Evolutionäre Algorithmen für die zielgerichtete Optimierung pdfsubject
Evolutionäre Algorithmen für die zielgerichtete Optimierung pdfsubject
Evolutionäre Algorithmen für die zielgerichtete Optimierung pdfsubject
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
56 5. Evaluierung<br />
300<br />
280<br />
260<br />
240<br />
Fehler [mm]<br />
220<br />
200<br />
180<br />
160<br />
140<br />
120<br />
100<br />
1 2 3 4 5 6 7 8 9<br />
Anzahl der Meanshift−Iterationen<br />
Abbildung 5.2: Eindimensionale Abtastung der Anzahl der Meanshift-Iterationen für den<br />
andre A-Substream aus dem BiZiDa-Datensatz. Jede Stelle wird 25 Mal ausgewertet (graue<br />
Markierungen) und ergibt den Mittelwert (blau) und <strong>die</strong> Standardabweichung (rot) der euklidischen<br />
Fehlerwerte.<br />
340<br />
320<br />
300<br />
Fehler [mm]<br />
280<br />
260<br />
240<br />
220<br />
0<br />
200<br />
1<br />
2<br />
3<br />
Anzahl<br />
Meanshift−Iterationen<br />
4<br />
5<br />
6<br />
7<br />
8<br />
9<br />
2000<br />
1500<br />
1000<br />
500<br />
Partikelanzahl<br />
Abbildung 5.3: Diskrete Abtastung des zweidimensionalen Raumes, der durch <strong>die</strong> Parameter<br />
der Anzahl der Partikel und der Anzahl der Meanshift-Iterationen aufgespannt wird. Jede Stelle<br />
wurde 20 Mal ausgewertet und der Mittelwert der Posturfehler als Höhe des Kreuzungspunktes<br />
im Gitter eingezeichnet.
Change language