تصميم مقياس للتقدير الآلي في ماتلاب من أجل بيانات الاستشعار

مقدمة: الحاجة إلى تقدير قوي في معالجة البيانات الحساسة

ومن ثم فإن بيانات الاستشعار تشكل العمود الفقري للنظم الهندسية الحديثة، من المركبات المستقلة والتشغيل الصناعي إلى الرصد البيئي والتشخيص الطبي، إلا أن قراءة الاستشعار الخام نادرا ما تكون مثالية، إذ أنها تصل إلى الضوضاء الإلكترونية، والتدخل البيئي، والانجراف في المعدات، والتجاوزات الفادحة أحيانا بسبب الانقطاعات الحسية أو الانقطاع عن الاتصال، وافتراضات التقدير القياسية - مثل أقل الحدود الزمنية أو المرشقات الكلاسيكية -

إن أساليب التقدير الوطيد ليست مجرد طريقة نظرية بلطف؛ بل هي ضرورة عملية، ففي مصنع تصنيع، يمكن أن يؤدي ارتفاع وحيد في جهاز الاستشعار النابع إلى انذار كاذب يغلق خط الإنتاج، وفي نظام الملاحة للطائرة بدون طيار، يمكن أن تؤدي القراءات الفاسدة إلى فقدان المركبة، بل إن تطبيق تقنيات مثل المتحكمين في حركة النقل البحري، ونتائج التعبئة القوية في نظام كالمان.

فهم تحديات البيانات المستشعرة الحقيقية في العالم

وقبل التخلّص من تصميم الخوارزميات، من المهم وصف أنواع الفساد التي تجسّد البيانات الشائعة، والتحديات الرئيسية الثلاثة هي الضوضاء، والخارجيات، وعدم الاستقرار.

Noise

وتشير النواة إلى التقلبات العشوائية الصغيرة التي تُبطل الإشارة الحقيقية، فالضوضاء الحرارية، والخطأ في القياس الكمي، والتدخل الإلكتروني هي مصادر نموذجية، وفي حين أن الضوضاء يمكن أن تُصاغ في كثير من الأحيان على أنها ضوضاء من النوع " غاوسيان " ، فإن ضوضاء العالم الحقيقي تظهر أحياناً ذيلاً أثقل أو مكونات دورية، ويجب أن تحتفظ الخوارزميات الآلية بأداء معقول حتى عندما ينحرف توزيع الضوضاء عن النموذج المفترض.

المعالم الخارجية

فالأعمال الخارجية هي قيم متطرفة تنحرف كثيرا عن نمط البيانات الأساسي، ويمكن أن تنشأ عن التشبع بالأجهزة الاستشعار أو الأخطاء التي تُحدث في الإرسال أو الاضطرابات البيئية العابرة (مثل انعكاس الليدار من جسيمات الغبار) وتُعد المعالم خطرة بوجه خاص لأنها يمكن أن تُخزِّر تماما التقدير إذا أعطتها الخوارزمية نفس الوزن الذي تعطيه الملاحظات المنتظمة.

السلوك غير الاستبدادي والزمن

ويمكن أن تتغير خصائص الاستشعار بمرور الوقت بسبب انجراف درجة الحرارة أو المكونات العمرية أو التحولات في المعايرة، وبالإضافة إلى ذلك، فإن العملية المادية التي يجري قياسها قد تظهر تغيرات مفاجئة، ويجب أن تكون خوارزميات التقدير القوي متكيفة، قادرة على تناقص الوزن أو نسيان المعلومات القديمة، وتستجيب للظروف المتطورة.

فهم هذه التحديات هو الخطوة الأولى، وتتمثل الخطوة التالية في معرفة المبادئ الرئيسية التي تعتمد عليها الخوارزميات القوية في التقدير لمواجهة هذه التحديات.

المبادئ الرئيسية للتقديرات الآلية

فالتقديرات القوية هي ميدان يرتكز على عدة أفكار أساسية تسمح للخرافيين بمقاومة التأثير السلبي لمخالفات البيانات، وتتمثل أهم المبادئ الثلاثة في المقاومة المفرطة، والتسامح ضد الضوضاء، والقدرة على التكيف.

