נושא הפרוייקט
מספר פרוייקט
מחלקה
שמות סטודנטים
אימייל
שמות מנחים
עקיבה מבוססת למידה עמוקה עבור תצפיות גראפיות
Deep learning aided tracking from graphical data
תקציר בעיברית
מסנן קלמן הוא אלגוריתם מעקב שעוזר לנו לחזות את מצב המערכת בזמן העכשווי על ידי שימוש במדידות מזמן קודם בלבד. על מנת שהחיזוי יהיה אמין עלינו לאפיין את המערכת הדינמית כמודל מרחב מצב, משימה שלא תמיד ניתן לבצע בצורה מדויקת. מטרת הפרויקט הינה מעקב אחרי מערכת משתנה בזמן על בסיס תצפיות גרפיות מורעשות, זאת אנו עושים באמצעות שילוב של אלגוריתם המעקב הקלאסי עם למידה עמוקה ועקרונות של סינון אותות גרפיים. החידוש של הפרויקט הוא שימוש באותות גרפים אשר מעלה את הישימות של אלגוריתמי המעקב הקלאסיים. במהלך הפרויקט יושם אלגוריתם למערכת משוואות מצב בממד הגרפי. על מנת לעשות זאת נעשה שימוש בהרחבת מסנן קלמן הקלאסי עם למידה עמוקה, רשת קלמן, המותאמת לעיבוד אותות גרפים. האלגוריתם יושם בארבע סימולציות שונות, מודל לינארי, שני מודלים לא ליניאריים ומודל יישומי של רשת חשמל. מתוך התוצאות שהתקבלו ניתן לראות התאמה של התיאוריה למעשי, כלומר שיפור בתוצאות העקיבה וירידה משמעותית בזמן החישוב וכמות יחידות החישוב הנדרשות.
תקציר באנגלית
Kalman filter is a tracking algorithm for dynamic systems which predict the actual state by only using measurements observed over time. In many applications, the observations and state to be tracked are graph signals, which often do not obey such simplified models. Our project goal is tracking a dynamic system, trying to predict the state of the system in a specific time based on noisy graph signal measurements from previous times. The innovation of our study is tracking graph signals in partially known state space model with affordable computational complexity. We have implemented a filtering algorithm for graphical signals in full and partially known state-space models. The tool we used is an augmentation of the classical Kalman filter with deep learning, coined KalmanNet, adapted to process graphical signals. The algorithm was implemented in four different simulations, a linear model, two non-linear models and an applied model of a power grid. According to the results received, the theory matches the practical, i.e. an improvement in the tracking results and a significant decrease in the calculation time and complexity.