ترغب بنشر مسار تعليمي؟ اضغط هنا

تطويرات خوارزميات تعلم الآلة في نظم تحديد وتتبع الموقع

Machine Learning Advances in Localization and Tracking Systems

2055   0   71   0 ( 0 )
 تاريخ النشر 2018
والبحث باللغة العربية
 تمت اﻹضافة من قبل Abdullah Alsaidi




اسأل ChatGPT حول البحث

يهدف المشروع إلى تقديم توجه جديد للاستفادة من تطور قدرات خوارزميات تعلم الألة في نظم تحديد الموقع، يعتمد على استثمار مجموعة الإشارات اللاسلكية من خلال تقديم دراسة بحثية تشمل الربط بين شدَات الإشارة المستقبلة والموقع الموافق ومن ثم الحصول على تنبؤ أمثلي عن طريق مرشح كالمان، بافتراض أن حركة الهدف وعملية القياس هما عمليتان عشوائيتان Stochastic Processes و يتضمن المشروع تطبيق عملي يشمل تطبيق النظام ببيئة خارجية Outdoor ، تشمل منطقة المزة ضمن مدينة دمشق، بالتعاون مع شركة سيريتل، بالإضافة إلى تطبيق على بيئة داخلية ضمن بناء هندسة الحواسيب والأتمتة في كلية الهندسة الميكانيكية والكهربائية بواسطة Mobile Robot



المراجع المستخدمة
Saleh، Yayha. 2017. Cellular-based Tracking System using Machine Learning Algorithms and Kalman Filter.
Sandy Mahfouz، Farah Mourad-Chehade، Paul Honeine، Joumana Farah، and Hichem Snoussi. 2014. Target Tracking Using Machine Learning and.
Ng، Andew. "Support Vector Machines." In CS229 Machine Learing. Stanford.
قيم البحث

