتم ژنتیک اکتشافی ارتقا یافته جهت تحویل محتوای ایستا در انبارش ابر

Towards an improved heuristic genetic algorithm for static content delivery in cloud storage

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تشخیص پلاک خودرو با شبکه عصبی بازگشت به عقب و الگوریتم ژنتیک

Plate Recognition Using Backpropagation Neural Network and Genetic Algorithm

چکیده
1 مقدمه
2 پیشینه
3 روش کار
4 پیش پردازش
5 شبکه عصبی بازگشت به عقب
5-1 پیکربندی لایه و مقداردهی وزن
5-2 تابع فعال سازی و آموزش بازگشت به عقب
6 الگوریتم ژنتیک
6-1 نمایش، جمعیت و مقداردهی
6-2 تابع تناسب (برازندگی)
6-3 انتخاب والد و ناظر
6-4 تقاطع، جهش و وضعیت خاتمه
7 نتایج و بحث
7-1 تست آموزش بازگشت به عقب
7-2 تست تشخیص
8 نتیجه گیری
منابع

چکیده

سیستم تشخیص پلاک خودرو سیستم مهمی است. این سیستم به منظور گیت پارک خودکار یا سیستم بلیت زنی خودکار قابل استفاده است. هدف این مطالعه تعیین اثربخشی الگوریتم های ژنتیک  (GA) در بهینه سازی تعداد نرون های پنهان، نرخ یادگیری و نرخ حرکت در شبکه عصبی بازگشت به عقب  (BPNN) است که به تشخیص دهنده خودکار شماره پلاک  (APNR) اعمال می شود. این تحقیق با ساخت سیستم BPNN بهینه شده توسط الگوریتم ژنتیک  (GABPNN) و APNR با استفاده از روش های پردازش تصویر شامل تبدیل grayscale، تبدیل top-hat، ریخت شناسی باینری، آستانه Otsu و نگاشت تصویر باینری انجام شده است. آزمایش ها با استفاده از آموزش بازگشت به عقب و تست تشخیص انجام شده است. نتایج نشان می دهد که شبکه عصبی بازگشت به عقب بهینه شده توسط الگوریتم ژنتیک نیازمند 2230 دوره زمانی در فرآیند آموزش به منظور همگرایی است به طوری که 36.83 درصد سریع تر از شبکه عصبی بازگشت به عقب بهینه است، در حالی که دقت آن 1.35 درصد بهتر از شبکه عصبی بازگشت به عقب غیر بهینه است.

1 مقدمه

در سال های اخیر سیستم های خودکار به بخش جدانشدنی کارهای روزانه تبدیل شده است. سیستم های خودکار ابزاری برای کمک به انسان به منظور انجام کارهایی است که دربرگیرنده دانش، استدلال و تجربه است. بخش جدانشدنی یک سیستم خودکار، هوش مصنوعی است و یکی از کاربردهای هوش مصنوعی در سیستم های خودکار تشخیص نوری کاراکتر  (OCR) است. OCR به یک رایانه این امکان را می دهد تا کاراکتر را از طریق تفسیر بصری تشخیص داده و کاراکتر را به طور خودکار بدون کمک انسان شناسایی کند. الگوریتم های متعددی وجود دارد که می توانیم از آن ها برای ایجاد سیستم OCR استفاده کنیم که شامل تطبیق الگو، ماشین بردار پشتیبان  (SVM)، مدل مارکوف مخفی، فاصله هوزدروف  و شبکه عصبی مصنوعی است. شبکه عصبی مصنوعی  محبوب ترین الگوریتمی است که توسط محققان برای حل مسائل تشخیص الگو مورد استفاده قرار گرفته است. شبکه عصبی مصنوعی به منظور حل بسیاری از مسائل قابل استفاده است و با گذشت زمان برای دستیابی به دانش یا ارتقاء دقت در شناسایی الگوها قابل آموزش است.

Abstract

Plate recognizer system is an important system. It can be used for automatic parking gate or automatic ticketing system. The purpose of this study is to determine the effectiveness of Genetic Algorithms (GA) in optimizing the number of hidden neurons, learning rate and momentum rate on Backpropagation Neural Network (BPNN) that is applied to the Automatic Plate Number Recognizer (APNR). Research done by building a GA optimized BPNN (GABPNN) and APNR system using image processing methods, including grayscale conversion, top-hat transformation, binary morphological, Otsu threshold and binary image projection. The tests conducted with backpropagation training and recognition test. The result shows that GA optimized backpropagation neural network requires 2230 epochs in the training process to be convergent, which is 36.83% faster than non-optimal backpropagation neural network, while the accuracy is 1,35% better than non-optimized backpropagation neural network.

