מבוא: הצורך של Robust אסטרימונס בעיבוד נתונים

נתוני חיישן מהווים את עמוד השדרה של מערכות הנדסה מודרניות, ממכוניות אוטונומיות ואוטומציה תעשייתית לניטור סביבתי ואבחון רפואי.אבל קוראי חיישן גולמי הם לעתים נדירות מושלמים.הם מגיעים מזוהמים על ידי רעש אלקטרוני, הפרעה סביבתית, סחף חומרה, ולעתים נדירות מסוכנים הנגרמים על ידי חיישן glitches או טיפות תקשורת.com סטנדרטי אלגוריתמים של אלגוריתמים - כגון ריבועים רגילים או מסננים קלמנטים קלאסיים - נקיים, ולכן ניתן לנפץ שגיאות, אפילו מוטציות לא אמינות, כאשר הם עלולים, כאשר הם עלולים, או אלגוריתמים לא אמין, אם כן, או אלגוריתמים, כאשר הם עלולים, עלולים להיות אלגוריתמים, או אלגוריתמים, או אלגוריתמים נוגדים, או אלגוריתמים אלגוריתמים אלגוריתמים עמידים, אם כן, אם כן, או אלגוריתמים אלגוריתמים אלגוריתמים אלגוריתמים אלגוריתמים אלגוריתמים אלגוריתמים אלגוריתמים אלגוריתמים אלגוריתמים אלגוריתמים אלגוריתמים אלגוריתמים, אם כן, אם כן, אם כן, אם כן, אם כן, אם כן, אם כן, אלגוריתמים, עלולים, עלולים, אם כן, אם כן, אם

שיטות estimation רובוסט אינן רק נחמדות תיאורטית; הן הכרחיות מעשית.בצמח ייצור, ספייק חיישן יחיד מעורר חרטה יכול לגרום אזעקה שקרית כי סוגרת קו ייצור. במערכת ניווט של מל"ט, כמה קוראי GPS מושחתים יכולים לגרום לרכב לאבד את הנתיב שלו. על ידי יישום טכניקות כגון M-estimators, RANSAC, ו-Clman חזק בתוך פילטרים מדויקים, יכולים ליצור עקרונות חיישן מדויקים אפילו על ידי יישום של נתונים יציבים.

הבנת האתגרים של חיישנים אמיתיים

לפני צלילה לתוך עיצוב אלגוריתם, חשוב לאפיין את סוגי השחיתות שהנתונים החיישן מופיעים בדרך כלל.שלושת האתגרים העיקריים הם רעש, חריגות, ולא סטיות.

רעש

רעש מתייחס תנודות קטנות, אקראיות סופר-מכוסות על האות האמיתי.רעש הצחיח, טעות קוונטית, והתערבות אלקטרונית הם מקורות טיפוסיים, בעוד רעש יכול לעתים קרובות להיות מודל אפס-מיין גאוסיאן, רעש בעולם האמיתי לפעמים מציג זנבות כבדים יותר או רכיבים תקופתיים. אלגוריתמים Robust חייבים לשמור על ביצועים סבירים גם כאשר הפצת הרעש ממודל ההנחה.

בחוץ

בחוץ הם ערכים קיצוניים כי מתפתלים באופן משמעותי מתבנית הנתונים הבסיסית.הם יכולים להתעורר משחיקה חיישן, העברת שגיאות מעט, או הפרעות סביבתיות טרנסיות (למשל, השתקפות של לידר מחלקיק אבק) הם מסוכנים במיוחד משום שהם יכולים להחליק לחלוטין את ההערכה אם האלגוריתם נותן להם את אותו משקל כמו תצפיות רגילות.

התנהגות לא-מציאותית ומציאות-הזמן

מאפיינים חושיים יכולים להשתנות לאורך זמן עקב סחף טמפרטורה, רכיבים ההזדקנות, או משמרות קליאה.בנוסף, התהליך הפיזי הבסיסי שנמדד עשוי להציג שינויים פתאומיים. אלגוריתמים של רובוסט חייבים להיות הסתגלותיים, מסוגלים לרדת במשקל או לשכוח מידע מיושן ולהגיב לתנאים מתפתחים.

הבנת האתגרים הללו היא הצעד הראשון.השלב הבא הוא ללמוד את עקרונות המפתח שאלגוריתמים חזקים של estimation מסתמכים על התמודדות איתם.