اقرأ أيضاً

تعد عملية تحديد موقع عقد الحساسات اللاسلكية المنتشرة في الوسط ضرورية من أجل التطبيقات التي تعد فيها المعلومات المتعلقة بموقع التحسس معلومات مهمة كتطبيقات الأمن و الحماية و تتبع الأهداف و غيرها من التطبيقات. تصنف خوارزميات تحديد الموقع إلى نوعين: المع تمدة على المدى Range-based و غير المعتمدة على المدى (Range-free). ركزت الدراسة على الخوارزميات غير المعتمدة على المدى لأنها أقل كلفة من حيث متطلبات أجهزة العتاد الصلب المستخدمة. استخدم الماتلاب في محاكاة الخوارزميات، حيثُ جرى تقييم أدائها في ظل تغيير عدد العقد الشبكية، عدد العقد المرجعية، إضافة الى مجال اتصال العقد بغيةَ توضيحِ اختلافات الأداء من ناحية خطأ الموقع. أظهرت النتائج تفوق خوارزمية عدم الانتظام (Amorphous)، محققة دقة عالية في تحديد الموقع، و كلفة أقل بالنسبة الى عدد العقد المرجعية المطلوبة لتحقيق خطأ موقع صغير.
يهدف التنقيب عن البيانات التعليمية إلى دراسة البيانات المتوفرة في المجال التعليمي وإخراج المعرفة المخفية منه بغية الاستفادة منها في تعزيز عملية التعليم واتخاذ قرارات ناجحة من شأنها تحسين الأداء الأكاديمي للطالب. تقترح هذه الدراسة استخدام تقنيات التنق يب عن البيانات لتحسين التنبؤ بأداء الطلاب، حيث تم تطبيق ثلاث خوارزميات تصنيف Naïve Bayes, J48, Support Vector Machine)) على قاعدة بيانات أداء الطلاب ، ثم تم تصميم مصنف جديد لدمج نتائج تلك المصنفات الفردية باستخدام تقنية الدمج Voting Method . تم استخدام الأداة WEKAالتي تدعم الكثير من خوارزميات و طرائق التنقيب في البيانات. تظهر النتائج أن مصنف الدمج لديه أعلى دقة للتنبؤ بمستويات الطلاب مقارنة بالمصنفات الأخرى ، حيث حقق دقة تعرف وصلت إلى74.8084 % . و أفادت خوارزمية العنقدةsimple k-means في تجميع الطلاب المتشابهين في مجموعات منفصلة بالتالي فهم مميزات كل مجموعة مما يساعد على قيادة وتوجيه كل مجموعة على حدى.
تصف هذه الورقة النهج الذي تم تطويره لمهمة Semeval 2021 7 (Hahackathon: دمج العوامل الديموغرافية في مهام فكاهة مشتركة) من قبل فريق Duth.استخدمنا ومقارننا مجموعة متنوعة من تقنيات المعالجة المسبقة، وأساليب Vectorization، وعديد من خوارزميات التعلم الآلات التقليدية، من أجل بناء نماذج التصنيف والانحدار للمهام المعينة.استخدمنا التصويت الأغلبية للجمع بين مخرجات النماذج مع الشبكات العصبية الصغيرة (NN) لمهام التصنيف ومتوسطها لانحدارها لتحسين أداء نظامنا.في حين أثبتت هذه الطرق أضعف من نماذج التعلم الحديثة والعميقة، فإنها لا تزال ذات صلة في مهام البحث بسبب انخفاض احتياطيها على السلطة الحاسوبية والتدريب الأسرع.
تم في هذا البحث مقارنة أداء خوارزميات جدولة المهام العشوائية على منصة متعددة النوى بهدف تحديد الخوارزمية الأفضل من ناحية مجموعة من البارامترات المعتمدة من قبل الباحثين في هذا المجال و التي بدورها تعطينا تفاصيل دقيقة حول جودة مثل هذه الخوارزميات عند ت طبيقها على مجموعة من المهام العشوائية المولدة وفق التوزع الاحتمالي اللوغاريتمي الموحد. تمت عملية المحاكاة على البرنامج simso و الذي أثبت موثوقية أداء عالية بشهادة العديد من الباحثين في هذا المجال فضلاً عن كونه يقدم إمكانية توليد المهام وفق توزعات احتمالية معينة، و يحاكي تفاصيل دقيقة متعلقة بخصائص المهام العشوائية.
يسمح التعلم المستمر في أنظمة الحوار الموجهة نحو المهام للنظام بإضافة مجالات ووظائف جديدة للعمل الإضافي بعد النشر، دون تكبد التكلفة العالية لإعادة النظر في النظام بأكمله في كل مرة. في هذه الورقة، نقترح أول معيار تعلم مستمر على الإطلاق لأنظمة الحوار ال موجهة نحو المهام مع أن يتم تعلم 37 نطما بشكل مستمر في إعدادات التعلم المعدلة والنهاية. بالإضافة إلى ذلك، نقوم بتنفيذ ومقارنة خطوط أساسيات التعلم المستمرة المتعددة، ونقترحنا طريقة معمارية بسيطة ولكنها فعالة تعتمد على المحولات المتبقية. نشير أيضا إلى أن الأداء العلوي للتعلم المستمر يجب أن يكون يعادل التعلم المتعدد المهام عند توفر البيانات من جميع المجال في وقت واحد. توضح تجاربنا أن الطريقة المعمارية المقترحة وإجراءات استراتيجية تستند إلى إعادة التشغيل بسيطة تؤدي بشكل أفضل، من خلال هامش كبير، مقارنة بتقنيات التعلم المستمرة الأخرى، وأسوأ قليلا قليلا من العلوي المتعدد التعلم العلوي أثناء كونه 20x بشكل أسرع في تعلم النطاقات الجديدة. نحن نبلغ أيضا العديد من المفاضلات من حيث استخدام المعلمة وحجم الذاكرة ووقت التدريب، وهي مهمة في تصميم نظام حوار موجه نحو المهام. يتم إصدار المعيار المقترح لتعزيز المزيد من البحث في هذا الاتجاه.
التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا