Ograniczanie wyników
Czasopisma help
Autorzy help
Lata help
Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 49

Liczba wyników na stronie
first rewind previous Strona / 3 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  particle filter
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 3 next fast forward last
PL
W artykule zaprezentowano możliwość wykorzystania alternatywnej metody interpolacji rozkładów propagacji sygnału radiowego – kriging. Prezentowane referencyjne mapy RSSI są wykorzystywane jako zbiory danych do systemu lokalizacji w budynkach. System wykorzystuje metodę odcisków palców wspomaganą algorytmem filtracji cząsteczkowej. W ramach prezentowanych prac badawczych zweryfikowano, że możliwe jest efektywne wykorzystanie metody kriging do interpolacji danych pomiarowych RSSI i uzyskanie mniejszego błędu średniego i medianowego niż wykorzystanie danych pomiarowych lub rozkładów RSSI wygenerowanych z wykorzystaniem interpolacji liniowej.
EN
The article presents the possibility of using an alternative method of interpolation of radio signal propagation distribution sets – kriging. The presented reference RSSI distributions are used as data sets for the location system in buildings. The localization system uses the fingerprint method supported by a molecular filtration algorithm. As part of the presented research, it was verified that it is possible to effectively use the kriging method to interpolate RSSI measurement data and obtain a smaller average and median error than using measurement data or RSSI distributions generated using linear interpolation.
2
Content available Homography augmented particle filter SLAM
EN
The article presents a comprehensive study of a visual-inertial simultaneous localization and mapping (SLAM) algorithm designed for aerial vehicles. The goal of the research is to propose an improvement to the particle filter SLAM system that allows for more accurate and robust navigation of unknown environments. The authors introduce a modification that utilizes a homography matrix decomposition calculated from the camera frame-to-frame relationships. This procedure aims to refine the particle filter proposal distribution of the estimated robot state. In addition, the authors implement a mechanism of calculating a homography matrix from robot displacement, which is utilized to eliminate outliers in the frame-to-frame feature detection procedure. The algorithm is evaluated using simulation and real-world datasets, and the results show that the proposed improvements make the algorithm more accurate and robust. Specifically, the use of homography matrix decomposition allows the algorithm to be more efficient, with a smaller number of particles, without sacrificing accuracy. Furthermore, the incorporation of robot displacement information helps improve the accuracy of the feature detection procedure, leading to more reliable and consistent results. The article concludes with a discussion of the implemented and tested SLAM solution, highlighting its strengths and limitations. Overall, the proposed algorithm is a promising approach for achieving accurate and robust autonomous navigation of unknown environments.
3
EN
The article presents the dynamic estimation method of the path loss exponent parameter in the function of the distance based on the conducted measurements. A specific feature of this solution is its suitability for distance estimation on devices which are characterised by a small amount of resources. The presented method allows to provide an acceptable precision of distance estimation while using a relatively small measurement set. For this purpose, real RSSI (Received Signal Strength Indicator) measurements were used and estimation of the path-loss exponent was performed with the use of a Bayesian particle filter. The article, apart from a detailed demonstration of the algorithms, presents the results of the sensitivity analysis of this method to change the number of inserted particles and of the repetitions of calculations needed to estimate the path loss exponent. Additionally, the results of the model stability study on the size change of the experimental dataset RSSI are presented. The properties and accuracy of the proposed method are verified based on a set of actual measurement data. All the obtained results indicate the utility of the Bayesian filtering method for effective estimation of the path loss exponent and confirm the possibility of using the described method in systems with a limited amount of computing resources.
4
EN
The dynamic positioning (DP) system on the vessel is operated to control the position and heading of the vessel with the use of propellers and thrusters installed on the board. On DP vessels redundant measurement systems of position, heading and the magnitude and direction of environmental forces are required for safety at sea. In this case, a fusion of data is needed from individual measurement devices. The article proposes a new solution data fusion algorithm of particle Kalman filter as a cascade combination of particle filter and extended Kalman filter. The estimation quality of the proposed data fusion algorithm is analysed in comparison with the classic: extended Kalman filter (EKF), nonlinear observer (NO), and particle Kalman filter (PKF). Simulation studies were executed for emergency scenarios to evaluate the robustness of the algorithm analyses to measurement errors.