עקרונות מרכזיים של Robust Estimation

estimation Robust הוא שדה שנבנה על כמה רעיונות ליבה המאפשרים לאלגוריתמים להתנגד להשפעה השלילית של אי סדרי נתונים.שלוש העקרונות החשובים ביותר הם התנגדות יוצאת דופן, סובלנות רעש, והתאמה.

התנגדות יוצאת דופן

אלגוריתם הוא עמיד בפני עצמו אם הוא יכול להתעלם או למזער את ההשפעה של נקודות נתונים אטומיות.זה מושג באמצעות אסטרטגיות כגון:

  • (התוצאה:0) פונקציות ההשפעה המתנשאת: FLT:1 השפעת התבוננות על ההערכה יורדת ככל שהטרור שלה הופך גדול מאוד, בסופו של דבר הולך אפס.
  • (FLT:0Random sampling with Cons:cioFLT:1 במקום להשתמש בכל נקודות הנתונים, האלגוריתם דגימות שוב ושוב תת-שערים כי הם כנראה נקיים, מתאים מודל בכל פעם ובחירת אחד נתמך על ידי הכי הרבה יותר ויותר.
  • (ב) ⁇ :0) ⁇ או ניצחונות: ⁇ 1 (הגרויות הקיצוניות הן או מפוסקות או מקודמות לערך סף לפני שההערכה תונחה.

המונחים tolerance

סובלנות רעש מתייחסת ליכולת של האלגוריתם לייצר הערכות מדויקות גם כאשר היחס האות-לא-אין הוא נמוך.

  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) רשם: הוספת עונש לבעיית האופטימיזציה יכולה לייצב את ההערכות בנוכחות רעש גבוה.
  • (ה) אילוצים:0) מדינות: הטמעת הגבולות הפיזיים הידועים (למשל האצה מרבית) יכולה לסנן ערכים בלתי ניתנים למניעה הנגרמים על ידי רעש.

הסתגלות

estimators מותאם יכול להתאים את הפרמטרים או המבנה שלהם כמאפיינים נתונים משתנים לאורך זמן.

  • (ב) ⁇ :0) משקל מצטבר: 1FLT:1, משקלים מעודכנים מבוססים על השוכנים הנוכחיים, כך שחדשים מופיעים לאחרונה הם דלים.
  • (FLT:0) סינון מסנן: FLT:1 קלמן מסננים ומדנים דומים יכולים להיות חזקים על ידי שינוי הצעד העדכון כדי להתאים לחידושים שאינם גאוסיים.
  • (ב) גילוי:0 שינוי: איור 1 (Algorithms) יכול לזהות כאשר תהליך תהליך תהליך תהליך יצירת הנתונים משתנה ולאחר מכן לאחזר או לחזר חלקים של ה-estimator.

עם עקרונות אלה בראש, אנו יכולים כעת לחקור כיצד ליישם אותם באופן קונקרטי ב MATLAB.

יישום Robust Estimation Algorithms ב MATLAB

MATLAB מספק מערכת אקולוגית עשירה לפיתוח estimators חזקים, מפונקציות תיבת כלים בנויות לקוד מותאם אישית גמיש.בחירת האלגוריתם תלויה במאפיינים ספציפיים של נתוני חיישן ואת דרישות היישום. להלן אנו מכסים את המשפחות הנפוצות ביותר: M-estimators, RANSAC, מסננים חזקים Kalmans ושיטות קשורות.

M-Estimators for Robust Regression

(ההערכות הן סוג של טכניקות רגרסיה חזקות המחליפות את תפקוד העלות המפוארקטי של ריבועים רגילים עם פונקציה שגדלה לאט יותר עבור שאריות גדולות.הבחירות נפוצות כוללות את הפונקציה אובדן ה- Huber (quadratic for Small Livinguals, ליניארי עבור גדולים) ואת אובדן Tukey bisquare (אשר רמות כבויות ואז ירידה).

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

זה מתאים מודל ליניארי באמצעות מחזרות במשקל מחדש של לפחות ריבועים (IRLS) עם הפונקציה הדו-סquare משקל.You יכול גם ליישם מותאם אישית M-estimators על ידי כתיבת פונקציות משקל משלך והתאמה עד ההתכנסות.

  1. מומלץ להשתמש בריבועים רגילים לפחות.
  2. שאריות בולטות וסטייה סטנדרטית (למשל, באמצעות סטייה מוחלטת החציונית של עוצמה).
  3. חישוב משקולות המבוססות על תפקוד ההשפעה שנבחר.
  4. לפתור את הבעיה של פחות ריבועים.
  5. חזור על שלבים 2-4 עד שהפרמטר מעריך את ייצוב.

