این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
رایانش نرم و فناوری اطلاعات، جلد ۷، شماره ۲، صفحات ۱۶-۲۸
عنوان فارسی فیلتر ذره ای بهبود یافته مبتنی بر محاسبات نرم با کاربرد در ردیابی هدف
چکیده فارسی مقاله فیلتر ذره‌ای یکی از مهمترین فیلترها در تخمین سیستم های غیر خطی/غیر گوسی که در کاربردهای زیادی استفاده شده است. در فیلتر ذره‌ای استاندارد، از آنجایی‌که تابع چگالی پسین مشترک حالت با استفاده از نمونه برداری پراهمیت بازگشتی تقریب زده می‌شود، ابعاد تابع چگالی پسین مشترک در هر لحظه از زمان رشد می‌کند. این موجب می‌شود که الگوریتم سریعا" تباهیده شود. بنابراین استفاده از استراتژی نمونه‌برداری مجدد بمنظور تضمین یک تقریب منطقی از تابع چگالی احتمال پسین روی کل مسیر لازم می‌شود. با وجود این، در پیاده‌سازی فیلتر ذره‌ای، نمونه‌برداری‌مجدد روی فضای حاشیه‌ای انجام‌ می‌شود. از آنجایی که سیستم ممکن است دارای رفتار فراموشی نمایی از خطاهای گذشته‌اش نباشد، با تعداد ذره محدود فرآیند نمونه برداری مجدد روی فضای حاشیه‌ای یک تخمین ناسازگار بوجود می‌آورد. برای رفع این مشکل، در این مقاله فیلتر ذره‌ای بهبود یافته مبتنی بر محاسبات نرم پیشنهاد شده است. در این فیلتر برخلاف فیلتر ذره‌ای، نمونه‌برداری بر روی توزیع حاشیه‌ای انجام می‌شود و ابعاد نمونه‌برداری با زمان افزایش نمی‌یابد. بعلاوه، نمونه برداری با استفاده از الگوریتم تکامل تفاضلی(DE) بهبود داده شده است. روش پیشنهادی با استفاده از شبیه‌سازی‌های کامپیوتری مورد ارزیابی قرار گرفته است. نتایج نشان می‌دهند روش پیشنهادی دارای عملکرد بهتری نسبت به فیلتر ذره‌ای استاندارد است.
کلیدواژه‌های فارسی مقاله فیلتر ذره‌ای، نمونه برداری مجدد، الگوریتم تفاضل تکاملی،
عنوان انگلیسی An improved particle filter based on soft computing with application in target tracking
چکیده انگلیسی مقاله Particle filter is one of the most important filters for estimating nonlinear/non-Gussian systems that is used in many applications. In a standard particle filter, since the common state density function of the state is approximated by recursive importance sampling, the dimension of the joint posterior grows with each time step. This causes the algorithm to be rapidly degenerated. Therefore, the use of a resampling strategy is required for guaranteeing a logical approximation of the density function on the entire path. However, in practice, resampling step is performed on marginal space. Since the system may not exhibit an exponential forgetting behavior from its past errors, it will produce an incomplete estimate with a small number of finite sampling processes on the marginal space. To solve this problem, an improved particle filter based soft computing is proposed in this paper. Unlike a particle filter, this filter is applied to the marginal distribution, and the sampling dimensions do not increase with time. In addition, sampling has been improved using an evolutionary differential algorithm. The proposed method is evaluated using computer simulations. The results show that the proposed method has a better performance than standard particle filter.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله رمضان هاونگی |
دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران.

نشانی اینترنتی http://jscit.nit.ac.ir/article_80955_83d11ec9b9d4f67044113cb40a765d3d.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/834/article-834-1305115.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات