RAQAMLI TRANSFORMATSIYA JARAYONLARIDA SIGNAL VA TASVIRLARNI QAYTA ISHLASHDA ADAPTIV MODELLASHTIRISH: KALMAN FILTRI VA CHUQUR O‘RGANISH (LSTM/TRANSFORMER) INTEGRATSIYASI
Article Sidebar
Main Article Content
Аннотация:
Ushbu maqola raqamli transformatsiya jarayonlarida signal va tasvirlarni qayta ishlash samaradorligini oshirish uchun adaptiv modellashtirish usulini tadqiq etadi. Maqolaning markaziy maqsadi — shovqinni bartaraf etish va aniqlikni oshirish maqsadida an'anaviy Kalman filtri (KF) ning mustahkam nazariyasini chuqur o‘rganish (LSTM/Transformer) modellarining kuchli ketma-ketlikni modellashtirish qobiliyati bilan birlashtiruvchi gibrid integratsiya usulini taklif qilishdir. Taklif etilgan gibrid model KF ning optimum holatni baholash ustunligini LSTM/Transformer ning murakkab, chiziqli bo‘lmagan bog‘liqliklarni o‘rganish qobiliyati bilan birlashtiradi. Bu integratsiya noaniqlik sharoitida yuqori aniqlikdagi prognozlash va filtratsiyani ta'minlaydi. Tadqiqot natijalari gibrid yondashuvning shovqinni kamaytirish va obyektni kuzatish (tracking) kabi vazifalarda faqat KF yoki faqat chuqur o‘rganishga asoslangan yechimlarga nisbatan sezilarli darajada yaxshi ishlash ko‘rsatkichlarini (xatoni kamaytirish) namoyish etishini ko'rsatadi. Maqola bu gibrid modelning IoT, avtonom tizimlar va aqlli shahar infratuzilmalarida real vaqt rejimida qo‘llanilishining amaliy ahamiyatini ta'kidlaydi.
Article Details
Как цитировать:
Библиографические ссылки:
Kalman, R. E. (1960). Новый подход к задачам линейной фильтрации и прогнозирования.
Hochreiter, S., & Schmidhuber, J. (1997). Долгая краткосрочная память.
Vaswani, A., et al. (2017). Внимание – это всё, что вам нужно.
Ko, J., & Fox, D. (2009). GP-Байесовские Фильтры.
Thrun, S., Burgard, W., & Fox, D. (2005). Вероятностная робототехника.
Arulampalam, S. M., et al. (2002). A Tutorial on Particle Filters for Online Nonlinear/Non-Gaussian Bayesian Tracking.