المقاومة الخارجية

فالخوارزمية أكثر مقاومة إذا أمكنها تجاهل أو التقليل من تأثير نقاط البيانات الشاذة بصورة فعالة، ويتم ذلك من خلال استراتيجيات مثل:

• Redescending influence functions:] The influence of an observation on the estimate decreases as its residual (error) becomes very large, ultimately going to zero.
• Random sampling with consensus:] instead of using all data points, the algorithm repeatedly samples subsets that are likely to be clean, fitting a model each time and selecting the one supported by the most inliers.
• Trimming or Winsorizing:] The extreme residuals are either discarded or clipped to a threshold value before the estimate is computed.

التسامح الضمني

ويشير التسامح الضمني إلى قدرة الخوارزمية على إعداد تقديرات دقيقة حتى عندما تكون نسبة الإشارة إلى الأرقام منخفضة، وتشمل التقنيات الرئيسية ما يلي:

• Weighted least squares:] Observations are weighted inversely with an estimate of their variation, giving more weight to less noisy measurements.
• Regularization:] Add a penalty term to the optimization problem can settle estimates in the presence of high noise.
• State constraints:] Incorporation of known physical limits (e.g., maximum acceleration) can filter out implausible values caused by noise.

القابلية للاعتماد

ويمكن للمقيمين المستقرين أن يضبطوا معالمهم أو هيكلهم مع تغير خصائص البيانات بمرور الوقت، وتشمل الأساليب الهامة ما يلي:

• Adaptive weighting:] Weights are updated iteratively based on the current residuals, so that newly appearing outliers are down- weighted.
• Recursive filtering:] Kalman filters and similar recursive estimators can be made robust by modifying the update step to accommodate non-Gaussian innovations.
• Change detection:] Algorithms can detect when the data generation process shifts and then reitialize parts of the estimator.

ومع أخذ هذه المبادئ في الاعتبار، يمكننا الآن استكشاف كيفية تنفيذها بشكل ملموس في إطار برنامج ماتا لاب.

تنفيذ تدابير التقدير الآلي في ماتالوب

وتوفر وزارة الشؤون الإدارية وشؤون الإدارة البيئية نظاماً إيكولوجياً غنياً لتطوير مُستقيمات قوية، من وظائف مجموعة الأدوات التي تم بناؤها إلى نظام مرن للعرف، ويعتمد اختيار الخوارزمية على خصائص البيانات المحددة للمجسات ومتطلبات التطبيقات، كما أننا نغطي الأسر الأكثر استخداماً: المُنظمون، والشبكة الإقليمية لشبكة الهلال الأحمر، والمرشحون القويون لـكالمان، والأساليب ذات الصلة.

M-Estimators for Robust Regression

(ب) إن المحركات هي فئة من تقنيات التراجع القوي التي تحل محل وظيفة التكلفة الكمائية للمربعين العاديين الأقل بوظيفة تنمو ببطء أكبر بالنسبة للمخلفات الكبيرة، وتشمل الخيارات المشتركة وظيفة الخسارة في الهبر (المياه للبقايا الصغيرة، والخسائر في المكسو) والخسائر في التوكي (التي ترتفع وتتناقص) [الصندوق: الاسم] في الإحصاءات.

mdl = fitlm(X, y, 'RobustOpts', 'bisquare');

وهذا يلائم نموذجاً خطياً يستخدم أقل الساحات وزناً تكراراً مع وظيفة وزن البسكويت، ويمكنك أيضاً تنفيذ المصممين حسب الطلب بكتابة مهام وزنك وترتيبها حتى التقارب، وتتمثل الخطوات الرئيسية في ما يلي:

1. بدء استخدام أقل مربعات عادية.
2. Compute residuals and standard deviation (e.g., using the median absolute deviation for robustness).
3. حساب الأوزان استناداً إلى وظيفة التأثير المختارة
4. حل مشكلة أقل مربعات مثقلة
5. اكرر الخط 2-4 حتى تستقر تقديرات البارامترات

ويعمل المصممون على نحو جيد عندما تكون أغلبية البيانات نظيفة وعدد المتفوقين متوسطين، وهم يتسمون بالكفاءة الحسابية ويستخدمون على نطاق واسع في مهام معايرة الاستشعار واندماج البيانات.

RANSAC for Outlier-Dominated Data

RANSAC (Random Sample Consensus) is ideal when the fraction of inliers is low, for example in lidar point cloud registration or visual SLAM where outliers (e.g., from moving objects) is numerous. MATLAB’s Computer Vision Toolbox provides functions such as for custom models and for geometric transformations.

