Normal view MARC view ISBD view

Opposition- based simulated kalman filters and their application in system identification / Kamil Zakwan bin Mohd Azmi

By:

Kamil Zakwan Mohd Azmi

Material type: Text

TextPublication details: Kuantan, Pahang : UMP, 2017Description: xv, 124 p. : ill. (some col.) ; 30 cm. + 1 CD ROMISBN:

THE0005188(Local)

Subject(s):

Online resources:

Library access only

Dissertation note: Thesis (Master of Engineering (Electronic)) -- Universiti Malaysia Pahang - 2017 Abstract: Algoritma pengoptimuman metaheuristik adalah teknik yang sesuai digunakan untuk menyelesaikan masalah yang sukar ditangani oleh kaedah pengoptimuman tradisional. Antara pelbagai jenis algoritma pengoptimuman, Simulasi Penapis Kalman (SKF) adalah algoritma pengoptimuman baru yang diilhamkan oleh keupayaan anggaran dari penapis Kalman. Berdasarkan mekanisme penapisan Kalman, proses SKF terdiri daripada ramalan, pengukuran, dan anggaran untuk mencari optimum global. SKF telah menunjukkan prestasi yang baik dalam menyelesaikan masalah pengoptimuman. Walaubagaimanapun, keupayaan explorasi SKF boleh dipertingkatkan lagi. Dari soroton litaratur, Pelajaran berasaskan Oposisi (OBL) telah digunakan untuk meningkatkan diversiti (explorasi) algoritma carian dengan membandingkan populasi semasa dengan populasi yang bertentangan. Dengan menggunakan konsep ini, lebih banyak agen yang berpotensi dijana untuk meneroka kawasan yang lebih baik yang wujud dalam lingkungan solusi. Oleh itu, kajian ini bertujuan untuk meningkatkan keupayaan explorasi SKF melalui aplikasi OBL. OBL diaplikasikan selepas proses anggaran SKF. Dua versi OBL telah digunakan dalam kajian ini, iaitu OBL asal dan Pelajaran berasaskan Oposisi Optimum Semasa (COOBL). Keputusan eksperimen ke atas fungsi penanda aras IEEE Congress on Evolutionary Computation (CEC) 2014 menunjukkan bahawa Simulasi Penapis Kalman berasaskan Oposisi (OBSKF) telah membuat sedikit penambahbaikan terhadap keupayaan explorasi SKF, manakala Simulasi Penapis Kalman berasaskan Oposisi Optimum Semasa (COOBSKF) telah berjaya meningkatkan keupayaan explorasi SKF dengan ketara. COOBSKF juga telah dibandingkan dengan lima algoritma pengoptimuman yang lain dan mengatasi prestasi mereka kesemuanya. Selain itu, tesis ini juga membentangkan aplikasi COOBSKF dalam masalah sistem pengenalan. Prestasi keseluruhan dinilai berdasarkan enam kajian kes. Menurut hasil eksperimen, COOBSKF menghasilkan purata maksimum pengesahan model sehingga 90%. Teknik ini boleh menjadi satu pendekatan alternatif untuk menyelesaikan masalah pengenalan sistem, selain daripada menggunakan kaedah konvensional.

Tags from this library: No tags from this library for this title. Log in to add tags.

Average rating: 0.0 (0 votes)

Holdings ( 2 )
Title notes ( 4 )

Holdings
Item type	Current library	Call number	Copy number	Status	Date due	Barcode
Thesis	UMPLIB PEKAN	FKEE .K36 2017 r Thesis (Browse shelf(Opens below))	1	Not for loan		0000117799
Thesis	UMPLIB PEKAN	CD 10756 \| FKEE .K36 2017 r Thesis (Browse shelf(Opens below))	1	Not for loan		0000117800

Faculty of Electrical and Electronics Engineering

Thesis (Master of Engineering (Electronic)) -- Universiti Malaysia Pahang - 2017

Bibliography : p. 115-123

Algoritma pengoptimuman metaheuristik adalah teknik yang sesuai digunakan untuk menyelesaikan masalah yang sukar ditangani oleh kaedah pengoptimuman tradisional. Antara pelbagai jenis algoritma pengoptimuman, Simulasi Penapis Kalman (SKF) adalah algoritma pengoptimuman baru yang diilhamkan oleh keupayaan anggaran dari penapis Kalman. Berdasarkan mekanisme penapisan Kalman, proses SKF terdiri daripada ramalan, pengukuran, dan anggaran untuk mencari optimum global. SKF telah menunjukkan prestasi yang baik dalam menyelesaikan masalah pengoptimuman. Walaubagaimanapun, keupayaan explorasi SKF boleh dipertingkatkan lagi. Dari soroton litaratur, Pelajaran berasaskan Oposisi (OBL) telah digunakan untuk meningkatkan diversiti (explorasi) algoritma carian dengan membandingkan populasi semasa dengan populasi yang bertentangan. Dengan menggunakan konsep ini, lebih banyak agen yang berpotensi dijana untuk meneroka kawasan yang lebih baik yang wujud dalam lingkungan solusi. Oleh itu, kajian ini bertujuan untuk meningkatkan keupayaan explorasi SKF melalui aplikasi OBL. OBL diaplikasikan selepas proses anggaran SKF. Dua versi OBL telah digunakan dalam kajian ini, iaitu OBL asal dan Pelajaran berasaskan Oposisi Optimum Semasa (COOBL). Keputusan eksperimen ke atas fungsi penanda aras IEEE Congress on Evolutionary Computation (CEC) 2014 menunjukkan bahawa Simulasi Penapis Kalman berasaskan Oposisi (OBSKF) telah membuat sedikit penambahbaikan terhadap keupayaan explorasi SKF, manakala Simulasi Penapis Kalman berasaskan Oposisi Optimum Semasa (COOBSKF) telah berjaya meningkatkan keupayaan explorasi SKF dengan ketara. COOBSKF juga telah dibandingkan dengan lima algoritma pengoptimuman yang lain dan mengatasi prestasi mereka kesemuanya. Selain itu, tesis ini juga membentangkan aplikasi COOBSKF dalam masalah sistem pengenalan. Prestasi keseluruhan dinilai berdasarkan enam kajian kes. Menurut hasil eksperimen, COOBSKF menghasilkan purata maksimum pengesahan model sehingga 90%. Teknik ini boleh menjadi satu pendekatan alternatif untuk menyelesaikan masalah pengenalan sistem, selain daripada menggunakan kaedah konvensional.