1 Introduction

In the recent years, automated systems have become an integral part of daily tasks that only a human can do before. Automated systems are meant to help human to do task that involves knowledge, reasoning and experience. The integral part of an automated system is artificial intelligence and one of the application of artificial intelligence in automated system is Optical Character Recognition (OCR). OCR let a computer recognize character through visual interpretation and recognize character automatically without help from human. There are several algorithms that we can use to create OCR system, such as template matching, support vector machine (SVM), hidden markov model, hausdorff distance and artificial neural network. Artificial neural network is the most popular algorithm that has been used by researcher to solve pattern recognition problems1 . Artificial neural network can be used to solve many problems and it can be trained over time to gain its knowledge or to enhance its accuracy in recognizing patterns.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص پلاک خودرو با شبکه عصبی بازگشت به عقب و الگوریتم ژنتیک

Plate Recognition Using Backpropagation Neural Network and Genetic Algorithm

سیستم تشخیص چهره با استفاده از الگوریتم ژنتیک

Face Recognition System Using Genetic Algorithm

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

سیستم شناسایی چهره با الگوریتم ژنتیک

Face Recognition System Using Genetic Algorithm

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

یک الگوریتم ژنتیک برای حل مساله گراف چند مرحله ای

A Genetic Algorithm for Solving Multistage Graph Problem

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

یک الگوریتم ژنتیک برای حل مساله گراف چند مرحله ای

A Genetic Algorithm for Solving Multistage Graph Problem

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

یک سیستم خودتنظیمی برای مدلسازی رفتار سد براساس شبکه های عصبی مصنوعی تکاملی

A self-tuning system for dam behavior modeling based on evolving artificial neural networks

چکیده

1. مقدمه

2. پیش زمینه تئوریکی

2.1 شبکه عصبی مصنوعی

2.2 الگوریتم های ژنتیکی

3. دو گانه ANN/GA برای مدلسازی رفتار سد

3.1 تغییر و تحول مدل شبکه عصبی با استفاده از GA

3.2 پیاده سازی روش دوگانه ANN/GA برای مدلسازی رفتار سد

3.3 پیاده سازی نرم افزار

4. اعتبار سنجی روش دوگانه ANN/GA پیشنهادی

4.1 بررسی موردی

4.2 نتابج

4.3 بحث

5. نتیجه گیری

چکیده

بیشتر روش های موجود برای مدلسازی رفتار سد، فرض می نماید که سازه مدل شونده به طور موقت تغییر ناپذیر است و نیاز به یک مجموعه پایدار و ثابتی از پارامتر های ورودی دارد. در کاربردهای واقعی، تغییرات دائمی سازه و خرابی های دستگاه اندازه گیری می تواند منجر به یک موقعیتی شود که در آن، یک مدل انتخاب شده، ناپایدار باشد. بنابراین، توسعه سیستمی که قادر به تولید اتوماتیک مناسب ترین مدل سد برای یک موقعیت باشد، لازم است. دراین مقاله، ما یک سیستم خود تنظیمی را برای مدلسازی رفتار سد بر مبنای شبکه های عصبی مصنوعی (ANN) بهینه شده برای شرایط مفروض با استفاده از الگوریتم های ژنتیکی (GA) ارائه می نماییم. سیستم، در کل یک فرایند تکاملی و پویا، تطبیق های تقریبا واقعی را از معماری ANN طبق سنسور های فعال جاری و یک پایگاه داده اندازه گیری موجود، اجرا می نماید. این مدل با استفاده از بررسی موردی سد Grancarvano ( در رودخانه Trebisjica در جمهوری صربستان) تایید شد جاییکه جابجایی های شعاعی یک نقطه درون سازه سد به عنوان تابعی از منبع آب جریان بالادستی (سر آب)، دما و پیرشدگی (استهلاک خواص ماده در اثر گذشت زمان)، مدل می شود. کارایی سیستم با کارایی مدل هیبریدی (دوگانه) بر مبنای رگرسیون خطی چندگانه (MLR) و GA مقایسه شد. نتایج این آنالیز نشان داده است که روش دوگانه ANN/GA می تواند دقت بهتری را در مقایسه با روش MLR/GA ارائه نماید. از سوی دیگر، روش ANN/GA، نیازمند محاسبات بیشتر بوده و حساسیت قابل توجهی را به آفست فاز دمایی موجود در مکان های جغرافیایی مختلف دارد. 