1. نادرا ما تختار مجموعة فرعية من النقاط الدنيا اللازمة لمواءمة النموذج (مثل نقطتين لخط).
2. املأ النموذج لتلك المجموعة الفرعية
3. (أ) أن يحسب عدد نقاط البيانات التي تتفق مع النموذج في إطار التسامح المعين (مجموعة توافق الآراء).
4. اكرر الخطوات من 1-3 مرات عديدة
5. اختيار النموذج مع أكبر توافق في الآراء تم وضعه وتنقيحه بشكل اختياري باستخدام جميع الأنهار.

(ب) يسمح لكِ (مات لاب) بتحديد خطك الخاص [(FLT:5)] و لتطبيق نظام RANSAC على أي مشكلة تقديرية، مثلاً لتقدير خط من خلال نقاط الـ 2D مع العديد من العوامل الخارجية:

params = ransac(pts, @fitLine, @evalLine, ...);

وشبكة RANSAC قوية بالنسبة لنسبة عالية جدا من المتفوقين، تصل إلى 50 في المائة أو أكثر، ولكنها مكثفة حواسيب وتتطلب تدوين عتبة العتبة الدنيا وعدد المضاعفات.

ملفات " روبست كالمان " من أجل بيانات الاستشعار عن الوقت

وبالنسبة لتطبيقات الزمن الحقيقي مثل دمج النظام العالمي لتحديد المواقع/الوحدة المتكاملة المتعددة الجنسيات أو تتبع الأهداف، فإن مرشح كالمان هو أداة قياسية، غير أن مرشح كالمان الكلاسيكي يفترض ضوضاء غاوسيان وهو شديد الحساسية للمتفجرات، ويعالجها المتغيرات الروبوت بتعديل خطوة تحديث القياسات.

• تصفية كالمان القائمة على الهضم: ] يستعاض عن تكلفة الابتكار الرباعي بفقدان هوبر، وبتجديدات كبيرة منخفضة الوزن.
• Student’s t-distribution filtering:] Assumes heavy-tailed process and measure noise, using a variational Bayesian approach to update state and noise parameters.
• Adapaptive outlier rejection:] Compute the Mahalanobis distance of the innovation; if it exceeds a threshold, either discard the measurement or inflate its covariance.

لا توفر شركة MATLAB مرشحا قويا من نوع كالمان، ولكن يمكنك تنفيذ واحد بتوسيع نطاق أو ] [العمليات]، فعلى سبيل المثال، يمكن شفرة تحديث مبسط يستند إلى أساس هوبر على النحو التالي:

function [x, P] = robustUpdate(x_pred, P_pred, z, H, R, threshold)
 S = H * P_pred * H' + R;
 K = P_pred * H' / S;
 innov = z - H * x_pred;
 % Compute weight using Huber
 w = huberWeight(innov, S, threshold);
 x = x_pred + K * (w .* innov);
 P = (eye(n) - K * H) * P_pred;
end

وهذا النوع من المرشح قوي بالمقارنة مع القياسات العرضية السيئة مع الاحتفاظ بالكفاءة الترويحية اللازمة للتقدير على الإنترنت.

طرق أخرى للسطو

وفيما عدا الأسر الرئيسية الثلاث، تدعم وزارة الأسرة والأسرة والتقنيات الأخرى القوية:

• Median filters:] Non-linear filters that replace each point with the median of its neighbours; excellent for impulse noise removal. MATLAB’s and are simple to use.
• Theil-Sen estimator:] A non-parametric robust regression method that computes the median of slopes through all couples of points. It is highly resistant to outliers and requires no tuning. implementedable via the function from the Statistics Toolbox.
• L1 التراجع (الانحرافات المطلقة: ] التقليل إلى أدنى حد من مجموع المخلفات المطلقة بدلاً من المخلفات المربعة. ويمكن أن تستخدم مذيبات التعبئة () مع و) تقريبياً L1، أو يمكنك استخدام مذيبات التعبئة المثلى:

أفضل الممارسات في تصميم المصممين الآليين

وتنفيذ خوارزمية قوية هو نصف المعركة فحسب، ولضمان نجاحها بشكل موثوق في الممارسة العملية، تتبع هذه الممارسات الفضلى.

بيانات الاستشعار المسبقة

القيام دائماً بإجراء عمليات فحص للجودة الأساسية قبل إدخال البيانات إلى مُقيِّم، وتشمل الخطوات المشتركة في مجال التجهيز المسبق ما يلي:

• Range check:] Discard values that fall outside physically possible bounds.
• Reate-of-change limiting:] Reject spikes that imply implausible derivatives.
• Missing data handling:] Interpolate orpass missing observations appropriately.
• Normalization:] Scaleتغييرات إلى أحجام مماثلة لتحسين الاستقرار العددي.