PL
System dynamicznego pozycjonowania (DP) na statku jest wykorzystywany do sterowania pozycją i kursem statku za pomocą pędników zainstalowanych na pokładzie. Na statkach DP dla zapewnienia bezpieczeństwa na morzu wymagane są redundantne systemy pomiarowe pozycji oraz wielkości i kierunku działania sił środowiskowych. W tym przypadku konieczna jest fuzja danych z poszczególnych urządzeń pomiarowych. W artykule zaproponowano nowy algorytm fuzji danych jako kaskadowe połączenie filtru cząsteczkowego i rozszerzonego filtru Kalmana. Analizowana jest jakość estymacji proponowanego algorytmu fuzji danych w porównaniu z klasycznymi algorytmami: rozszerzonym filtrem Kalmana (EKF), obserwatorem nieliniowym (NO) oraz cząsteczkowym filtrem Kalmana (PKF). Przeprowadzono badania symulacyjne algorytmów fuzji danych dla scenariuszy awaryjnych w celu oceny odporności algorytmów na błędy pomiarowe.
5
Content available remote An improved real visual tracking system using particle filter
EN
This paper presents a real hybrid visual tracking system based on a special-color model of target with improving the performance of this designed visual tracking system using various linear and nonlinear estimators like Kalman filter and particle filter. Moreover, the whole system has been designed and implemented in the laboratory by fusing the tracking algorithm that was created utilizing python software with a moving camera sensor. In addition, the designed visual tracking system has been simple, low cost and achieved all stages of visual tracking process like target initialization, appearance modeling, movement estimation, and target positioning with a great success. Finally, the graphical analysis results of the designed system illustrated had a great illustration on the validity of utilizing particle filer was very efficient and clearer with maneuvering targets than that were used with Kalman filter.
PL
W niniejszym artykule przedstawiono hybrydowy system śledzenia wizualnego oparty na modelu celu w specjalnej kolorystyce z poprawą wydajności tego zaprojektowanego systemu śledzenia wizualnego przy użyciu różnych liniowych i nieliniowych estymatorów, takich jak filtr Kalmana i filtr cząsteczkowy. Co więcej, cały system został zaprojektowany i wdrożony w laboratorium poprzez połączenie algorytmu śledzenia, który został stworzony przy użyciu oprogramowania Pythona z ruchomym czujnikiem kamery. Ponadto zaprojektowany system śledzenia wizualnego był prosty, tani i osiągnął z dużym sukcesem wszystkie etapy procesu śledzenia wizualnego, takie jak inicjalizacja celu, modelowanie wyglądu, szacowanie ruchu i pozycjonowanie celu. Wreszcie, wyniki analizy graficznej zilustrowanego zaprojektowanego systemu doskonale ilustrują zasadność wykorzystania filtra cząstek, który był bardzo wydajny i wyraźniejszy w przypadku celów manewrujących niż ten, który był używany z filtrem Kalmana.
EN
Autonomous Navigation is possible when a vehicle combines internal information about its own state with external information about its environment. A vehicle receives the information as a permanent feed of measurements from its internal sensors (odometry) and from external sensors (ultrasound, cameras, IMUs, radar etc.). The information provided by the sensors is always uncertain and therefore a vehicle cannot estimate its own motion based only on internal sensing (odometry) and cannot plan its trajectory based only on external sensing. For autonomous navigation, all the sensors in a vehicle must be statistically characterized, their accuracy and error margin in a given dynamic range must be available to the vehicle. Using the statistics of all the sensors, a vehicle can take a combined decision that reduces the overall error when estimating its own position and planning a trajectory. Vehicles can use different algorithms to take a decision based on uncertain sensor measurements. One of the most popular algorithms is the Monte Carlo Particle Filter (MCPF). The MCPF uses Bayesian Statistics to reduce the overall uncertainty of a group of uncertain measurements, therefore improving the estimation of the vehicle internal and external states. In this article we give a practical explanation of the meaning of the MCPF. We also present the results of using the MCPF in autonomous navigation of mobile robots.
