افزایش سازگاری فیلتر ذره ای با استفاده از روش های کلاسیک و الگوریتم اجتماع ذرات

سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 202

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ISEE-7-2_007

تاریخ نمایه سازی: 6 دی 1400

چکیده مقاله:

فیلتر ذره ای یکی از مهم ترین فیلترها در تخمین سیستم های غیرخطی - غیرگوسی است. با وجود این، فیلتر ذره ای در طول زمان ناسازگار است. ازآنجایی که انتخاب تابع توزیع پیشنهادی و روش نمونه برداری مجدد در بهبود دقت و سازگاری، بسیار مهم است، دراین مقاله، افزایش سازگاری فیلتر ذره ای با بهبود نمونه برداری و نمونه برداری مجدد انجام شده است. برای بهینه سازی نمونه برداری، الگوریتم بهینه سازی اجتماع ذرات (PSO) به داخل گام نمونه برداری پر اهمیت داخل شده است. الگوریتم PSO موجب حرکت مجموعه نمونه ها به سمت ناحیه با احتمال بالای پسین قبل از نمونه برداری می شود و درنتیجه توزیع نمونه ها بهبود پیدا می کند. به منظور کاهش اثر نمونه برداری مجدد روی دقت و سازگاری، روش جدید نمونه برداری مجدد ارائه شده است. روش نمونه برداری جدید می تواند تنوع میان ذرات را حفظ کند و ذرات نمونه برداری مجدد شده را وادار کند که به طور مجانبی نمونه ها را از تابع چگالی احتمال پسین حالت های واقعی تقریب بزنند. امتیاز روش نمونه برداری مجدد پیشنهادشده این است که هزینه محاسبات را کاهش می دهد. این بدان دلیل است که روش نمونه برداری مجدد پیشنهادشده، تنها روی بخشی از نمونه ها انجام می شود. اعتبار فیلتر پیشنهادی با استفاده از شبیه سازی ارزیابی شده است. نتایج نشان می دهند روش پیشنهادی عملکرد بهتری نسبت به فیلترهای کلاسیک دارد.

نویسندگان

رمضان هاونگی

استادیار، دانشکده مهندسی برق و کامپیوتر - دانشگاه بیرجند – بیرجند - ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Ristic, B., Arulampalam, S., Gordon, N., in Beyond Kalman Filter:Particle ...
  • Arulampalam, S., Maskell, S., Gordon, N., Clapp, T., “A tutorialon ...
  • Chen, S., “Kalman filter for robot vision: A survey”, IEEE ...
  • Loiola, M. B. Lopes, R.R., Romano, J.M.T., “Modified Kalman filters ...
  • Roshany-Yamchi, S., Cychowski, M., Negenborn , R.R., De Schutter, B., ...
  • Gustafsson, F. , Gunnarsson, F., Bergman, N. , Forssell, U., ...
  • Shenoy, A. , Prakash, J. , Prasad, V., Shah, S., ...
  • Park, S., Hwang, J. Kim, E., Kang, H., “A New ...
  • Chi, F., Meng, W., Qing-Bo, J. , “Analysis and Comparison ...
  • Doucet, A., Godsill, S., Andrieu, C. “On sequential Monte Carlo ...
  • Zhang, G.-Y. , Cheng, Y.-M. , Yang, F., Pan, Q., ...
  • Kronander, J., Schon, T.B., “Robust auxiliary particle filters using multiple ...
  • Higuchi, T., “Monte Carlo filter using the genetic algorithm operators”, ...
  • Tong, G., Zheng F., Xinhe X. “A particle swarm optimized ...
  • Wang, E., et al., “Application of Neural Network Aided Particle ...
  • Bar-Shalom, Y., Li, X.R., Kirubarajan, T., Estimation with Applications to ...
  • نمایش کامل مراجع