اختيار مستوى الروبوتات الصحيحة

ولا تتطلب جميع الطلبات نفس درجة القوة، إذ قد يكفي فقدان الهوبر الصغير بسبب مجرى المشعرات المزعجة، ولكن نادرا ما يفسد، بينما يلزم اتباع نهج " إنصاف أمريكا " عندما يتكرر المعالم الخارجية، والنظر في الميزانية الحسابية: فالطرق القوية عادة ما تكون أبطأ من نظرائها غير المسيئين.

البارامترات بحذر

فالخريطوش الفاسدة لها بارامترات تُستخدم على سبيل المثال، عتبة العزل في منطقة رانساك، أو القطعة الهوبرية في المحركات المميزة، أو عتبة التلميح الابتكارية في مرشحات كالمان القوية، وينبغي اختيارها على أساس الضوضاء المتوقعة والخصائص الخارجية، واستخدام التفشي أو المحاكاة لإيجاد قيم توازن بين القوة والكفاءة.

القيمة مع البيانات المحاكاة والواقعية

قبل نشرها، اختبار دقيق للتقدير باستخدام:

• Synthetic data:] Generate ground truth plus controlled noise and outliers to verify correctness and breakdown point.
• Historical data:] Run the algorithm on archived sensor logs where outliers are known to occur.
• Monte Carlo trials:] Repeat many random realizations to estimate bias, difference, and failure rates.

رصد الأداء على الإنترنت

وفي نظم الإنتاج، يرصد باستمرار القياسات الرئيسية مثل المخلفات، وتسلسل الابتكار، والزوابق التقديرية للدولة، وإذا بدأ المُقدِّر يتدهور (مثلاً، تصبح المخلفات كبيرة باستمرار)، فإن طبقة الإشراف يمكن أن تؤدي إلى إعادة البدء أو التحول إلى طريقة مختلفة.

التطبيقات العالمية الحقيقية ودراسات الحالات الإفرادية

ويطبق التقدير القوي في نظام تبادل البيانات والتحليلات على نطاق واسع، وهناك ثلاثة أمثلة توضيحية.

تركيبة المركبات المستقلة

In self-driving cars, sensor fusion combines GPS, IMU, wheel odometry, and lidar. GPS signals can be blocked or multipath-prone, lidar scans contain reflections from moving objects, and IMU drift accumulates. A robust extended Kalman filters (EKFAT) with gating and adaptive weighting is used to reject anomalous framework. MAT

الصيانة الافتراضية الصناعية

ويمكن أن تحدث أجهزة استشعار التلفزة في أجهزة التناوب بيانات للكشف عن الأخطاء، ويمكن أن تحدث هذه المقاييس من قصف أجهزة الاستشعار أو الصدمات العابرة، ويمكن أن يستخرج جهاز قياسي قوي (مثلاً باستخدام المقياس الوسيط) ترددات اليقظة الحقيقية على الرغم من هذه الشذوذات.

Environmental Sensor Networks

وكثيراً ما تعاني شبكات الاستشعار اللاسلكية التي تقاس درجة الحرارة والرطوبة ونوعية الهواء من فقدان التعبئة وخطأ الحساس المتقطع، وقد أثبت خوارزمية استيعاب البيانات القوية استناداً إلى مرشح من طراز كالمان مع الكشف عن الأجسام البعيدة المدى وجود خرائط مكانية دقيقة حتى عندما تبلغ 20 في المائة من أجهزة الاستشعار عن قيم الفساد.() وقد أثبت الباحثون في جامعة كاليفورنيا هذه النُهج باستخدام جهاز MATLAB، أيهما:

خاتمة

إن التقدير الدقيق ليس مطلباً من أي نظام يجب أن يعمل بشكل موثوق في حالة عدم صحة بيانات الاستشعار، وبفهم أنواع الفساد التي تنتجها أجهزة الاستشعار، وبتطبيق مبادئ المقاومة الخارجية، والتسامح الضوضاء، والقدرة على التكيف، يمكن للمهندسين تصميم الخوارزميات التي تقدم تقديرات موثوقة.

To deepen your knowledge, explore the official MATLAB documentation on robust regression and the RANSAC algorithm. Additionally, the Robust State Estimation for Vehicle Localization Asenst robust systems walkation example