DE
Autonome Navigation ist möglich, wenn ein Fahrzeug interne Informationen über seinen eigenen Zustand mit externen Informationen über seine Umgebung kombiniert. Ein Fahrzeug erhält die Informationen als permanente Messdatenübertragung von seinen internen Sensoren (Odometrie) und von externen Sensoren (Ultraschall, Kameras, IMUs, Radar usw.). Die von den Sensoren gelieferten Informationen sind immer unsicher und daher kann ein Fahrzeug seine eigene Bewegung nicht nur auf Basis der internen Sensoren (Odometrie) abschätzen und seine Flugbahn nicht nur auf Basis der externen Erfassung planen. Für eine autonome Navigation müssen alle Sensoren in einem Fahrzeug statistisch charakterisiert werden, und ihre Genauigkeit und Fehlertoleranz in einem bestimmten Dynamikbereich muss dem Fahrzeug zur Verfügung stehen. Unter Verwendung der Statistik aller Sensoren kann ein Fahrzeug eine kombinierte Entscheidung treffen, die den Gesamtfehler bei der Schätzung seiner eigenen Position und der Planung einer Trajektorie verringert. Fahrzeuge können unterschiedliche Algorithmen verwenden, um eine Entscheidung basierend auf unsicheren Sensormessungen zu treffen. Einer der beliebtesten Algorithmen ist der Monte-Carlo-Partikelfilter (MCPF). Die MCPF verwendet die Bayes'sche Statistik, um die Gesamtunsicherheit einer Gruppe unsicherer Messungen zu verringern und so die Schätzung der internen und externen Zustände des Fahrzeugs zu verbessern. In diesem Artikel geben wir eine praktische Erklärung der Bedeutung der MCPF. Wir präsentieren auch die Ergebnisse des Einsatzes der MCPF in der autonomen Navigation von mobilen Robotern.
EN
In this paper, we propose a method for making early predictions of remaining discharge time (RDT) that considers information about future battery discharge process. Instead of analyzing the entire degradation process of a battery, as in the existing literature, we obtain the information about future battery condition by decomposing the discharge model into three stages, according to level of voltage loss. Correlation between model parameters at the first and last stages of discharge process allows the values of model parameters in the future to be used to predict the value of parameters at early stages of discharge. The particle swarm optimization (PSO) and particle filter (PF) algorithms are employed to update parameters when new voltage data is available. A case study demonstrates that the proposed approach predicts RDT more accurately than the benchmark PF-based prediction method, regardless of the degradation period of the battery.
PL
W pracy zaproponowano metodę wczesnego przewidywania czasu pozostałego do rozładowania baterii (RDT), która uwzględnia informacje na temat przyszłego procesu jej rozładowywania. Zamiast analizować cały proces degradacji baterii, jak to ma miejsce w literaturze przedmiotu, wykorzystano informacje o przyszłym stanie baterii uzyskane na drodze podziału modelu procesu rozładowania na trzy etapy, według poziomu utraty napięcia. Korelacje między parametrami modelu uzyskanymi na pierwszym i ostatnim etapie procesu rozładowania baterii umożliwiają wykorzystanie przyszłych wartości parametrów do przewidywania wartości parametrów we wczesnych etapach rozładowania. Do aktualizacji parametrów zgodnie z napływającymi nowymi danymi napięciowymi wykorzystano algorytm optymalizacji rojem cząstek (PSO) i algorytm filtra cząsteczkowego (PF). Studium przypadku pokazuje, że proponowane podejście pozwala bardziej precyzyjnie prognozować RDT niż metoda prognozowania oparta na PF, niezależnie od okresu degradacji baterii.
EN
Track coalescence is a phenomenon that occurs in multi-target tracking applications where certain types of manoeuvres performed simultaneously by several targets can utterly confuse algorithms that track their positions. In its simplest form, the phenomenon occurs when two similar objects, initially well separated, get close to each other and follow similar manoeuvres for a period of time sufficient to confound the tracking algorithm so that when the objects finally depart from each other the tracking algorithm is prone to provide erroneous estimates. This two-target track coalescence is discussed in this paper with the focus on the compound coalescence, when two identical tracks follow the midpoint of two well separated targets. First, the problem is illustrated on a classic problem of tracking two targets manoeuvring in a clutter, which is modeled as a nonlinear stochastic system. It is shown how, otherwise accurate and precise, estimates obtained by a standard particle filter eventually collapse leading to the coalescence of tracks. The phenomenon is given theoretical explanation by the analysis of Bayesian update operator acting on L2-space of probability densities that reveals that the coalescence is an unavoidable consequence of the probabilistic mixing between distributions describing positions of two targets. Finally, the practical consequences of these theoretical results are discussed together with potential approaches to deal with track coalescence in real applications.
EN
The paper describes a problem and an algorithm for simultaneous localization and mapping (SLAM) for an unmanned aerial vehicle (UAV). The algorithm developed by the authors estimates the flight trajectory and builds a map of the terrain below the UAV. As a tool for estimating the UAV position and other parameters of flight, a particle filter was applied. The proposed algorithm was tested and analyzed by simulations and the paper presents a simulator developed by the authors and used for SLAM testing purposes. Chosen simulation results, including maps and UAV trajectories constructed by the SLAM algorithm are included in the paper.
PL
W artykule przedstawiono problematykę i algorytm równoczesnego pozycjonowania i tworzenia mapy terenu (SLAM) przeznaczony dla bezzałogowych statków powietrznych (UAV). Opracowany przez autorów algorytm estymuje trajektorię lotu i tworzy mapę terenu znajdującego się pod UAV. Jako narzędzie estymacji położenia statku powietrznego zastosowano filtr cząsteczkowy. Zaproponowany algorytm poddano badaniom symulacyjnym. W artykule opisano opracowany przez autorów symulator przeznaczony do badania algorytmu SLAM oraz zamieszczono wybrane wyniki badań, zawierające utworzone mapy terenu i estymowane trajektorie UAV.
10
Content available remote Comparison of Particle Filter and Extended Kalman Particle Filter
EN
In this paper, three state estimation algorithms, namely: Extended Kalman Filter, Particle Filter (Bootstrap Filter) and Extended Kalman Particle Filter, have been presented. Particle Filter and Extended Kalman Particle Filter algorithms have been compared with a different number of particles and the results have been presented together with Extended Kalman Filter. Estimation quality has been checked for three nonlinear objects (one- and multidimensional systems) and evaluated through the aRMSE quality index value. Based on the obtained results it was concluded that Extended Kalman Particle Filter provide better estimation quality for low number of particles in comparison to simple particle filter. However it is not met for highly nonlinear system.
PL
W pracy zostały zaprezentowane trzy algorytmy estymacji - rozszerzony filtr Kalmana, filtr cząsteczkowy (algorytm Bootstrap) i rozszerzony cząsteczkowy filtr Kalmana. Algorytmy filtru cząsteczkowego i rozszerzonego cząsteczkowego filtru Kalmana zostały porównane dla różnej liczby cząsteczek, a wyniki zestawione z wynikami działania rozszerzonego filtru Kalmana. Jakość estymacji została sprawdzona dla trzech nieliniowych obiektów (systemy jedno- i wielowymiarowe) i oceniona za pomocą wskaźnika jakości aRMSE. Na podstawie otrzymanych wyników stwierdzono, że rozszerzony cząsteczkowy filtr Kalmana zapewnia lepszą jakość estymacji dla niewielkiej liczby cząsteczek w porównaniu do zwykłego filtru cząsteczkowego. Jednakże nie jest to spełnione dla silnie nieliniowego obiektu.
PL
W artykule przedstawiono wykorzystanie algorytmu filtracji cząsteczkowej do radiowej lokalizacji osób we wnętrzach budynków. System lokalizacyjny wykorzystuje nadajniki systemu Bluetooth Low Energy (BLE) oraz urządzenie mobilne do wyznaczania położenia wewnątrz pomieszczeń zamkniętych. Proponowane rozwiązaniewykorzystuje algorytm filtracji cząsteczkowej w celu wyznaczenia aktualnego położenia użytkownika na podstawie referencyjnego rozkładu natężenia pola elektromagnetycznego dla zestawu nadajników BLE oraz pomiarów RSSI wykonywanych przez urządzenie typu smartfon. Przedstawiono rezultaty lokalizacji z wykorzystaniem tej metody. Wyznaczono błąd estymacji lokalizacji z wykorzystaniem filtracji cząsteczkowej względem rzeczywistego położenia użytkownika w budynku. Porównano zaimplementowane rozwiązanie z popularną metodą „knajbliższych sąsiadów” (k-NN).
EN
In the paper the application of a particle filter to wireless indoor positioning is shown. Localization system employs Bluetooth Low Energy beacons and a mobile device to determine the position of the user within the test area. The proposed system uses particle filtering algorithm to estimate the user’s current position from RSSI measurements and knowledge of the reference electromagnetic field distribution for each beacon located in the building. Results of localization were shown. Measurements of the positioning error are shown and compared to the error of the popular k-NN localization method which also was implemented.
PL
Teoretyczne i numeryczne modelowanie przebiegów nieustalonych płynów w systemach rurociągowych jest wyzwaniem w dziedzinie badań. Równania rządzące przepływami stanowią system hiperbolicznych nieliniowych równań różniczkowych cząstkowych opartych na zasadach zachowania masy, pędu i energii. Stosowanie takich modeli matematycznych może być ograniczone ze względu na brak pełnej wiedzy o zjawiskach fizycznych i niepewnościach. Wiedzę o początkowych i brzegowych warunkach zazwyczaj otrzymuje się z pomiarów. Istnienie szumów i niedokładności pomiarów, jak również niedokładność modelu przepływu płynu i aproksymacji do rozwiązywania pełnego systemu matematycznego, może prowadzić do przewidywań, które znacznie różnią się od rzeczywistości. W obszarze naszych zainteresowań jest problem uzyskania informacji o stanach i/lub parametrach systemu w czasie rzeczywistym z pomiarów zawierających szum. Badaliśmy skuteczność różnych metod, asymilacji danych nieliniowych w ramach Bayesa stosowanych do quasi-liniowego niejednorodnego hiperbolicznego układu równań różniczkowych cząstkowych pierwszego rzędu, opisującego przebieg nieustalony płynu. Te metody scalają dane w modele numeryczne w celu optymalizacji przewidywań oraz zmniejszenia niepewności modelowanych zmiennych stanu. Oceniliśmy skuteczność rozszerzonego filtru Kalmana, bezśladowego filtru Kalmana i dwóch filtrów cząsteczkowych, a mianowicie klasycznego algorytmu filtru cząsteczkowego oraz jego wariantu - pomocniczego filtru cząsteczkowego. Numeryczne eksperymenty zostały przeprowadzone dla izotermicznego i nieizotermicznego pola przepływu. Model izotermicznego przepływu płynu w postaci zachowawczej w sensie matematycznym został rozwiązany z dwustopniowego schematu Laxa-Wendroffa oraz semidyskretnej metody objętości skończonych używając ograniczników strumienia (flux limiters). Ta ostatnia metoda została zastosowana do estymowania przepływu przebiegu nieustalonego, za pomocą filtru Kalmana i dopuszcza rozwiązania, które zawierają nieciągłości, takie jak fale uderzeniowe. Nieizotermiczny model przepływu w postaci niezachowawczej został rozwiązany metodą linii za pomocą pięciopunktowego centralnego schematu różnicowego czwartego rzędu. Całkowanie układu równań różniczkowych zwyczajnych zostało zrobione poprzez klasyczną metodę Rungego-Kutty. W odniesieniu do dokładności estymacji, odporności i czasu obliczeń algorytmów Bayesa omówiony został wpływ przestępstwa odwrotności (inverse crime), ilości cząsteczek i algorytmu repróbkowania stosowanych w filtrach cząstek staIh, przestrzennej i czasowej siatki odczytów czujników; statystyk szumów i stromości warunków brzegowych przepływu. Symulacje zostały wykonane dla płynów w gęstej fazie ciekłej lub gazowej. Ogólnie, można stwierdzić, że w większości sytuacji bayesowskie podejście jest skuteczne w estymacji przebiegów nieustalonych płynów. Biorąc pod uwagę czas obliczania bezśladowego filtru Kalmana, kwestie odporności filtrów cząstek i efektywności numerycznej obliczania macierzy Jacobiego, wykorzystanie rozszerzonego filtru Kalmana byłoby lepszym wyborem dla estymacji stanu w czasie rzeczywistym.
EN
Theoretical and numerical modeling of fluid transients in pipeline systems is a challenging field of research. The governing flow equations constitute a system of nonlinear hyperbolic partial differential equations enforcing the conservation laws for mass, momentum and energy. The application of these mathematical models might be limited due to the absence of complete knowledge about the physical phenomena and uncertainties. Knowledge about the initial and boundary conditions is usually obtained from measurements. The presence of noise and inaccuracies in these measurements, as well as inexactness of the fluid flow model and approximations for solving the full mathematical system, can lead to predictions that significantly differ from reality. Our interest is to deal with the problem of extracting information about states, or parameters, or both, of the system in real time given noisy measurements. We investigated the performance of different nonlinear data assimilation methods within the Bayesian framework applied to a quasilinear nonhomogeneous hyperbolic system of partial differential equations of first order describing fluid transients. These methods merge sparse data into numerical models to optimize predictions and reduce uncertainties in the modeled state variables. The performance of the extended Kalman filter, unscented Kalman filter and two particle filters, namely sequential importance resampling and its variant, the auxiliary particle filters, were investigated. Numerical experiments were conducted for an isothermal and nonisothermal flow field. The isothermal fluid flow model in mathematical conservation-law form was solved with the two-step Lax-Wendroff scheme and a semi discrete finite volume scheme using flux limiters. The latter high-resolution technique was applied to estimate flow transients using the extended Kalman filter while allowing for solutions that contain discontinuities, such as shock waves. The non isothermal flow model in non conservative form was solved with the method of lines using a classical five-point, fourth-order finite difference approximation. The semidiscrete approximations were integrated with a multi stage explicit Runge-Kutta scheme. With respect to estimation accuracy, robustness and computation time of the Bayesian algorithms, we discussed the impact of inverse crime, ensemble size and resampling algorithm in the particle filter, spatial and temporal resolution of sensor readings, noise statistics and gradient steepness in the mass flow boundary conditions. Simulations were conducted for fluids in dens liquid or gaseous phase. In general, we can conclude that in most of the situations the Bayesian approach is successful in estimating fluid transients. Taking into account the computation time of the unscented Kalman filter, robustness issues of the particle filters and numerical efficiency of computing the Jacobian matrix, the extended Kalman filter would be a better choice for real-time state estimation.