M-estimators עובד היטב כאשר רוב הנתונים נקיים ומספר של אאוטלרים הוא מתון.הם יעילים מבחינה חישובית בשימוש נרחב במשימות של חיישן והיתוך נתונים.

מידע על נתונים מחוץ ל-Outlier-Dominated

RANSAC (Random Sample Consensus) הוא אידיאלי כאשר השבריר של טרייר נמוך, לדוגמה ב- lidar Point רישום ענן או SLAM חזותי שבו חריגים (למשל, מאובייקטים נעים) יכול להיות רבים.

  1. באופן אקראי לבחור תת-קבוצה מינימלית של נקודות הדרושות כדי להתאים את המודל (למשל, 2 נקודות עבור קו).
  2. מתאים את המודל ל- subset זה.
  3. לספור כמה נתונים מצביעים על המודל בתוך סובלנות נתונה (הקונצנזוס קובע).
  4. חזור על שלבים 1-3 פעמים רבות.
  5. בחר את המודל עם הקונצנזוס הגדול ביותר להגדיר ולחדד אותו באופן אופציונלי באמצעות כל טרייר.

MATLAB מאפשר לך להגדיר משלך FLT:5 ו- (FLT:6) ליישם את RANSAC לכל בעיה של הערכה.

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

RANSAC הוא חזק במידה גבוהה מאוד של חריגים, עד 50% או יותר, אבל זה אינטנסיבי חישובי ודורש כוונון של הסף והמספר של הזיהומים.

רובוסט קאלמן מסננים עבור זמן-Series Sensor

עבור יישומים בזמן אמת כמו GPS / IMU היתוך או מעקב אחר מטרה, מסנן Kalman הוא כלי סטנדרטי.עם זאת, מסנן קלמן קלאסי מניח רעש Gaussian והוא רגיש מאוד לטריילרים. רובוסט לטפל זה על ידי שינוי שלב העדכון המדידה.

  • (FLT:0) מסנן קלמן מבוסס על קאלמן: FIRLT:1) מחליפ את העלות של חדשנות קוואדרטית עם אובדן הובר, למעשה ירידה במשקל חידושים גדולים.
  • (FLT:0) הפצתו של סטודונט: ההרחבה של ההרחבה:FLT ( 1:1 Assumesumes) תהליך קצר ורעש מדידה, תוך שימוש בגישה של Bayesian וריאציות לעדכון פרמטרים של המדינה והרעש.
  • (ב) דחייתו של ה-FLT:0) ,(ה) ,(ה) , ⁇ ) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

MATLAB אינו מספק מסנן קלמן מובנה, אבל אתה יכול ליישם אחד על ידי הרחבת ה-FLT:8 או FLT 9 אובייקטים.

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

סוג זה של מסנן הוא חזק נגד מדידות גרועות מדי פעם תוך שמירה על יעילות recursive הנדרשת עבור הערכה מקוונת.

שיטות נוספות של Robust

מעבר לשלוש המשפחות העיקריות, MATLAB תומך בטכניקות חזקות אחרות:

  • (ב) [15] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) [ה]ה'[דרוש מקור] [ב]], [ה] [ה]] [ה]], [ה]], [ה], [ה][ה]]]]], [ה], [ה]], [ה], [ה]], [ה] אין צורך ב[התיישבות] באמצעות ה-FLT:13] פונקציה מתיבת הכלים של הסטטיסטיקות.
  • (ב) [15] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

Best Practices for Design Robust Estimators

יישום אלגוריתם חזק הוא רק חצי הקרב, כדי להבטיח שהוא עובד באופן אמין בפועל, לעקוב אחר שיטות אלה הטובות ביותר.

עקבו אחרי Sensor Data

תמיד לבצע בדיקות איכות בסיסיות לפני האכלה נתונים לתוך estimator.שלבים מתקדמים נפוצים כוללים:

  • (ב) עיין ב'ה' (ב') ב'[[1924]], [[1924]], [[1924]]]]
  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) העברת מידע: 1FLT 1 אינטרפולט או לדלג על תצפיות חסרות כראוי.
  • (ב) ⁇ :0) ⁇ : ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

בחרו את רמת הרובה הנכונה

לא כל היישומים דורשים את אותה רמה של עוצמה.הפסד של הובר מתון עשוי מספיק עבור זרמי חיישן רועשים אך לעתים רחוקות מושחתים, בעוד גישה RANSAC נדרש כאשר חריגים הם תכופים.חשבו על התקציב חישובי: שיטות חזקות הן בדרך כלל איטיות יותר מאשר עמיתיהם שאינם בשימוש.

Tune Parameters בזהירות

אלגוריתמים של רובוסט יש פרמטרים של כוונון - לדוגמה, הסף האינטימי ב- RANSAC, ה- Huber לחתוך ב M-estimators, או סף חידוש במסננים קלמן חזקים.אלה צריכים להיות נבחרים על בסיס גודל הרעש הצפוי ומאפיינים יוצאי דופן. השתמש בסתבכות צלב או סימולציה כדי למצוא ערכים כי איזון חזק ויעילות.

אימות עם Simulated ו- Real Data

לפני הפריסה, לבדוק בקפדנות את ה-estimator באמצעות:

  • (ב) [15] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) נתונים היסטוריים: FLT:1 להפעיל את האלגוריתם על יומני חיישן ארכיונים שבהם ידוע כי הם נמצאים.
  • (ב) ,0) מחקרים של מונטה קרלו: 1FLT חוזר על התגשמות אקראית רבה כדי להעריך הטיה, השחלות ושיעורי הכשל.

עקבו אחרי online

במערכות ייצור, מעקב מתמיד אחר מדדים מרכזיים כגון שאריות, רצפי חדשנות, וערכים של המדינה כבולה.אם ה-estimator מתחיל לזלזל (למשל, שאריות הופכות לגדולות בהתמדה), שכבה פיקוחית יכולה לגרום לשיפוץ מחדש או לעבור למצב אחר.

יישומים אמיתיים ומקריות

רובוסט estimation ב MATLAB מוחל על פני תחומים רבים.כאן הם שלוש דוגמאות מרשימות.

היערכות אוטונומית

במכוניות אוטונומיות, היתוך חיישן משלב GPS, IMU, גלגל odometry, ו- Lidar. אותות GPS ניתן חסום או רב-פרון, סריקות לידר מכילות השתקפות של אובייקטים נעים, ו- IMU סחף. A חזק מסנן קלמנט מורחב (EKF) עם משקל מתפתל ומתאמת משמש כדי לדחות מדידות של MATLABS מספק מסלול עבור , לעתים קרובות עבור מכונית יציבה אחת:

תחזוקה תעשייתית

חיישנים של מכונות רוטטת אוספים נתונים לאיתור תקלות. Outliers יכולים להתרחש מ-Sense טייפינג או זעזועים טרנספורמטיביים. aspectral estimator (למשל, באמצעות ה-Corn periodogram) יכול לחלץ תדרים אמיתיים למרות ספקטרום זה של MATLAB כולל את הפונקציה עיבוד אותות כולל F {LT 18 ו-F:19 פונקציות שניתן להתאים עם ספקטרום פחות.

רשתות חיישן סביבתי

רשתות חיישן אלחוטיות המדידות טמפרטורה, לחות ואיכות אוויר לעתים קרובות חווים אובדן חבילות ותקלות חיישן לסירוגין.אלגוריתם של הטמעת נתונים חזק המבוסס על מסנן קלמן עם גילוי יוצא דופן יכול לייצר מפות מרחביות מדויקות אפילו כאשר 20% מהחיישנים מדווחים ערכים מושחתים.חוקרים באוניברסיטת קליפורניה הוכיחו גישות כאלה באמצעות MATLAB, תוך מינוף יכולות ה-FLT:0rotrupt Regression יכולות של reLTsFalrationration של 1 ו-ReLTer של נתונים של 1:1 ו-Refot.

מסקנה

רובוסט estimation אינו מותרות - הוא דרישה לכל מערכת שצריכה לפעול באופן אמין במציאות הלא-מוגן, הלא מושלמת של נתוני חיישן.על ידי הבנת סוגי השחיתות שחיישנים מייצרים ובאמצעות יישום עקרונות ההתנגדות הבלתי-מהיר, סובלנות רעש, הסתגלות, מהנדסים יכולים לעצב אלגוריתמים המספקים אלגוריתמים אמינים עבור עבודה זו, המציעים פונקציות מוכנות עבור שיטות משותפות וגמישות חזקה יותר, כדי למנוע פתרונות הגנה עצמית, החל מ-MRI-C-RAM רבים.

(ה) להעמיק את הידע שלך, לחקור את התיעוד הרשמי של MATLAB על FLT:0) , 000 תוקפנות regressionFLT 1 ו-FLT:2RANSAC אלגוריתם LT 3 בנוסף, ה-FLT:4Robust State Asvast המדינה אסטימום עבור כלי ההקצאה של רכב:5 לדוגמה מספק הליכה מעשית.