کد متلب ردیابی هدف در دو بعد با فیلتر کالمن
حاوی مجموعه کامل دیتا جهت تست برنامه
خط های برنامه حاوی توضیحات لازم به صورت کامنت هستند.
برای مشاهده نتایج کافیست کد را در نرم افزار متلب Run نمایید.
کد متلب ردیابی هدف در دو بعد با فیلتر کالمن
کد متلب ردیابی هدف در دو بعد با فیلتر کالمن
اختصاصی از یارا فایل کد متلب ردیابی هدف در دو بعد با فیلتر کالمن دانلود با لینک مستقیم و پر سرعت .
کد متلب ردیابی هدف در دو بعد با فیلتر کالمن
کد متلب ردیابی هدف در دو بعد با فیلتر کالمن
کاربرد طیف سنجی در شیمی آلی ال.دی فیلد
اختصاصی از یارا فایل کاربرد طیف سنجی در شیمی آلی ال.دی فیلد دانلود با لینک مستقیم و پر سرعت .
کاربرد طیف سنجی در شیمی آلی ال.دی فیلد
کاربرد طیف سنجی در شیمی آلی ال.دی فیلد
پروژه در س فیلتر وفقی و رادار- شبیه سازی مقاله فیلتر کالمن
اختصاصی از یارا فایل پروژه در س فیلتر وفقی و رادار- شبیه سازی مقاله فیلتر کالمن دانلود با لینک مستقیم و پرسرعت .
ام دیگر فیلترتطبیقی فیلتر سازگار یا فیلتر وفقی است.
وقتی مطالعه درباره فیلترهای سازگار را آغاز می‌کنیم اهمیت زیادی دارد تا نگاهی دقیق تر به مفهوم دو کلمه اصلی فیلتر و سازگار داشته باشیم. صفت سازگار درباره سیستمهایی بکار می‌رود که تلاش آنها بر وفق دادن رفتار خود نسبت به محیطی است که در آن قرار دارند. به بیان دیگر سیستمهایی سازگار هستند که می‌کوشند تا با تغییر مقدار پارامترهای خود عملکردشان را به نحوی متناسب با محیط اطراف خود تنظیم کنند. در این فرایند سیستمی که پارامترهای آن دچار تغییرات شده‌است، فیلتر نام دارد. بر اساس پیچدگی این سیستم و یا سرعت عملکرد آن، فیلترهای سازگار گوناگونی وجود دارند که می‌توانند عملکردی خطی یا غیر خطی داشته باشند. کلی ترین ساختاری که برای فیلترهای سازگار بکار می‌رود، ساختار یک فیلتر متقاطع است. فیلتر سازگار دارای یکسیگنال ورودی و یک سیگنال خروجی است. سیگنالی که علاقه مند هستیم تا خروجی فیلتر مشابه آن تنظیم شود، سیگنال است.
در اینجا دنباله ضرایب فیلتر است که مقدار دامنه این ضرایب، وزن‌های فیلتر نامیده می‌شود و نیز طول فیلتر می‌باشد. نیز دنباله‌ای نمونه برداری شده از سیگنال پیوسته ورودی است که دارای ضریب مطابق با تعداد ضرایب فیلتر است. آنچه در طول این فرایند تغییر می کند، دامنه ضرایب فیلتر یا همان وزن‌های فیلتر است که چگونگی تغییر آنها بر اساس الگوریتم فیلتر سازگاری می‌باشد که برای سیستم خاص تعریف خواهد شد. بر اساس نظریه وینر هاف، با یک رویکرد احتمالی می‌توان تخمین زد که وزن‌های بهینه برای فیلتر زمانی بدست می‌آیند که میانگین مربع خطا به حداقل مقدار خود برسد. در این حالت فیلتر [[همگرا] شده‌است. آنچه در فیلترهای سازگار اهمیت زیادی دارد این است که بتوان الگوریتمی پیاده کرد که با کمترین پیچیدگی‌های محاسباتی ریاضی و در حداقل زمان اجرای الگوریتم به مقدار بهینه برسد. زمان اجرای الگوریتم با اندازه گام‌های حرکت به سمت نقطه بهینه قابل تنظیم است. اندازه گام کوچک باعث افزایش دقت و کاهش خطا می‌شود و در عین حال سرعت اجرای الگوریتم را نیز کاهش می‌دهد. انتخاب اندازه گام بزرگ در حالی که سرعت اجرای الگوریتم را زیاد می‌کند، به همان نسبت نیز خطای همگرایی را افزایش خواهد داد. پس انتخاب اندازه گام مناسب در فیلترهای سازگار امری بسیار مهم و اساسی است. بر اساس همین نظریه الگوریتم حداقل میانگین مربعات شکل گرفت که مبنای احتمالی و آماری براساس یافتن نقطه بهینه داشته و وزن‌های آن بر این اساس تغییر می‌یابند. الگوریتم حداقل میانگین مربعات، یکی از کلی ترین و اساسی ترین روشهای اصلاح وزن است که بدلیل سادگی در مفهوم و اجرا کاربرد بسیار زیادی در شاخههای گوناگون دیگر از جمله الگوریتم‌های اصلاح وزن‌ها در شبکه‌های عصبی نیز دارد. در کنار فواید بی شمار، این الگوریتم دارای معایبی نیز هست که از جمله مهمترین معایب این الگوریتم وابستگی بسیار زیاد رفتار همگرایی الگوریتم به تابع چگالی طیف توان سیگنال ورودی است. اگر ورودی فیلتر سیگنال سفید باشد، به این معنا که سیگنال طیف توان دارای مولفههایی کاملا مسطح و یکنواخت در تمام فرکانسهای موجود باشد، آنگاه نرخ همگرایی الگوریتم حداقل میانگین مربع بسیار بالا خواهد بود و در غیر این صورت، سرعت همگرایی الگوریتم افت قابل ملاحظه‌ای پیدا خواهد کرد. برای رفع این مشکل الگوریتم‌های بسیار زیادی طراحی شد. در مقابل نظریه وینر هاف که دیدگاهی احتمالی و آماری به اصلاح وزن‌ها دارد، الگوریتم‌هایی نیز بوجود آمد که با محاسبات دقیق ریاضینقطه بهینه همگرایی را تعیین می‌کند. در این الگوریتم‌ها خطای همگرایی بسیار کوچک است و همگرایی الگوریتم با سرعت بسیار بیشتری نسبت به الگوریتم‌های مبتنی بر حداقل میانگین مربعاتانجام می‌شود. این افزایش سرعت و دقت در همگرایی در حالی به دست می‌آید که محاسبات بسیار دقیق و زیاد ریاضی باید در طول همگرایی الگوریتم توسط رایانه انجام شود که سرعت اجرای الگوریتم را به شدت کاهش خواهد داد. به عبارت دیگر افزایش سرعت همگرایی به قیمت افزایش پیچیدگی محاسبات الگوریتم به دست آمده‌است. این الگوریتم‌ها اغلب از معادلات بازگشتی ریاضی استفاده می‌کنند و در غالب روش کلی الگوریتم‌های فیلترهای سازگار حداقل مربعات بازگشتی ارائه شده‌است. الگوریتم استاندارد حداقل مربعات بازگشتی، یکی از زیر شاخههای این الگوریتم است که از جبر خطی ماتریس معکوس لما استفاده می‌کند
دانلود پایان نامه کاربرد فیلتر کالمن عصبی در بهبود سیگنال های صوتی
اختصاصی از یارا فایل دانلود پایان نامه کاربرد فیلتر کالمن عصبی در بهبود سیگنال های صوتی دانلود با لینک مستقیم و پرسرعت .
کاربرد فیلتر کالمن عصبی در بهبود سیگنالهای صوتی
لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:PDF
تعداد صفحه:125
فهرست مطالب :
چکیده ۱۲
مقدمه ۱۳
فصل ۱
مروری بر پژوهشهای پیشین
۱- فیلتر وینر ۱۴ -۱
۲- فیلتر کالمن ۱۵ -۱
۳- فیلتر کالمن توسعه یافته ۱۶ -۱
۴- روشهای کاهش طیفی ۱۷ -۱
۵- استفاده مستقیم از شبکه عصبی ۱۸ -۱
۶- فیلتر کالمن توسعه یافته دوگانه ۱۹ -۱
۷- فیلتر کالمن درک نشده ۲۰ -۱
۸- فیلتر کالمن درک نشده دوگانه ۲۱ -۱
فصل ۲
معرفی فیلترهای کالمن
۱- مقدمه ۲۵ -۲
۲- فیلتر کالمن ۲۶ -۲
۱- مدل سیگنال و مشاهده ۲۶ -۲-۲
۲- یافتن پارامترهای فیلتر کالمن ۲۹ -۲-۲
۳- خلاصه ای از روابط فیلتر کالمن ۳۱ -۲-۲
۴- خطای سیستم ۳۲ -۲-۲
۵- خصوصیات فیلتر کالمن ۳۳ -۲-۲
۳۴ (EKF) ۳- فیلتر کالمن توسعه یافته -۲
۳۹ (DEKF) ۴- فیلتر کالمن توسعه یافته دوگانه -۲
۱- فیلتر تخمین حالت کالمن توسعه یافته ۴۱ -۴-۲
۲- فیلتر تخمین وزن کالمن توسعه یافته ۴۴ -۴-۲
فصل ۳
شناسایی سیستمهای خطی و غیر خطی
۱- مقدمه ۴۵ -۳
۲- ساختارهای مدل کردن سیستمهای خطی ۴۷ -۳
۳- مدل فضای حالت سیگنالهای صوتی ۵۲ -۳
۴- اعتبار تخمین ۵۳ -۳
۱- تست تابع خود همبستگی ۵۴ -۴-۳
۵- شناسایی و مدل کردن سیستمهای غیر خطی ۵۶ -۳
۵۷ NARX ۱- روش -۵-۳
۶۱ NAR ۲- روش -۵-۳
۳- نمایش شبیه سازیهای مدلسازی صوت ۶۳ -۵-۳