13
PL
W pracy poruszono problem estymacji stanu dla układów dynamicznych oraz przedstawiono wybrane jego rozwiązania. Zaproponowano cztery metody estymacji: rozszerzony filtr Kalmana, bezśladowy filtr Kalmana, filtr cząsteczkowy oraz filtr Kalmana, stosowany dla obiektów liniowych. Metody te zastosowano dla trzech obiektów nieliniowych oraz dla dwóch obiektów liniowych (systemy jedno- i wielowymiarowe). Wszystkie obiekty zostały opisane za pomocą równań stanu. Przedstawiono także trzy różne wskaźniki jakości, reprezentujące błędy względne oraz bezwzględne, a także porównano ich działanie dla różnego typu obiektów. W wyniku przeprowadzonych symulacji stwierdzono, że najlepszą jakość estymacji zapewnia filtr cząsteczkowy, ale jednocześnie ta metoda jest najwolniejsza.
EN
In this paper the problem of state estimation of dynamical systems has been discussed and selected solutions have been presented. Four methods of state estimation have been proposed: Extended Kalman Filter, Unscented Kalman Filter, Particle Filter and Kalman Filter for a linear system. These methods have been applied to three nonlinear objects and to two linear objects (one- and multivariable systems). All plants have been described using state equations. Three quality indices has been used, which present relative and absolute errors. They were compared for different objects. As a result of the simulation, it was found that the best estimation quality is provided by the particle filter, but this method is also the slowest.
PL
W niniejszym artykule opisano nienadzorowaną metodę detekcji anormalnych zachowań tłumu w dozorowych sekwencjach wizyjnych. Proponowane rozwiązanie wykorzystuje deskryptory standardu MPEG-7 do opisu sceny oraz algorytm Particle Filter do klasyfikacji. Badania przeprowadzono na ogólnodostępnej bazie sekwencji testowych UMN. Otrzymane wyniki są porównywalne do wyników uzyskiwanych przez metody nadzorowane.
EN
We propose an unsupervised method for abnormal crowd activity detection in surveillance systems. Proposed solution is using MPEG-7 Motion Activity descriptors and Particle Filter algorithm for classification. The experiments were performed on UMN dataset sequences. The detection results are comparable to results obtained by supervised methods.
EN
The influence of wrong information about transition and measurement models on estimation quality has been presented in the paper. Two methods of a particle filter, with and without the Population Monte Carlo modification, and also the extended and unscented Kalman filters methods have been compared. A small 5-bus power system has been used in simulations, which have been performed based on one data set, and this data set has been chosen from among 100 different – to draw the most general conclusions. Based on the obtained results it has been found that for the particle filter methods the implementation of the slightly higher standard deviation than the true value, usually increases the estimation quality. For the Kalman filters methods it has been concluded that optimal values of variances are equal to the true values.
EN
Several types of nonlinear filters (EKF — extended Kalman filter, UKF — unscented Kalman filter, PF — particle filter) are widely used for location estimation and their algorithms are described in this paper. In the article filtering accuracy for non-linear form of measurement equation is presented. The results of complex simulations that com-pare the quality of estimation of analyzed non-linear filters for complex non-linearities of state vector are presented. The moves of maneuvering object are described in two-dimensional Cartesian coordinates and the measurements are described in the polar coordinate system. The object dynamics is characterized by acceleration described by the univariate non-stationary growth model (UNGM) function. The filtering accuracy was evaluated not only by the root-mean-square errors (RMSE) but also by statistical testing of innovations through the expected value test, the whiteness test and the WSSR (weighted sum squared residual) test as well. The comparison of filtering quality was done in the MATLAB environment. The presented results provide a basis for designing more accurate algorithms for object location estimation.