1. مقدمه

برای توصیف و پیش بینی رفتار ساختاری سد، تعدادی از روش های ریاضی آماری، قطعی و دوگانه در چند دهه گذشته، توسعه داده شده است. روش های آماری بر پایه رگرسیون خطی چندگانه و شکل های پیشرفته آن مانند رگرسیون گام به گام، رگرسیون قوی، رگرسیون لبه ای و رگرسیون حداقل مربع جزئی، نشان داده شده که در مدلسازی سد کم و بیش موفق بوده اند. برعکس مدلسازی آماری، مدل های قطعی نیازمند حل معادلات دیفرانسیلی می باشد که برای آنها، بدست آوردن راه حل های شکل بسته (راه حل هایی که در تعداد محدودی از عملیات می تواند ارزیابی شود)، می تواند مشکل و یا غیر ممکن باشد. بنابراین بسیاری از مدل هایی که بر مبنای روش های عددی مانند روش المان محدود هستند، توسعه داده شده اند. اخیرا، روش های آماری و عددی با روش های حدسی و اکتشافی از حوزه هوش مصنوعی (AI) تلفیق شده که مدل های دوگانه ای را ایجاد کرده که مزیت های هر دو روش را با هم ترکیب می نماید. 

5. نتیجه گیری 

در این مقاله، DEVONNA، سیستم نرم افزاری خود تنظیم کننده برای مدلسازی رفتار سد بر مبنای یک شبکه عصبی مصنوعی تکاملی، ارائه شده است. به منظور کار با مجموعه متغیر از متغیر های پیش بینی کننده و افزایش دائمی پایگاه داده از اندازه گیری ها در مسائل واقعی، ما یک روشی برای تولید مدل سد ANN ارائه نمودیم که برای شرایط داده شده با استفاده از الگوریتم های ژنتیکی بهبود می یابد. برعکس راه حل های موجود، تغییر پذیری دائمی ورودی ها و پایگاه داده های یادگیری، نیاز به یک مدلی دارند که بیشتر پارامتر های ANN را مانند تعداد لایه های مخفی، تعداد نورون ها در هر لایه، تابع فعالسازی، الگوریتم یادگیری و پارامتر های یادگیری بهینه شده باشند. طبق مدل برنامه نویسی ریاضی، ما یک سیستم اتوماتیک را بر مبنای الگوریتم های ژنتیکی توسعه دادیم که یک شبکه ANN را برای تطبیق سنسور های فعالی موجود تطبیق می دهد، و با استفاده از آخرین داده تاریخچه ای، آموزش دهی می شود. 

Abstract

Most of the existing methods for dam behavior modeling presuppose temporal immutability of the modeled structure and require a persistent set of input parameters. In real-world applications, permanent structural changes and failures of measuring equipment can lead to a situation in which a selected model becomes unusable. Hence, the development of a system capable to automatically generate the most adequate dam model for a given situation is a necessity. In this paper, we present a self-tuning system for dam behavior modeling based on artificial neural networks (ANN) optimized for given conditions using genetic algorithms (GA). Throughout an evolutionary process, the system performs near real-time adjustment of ANN architecture according to currently active sensors and a present measurement dataset. The model was validated using the Grancarevo dam case study (at the Trebisnjica river located in the Republic of Srpska), where radial displacements of a point inside the dam structure have been modeled as a function of headwater, temperature, and ageing. The performance of the system was compared to the performance of an equivalent hybrid model based on multiple linear regression (MLR) and GA. The results of the analysis have shown that the ANN/GA hybrid can give rather better accuracy compared to the MLR/GA hybrid. On the other hand, the ANN/GA has shown higher computational demands and noticeable sensitivity to the temperature phase offset present at different geographical locations.

1. Introduction

To describe and predict the structural behavior of dams, a number of statistical, deterministic and hybrid mathematical models have been developed over the past decades. Statistical models based on multiple linear regression (MLR) and their advanced forms such as stepwise regression, robust regression, ridge regression and partial least squares regression have been shown to be more or less successful in dam modeling [1–3]. In contrast to statistical modeling, deterministic models require the solving of differential equations, for which closed form solutions could be difficult or impossible to obtain [4]. Therefore, many models that are based on numerical methods, such as the finite element method (FE), have also been developed [5]. Recently, numerical and statistical methods have been enriched with various heuristics from the artificial intelligence (AI) domain, creating hybrid models that combine their advantages.

5. Conclusion

In this paper, DEVONNA, the self-tuning software system for dam behavior modeling based on an evolving artificial neural network is presented. In order to deal with the variant set of predictor variables and the permanently increasing database of measurements in real-world problems, we developed a methodology for the generation of an ANN dam model that is optimized for given conditions using genetic algorithms. In contrast to the existing solutions, permanent variability of inputs and learning datasets require a model where most of the ANN parameters, such as the number of hidden layers, number of neurons per layer, activation function, learning algorithm and learning parameters are optimized. According to the corresponding mathematical programming model, we developed an automated system based on genetic algorithms that adapts an ANN network to fit currently active sensors and is learned using the latest historical data.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

یک سیستم خودتنظیمی برای مدلسازی رفتار سد براساس شبکه های عصبی مصنوعی تکاملی

A self-tuning system for dam behavior modeling based on evolving artificial neural networks