فصل ۴
نمایش شبیه سازیهای انجام شده و نتایج آن
۱- مقدمه ۶۷ -۴
۲- شرح خلاصه مطالب ۶۸ -۴
۳- ساختار مدل ۶۹ -۴
۱- حلقه شناسایی سیستم ۷۰ -۳-۴
۲- ساختار شبکه عصبی ۷۲ -۳-۴
۳- نحوه آموزش شبکه عصبی ۷۳ -۳-۴
۴- نحوه همگرا شدن شبکه عصبی ۸۷ -۳-۴
۴- موضوع تخمین ۸۹ -۴
۱- نحوه تخمین سیگنال صوتی ۹۲ -۴-۴
۵- نتیجه گیری ۱۰۰ -۴
۶- پیشنهاد برای کارهای آینده ۱۰۱ -۴
۱۰۲ MATLAB پیوست ۱- برنامه های نوشته شده با نرم افزار 6.5
فهرست منابع فارسی ۱۰۸
فهرست منابع غیر فارسی ۱۰۹
فهرست نام ها ۱۱۳
چکیده :
در فصل اول، پایان نامه مروری بر پژوهشهای انجام شده توسط محققان و دانشمندا ن طی نیم
قرن اخیر دارد و سعی می کند تا روند تکامل خانواده فیلتر کالمن را مورد بررسی قرار دهد . در
فصل دوم به معرفی فیلتر کالمن، فیلتر کالمن توسعه یافته و فیلتر کالمن دوگانه می پردازد و روابط
آنها و چگونگی استخراج این روابط تشریح می گردد . در فصل سوم موضوع شن اسایی سیتمهای
خطی و غیر خطی مطرح می گردد و انواع روشهای شناسایی سیستمهای خطی و غیر خطی مورد
مطالعه قرار می گیرد . همچنین کاربرد شبکه عصبی در شناسایی سیستمهای غیر خطی و نحوه
آموزش و انتخاب ساختار شبکه عصبی تشریح می گردد و در ادامه نحوه آموزش شبکه عصبی
انتخاب شده ارائه می گردد . در فصل چهارم نیز به ارائه شبیه سازیهای انجام شده با نرم افزار
و مقایسه آنها با یکدیگر پرداخته شده است. Matlab 6.5
لیست برنامه های نوشته شده نیز در پیوست ۱ ارائه گردیده است.
موضوع بهبود گفتار با نیاز به افزایش کیف یت عملکرد سیستمهای ارتباطی صوتی در محیط های
نویزی ، مطرح گردید . رنج عملکردی وسیعی برای سیستمهای تشخیص گفتار جهت بهبود ارتباط
از راه دور در هوانوردی ، صنایع نظامی ، گفتگوهای راه دور و محیط های سلولی وجود دارد . هدف
ما نیز در این پایان نامه بهبود کیفیت قابل ملاحظه گفتار یا افزایش قابلیت فهم آن می باشد.
کاربردهای فراوانی از بهبود گفتارهای صوتی تا پیش بینی های اقتصادی و کنترل تطبیقی
نیازمند تخمین و مدلسازی دنباله های زمانی نویزی می باشند . از این جمله می توان به بهبود
گفتارهای صوتی ، پیش بینی اقتصادی ، مدلسازی ژئو فیزیکی و بسیاری کاربردهای دیگر اشاره
کرد. یک دنباله زمانی نویزی می تواند با یک مدل احتمالی که هر دوی اجزای تقریبی و دقیق
دینامیک ها را تخمین می زند ، توصیف شود . چنین مدلی می تواند به همراه فیلتر کالمن (یا فیلتر
کالمن توسعه یافته) جهت تخمین و پیش بینی سری زمانی از مشاهدات نویزی بکار گیری شود.
فیلتر کالمن یک فیلتر بهینه خطی است که بر روی فضای حالت سیتمهای خطی استاتیکی و
دینامیکی اثر گذاشته و یک تخمین بهینه از حالتهای سیستم با استفاده از معادلات بر گشت پذیر و
دینامیکی خود در شرایطی که دسترسی به آنها میسر نباشد ارائه می دهد . همچنین این فیلتر می
تواند تاثیر کلیه اطلاعات گذشته و ابتدایی سیستم را نیز در تخمین هر لحظه خود لحاظ نماید.
بنابراین با توضیحات ارائه شده در بالا می توان فهمید که جهت بازیابی یک سیکنال صوتی به
یک تخمین خوب نیاز است اما موضوع مهم این است که فیلتر کالمن خطی قادر به ارائه تخمین از
مدلهای سیستمهای غیر خطی نمی باشد حال آنکه اکثر سیستمهای واقعی که سیستمهای صوتی
نیز از این جمله می باشند ماهیت غیر خطی دارند. لذا در این پایان نامه بر آن شدیم تا با مطالعه بر
روی فیلتر کالمن توسعه یافته و به کمک شبکه های عصبی بتوانیم موضوع مدلسازی و تخمین
سیگنال صوتی را با فرض غیر خطی بودن آن بررسی نماییم.
و...