PL
W artykule opisane zostały algorytmy filtrów nieliniowych (rozszerzony EKF i bezśladowy UKF filtr Kalmana oraz filtr cząstkowy PF) stosowane powszechnie do estymacji położenia. Porównano dokładność estymacji tych filtrów dla nieliniowego równania pomiarowego. Zaprezentowane zostały rezultaty badań symulacyjnych porównujących jakość estymacji analizowanych rodzajów filtrów nieliniowych dla złożonej nieliniowości wektora stanu. Ruch obiektu manewrującego opisano w dwuwymiarowym układzie kartezjańskim, natomiast pomiary w polarnym układzie współrzędnych. Dynamikę obiektu charakteryzuje przyspieszenie opisane funkcją Univariate-Non-Stationary-Growth-Model. Efektywność badań, poza określaniem błędów średniokwadratowych RMSE, oceniano poprzez statystyczne testowanie innowacji za pomocą: testu wartości oczekiwanej, testu białości oraz testu WSSR (Weighted-Sum-Squared-Residual). Ocena jakości procesu filtracji została przeprowadzona w środowisku MATLAB. Przedstawione wyniki stanowią podstawę do projektowania dokładniejszych algorytmów estymacji położenia obiektu.
EN
The stayed cables are key stress components of large offshore bridge. The fault detection of stayed cable is very important for safe of large offshore bridge. A particle filter model and algorithm of nonlinear vibration signal are used in this paper. Firstly, the particle filter model of stayed cable of large offshore bridge is created. Nonlinear dynamic model of the stayed-cable and beam coupling system is dispersed in temporal dimension by using the finite difference method. The discrete nonlinear vibration equations of any cable element are worked out. Secondly, a state equation of particle filter is fitted by least square algorithm from the discrete nonlinear vibration equations. So the particle filter algorithm can use the accurate state equations. Finally, the particle filter algorithm is used to filter the vibration signal of bridge stayed cable. According to the particle filter, the de-noised vibration signal can be tracked and be predicted for a short time accurately. Many experiments are done at some actual bridges. The simulation experiments and the actual experiments on the bridge stayed cables are all indicating that the particle filter algorithm in this paper has good performance and works stably.
EN
An approach to power system state estimation using a particle filter has been proposed in the paper. Two problems have been taken into account during research, namely bad measurements data and a network structure modification with rapid changes of the state variables. For each case the modification of the algorithm has been proposed. It has also been observed that anti-zero bias modification has a very positive influence on the obtained results (few orders of magnitude, in comparison to the standard particle filter), and additional calculations are quite symbolic. In the second problem, used modification also improved estimation quality of the state variables. The obtained results have been compared to the extended Kalman filter method.
PL
W artykule przedstawiono obowiązujące regulacje prawne odnośnie poziomu emisji substancji toksycznych z silników o zapłonie samoczynnym pojazdów i maszyn poza drogowych. Przedstawiono również technologie stosowane przez producentów celem spełnienia coraz bardziej restrykcyjnych norm emisji spalin etapu Stage IIIB, oraz stanu przygotowań na wdrożenie etapu Stage IV.
EN
The article presents legal regulations regarding emission of toxic substances from diesel engines of vehicles and non road machines. It also presents the technologies used by manufactures in order to meet more and more restrictive emission standards of the Stage IIIB phase and the stage of preparation for implementation of Stage IV phase.
20
Content available remote The use of Particle Filter and Neurocontroller for Current Converter Control
EN
This paper presents the use of particle filter and neurocontroller to the power converter current control task. The article shows the neural network learning method, the impact of particle filter to the quality of the reference signal tracking and the accuracy of the state variables estimation by changing particle filter parameters. A method of the noise variance auto-tuning in particle filter was proposed in order to improve the quality of estimation.
PL
W pracy zaprezentowano użycie filtru cząsteczkowego i neurokontrolera do zadania sterowania prądem przekształtnika energoelektronicznego. Pokazano metodę uczenia sieci neuronowej, wpływ wykorzystania filtru cząsteczkowego na jakość nadążania za sygnałem referencyjnym oraz dokładność estymacji stanu przez zmianę parametrów filtru cząsteczkowego. Zaproponowano także sposób autostrojenia wariancji szumów w filtrze cząsteczkowym w celu polepszenia jakości estymacji.
first rewind previous Strona / 3 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.