Discrete measurement and transition models in particle filter

• Autorzy: Kozierski P.

Warianty tytułu

PL

Filtr cząsteczkowy wykorzystujący dyskretne modele przejścia i pomiaru

• Języki publikacji: EN

Abstrakty

EN

In article there is proposed a new approach to particle filter modeling – creation discrete transition and measurement models. This new approach assumes knowledge of transition model (2) and measurement model (3), but written by certain values set (non-analytical form). It opens new perspectives for particle filter prosper, in problems which analytical form cannot be used or it is hindered.

PL

W artykule zaproponowano nowe podejście do modelowania filtru cząsteczkowego – stworzenie dyskretnych modeli przejścia i pomiaru (DMPF). To nowe podejście zakłada znajomość modelu przejścia (2) oraz modelu pomiaru (3), jednak nie w postaci analitycznej, lecz zapisanych za pomocą pewnego zbioru wartości. Otwiera to nowe perspektywy rozwoju filtrów cząsteczkowych w problemach, w których zastosowanie analitycznej postaci obu modeli jest utrudnione, lub wręcz niemożliwe.

Słowa kluczowe

EN

particle filter; transition model; measurement model

PL

filtr cząsteczkowy; model przejścia; model pomiaru

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Prace Naukowe Politechniki Śląskiej. Elektryka
• Rocznik: 2012
• Tom: z. 3-4
• Strony: 15--26
• Opis fizyczny: Bibliogr. 14 poz.

Twórcy

autor

Kozierski P.

• Politechnika Poznańska, Instytut Automatyki i Inżynierii Informatycznej, ul. Piotrowo 3a, 60-965 Poznań, Tel.: [phone]

Bibliografia

• 1. Arulampalam S., Maskell S., Gordon N., Clapp T.: A Tutorial on Particle Filters for Online Non-linear/Non-Gaussian Bayesian Tracking, IEEE Proceedings on Signal Processing, Vol. 50, No. 2, 2002, p. 174-188.
• 2. Brzozowska-Rup K., Dawidowicz A.L.: Metoda filtru cząsteczkowego. „Matematyka Stosowana: Matematyka dla Społeczeństwa” 2009, T. 10/51, p. 69-107.
• 3. Candy J.V.: Bayesian signal processing, WILEY, New Jersey 2009, p. 19-44, 237-298.
• 4. Carpenter J., Clifford P., Fearnhead P.: Improved particle filter for nonlinear problems. “IEE Proceedings – Radar, Sonar and Navigation” 1999, Vol. 146, No. 1, 2, p. 2-7.
• 5. Doucet A., Freitas N., Gordon N.: Sequential Monte Carlo Methods in Practice, Springer-Verlag, New York 2001, p.225-246.
• 6. Doucet A., Godsill S., Andrieu C.: On sequential Monte Carlo sampling methods for Bayesian filtering. “Statistics and Computing” 2000, Vol. 10, p.197-208.
• 7. Doucet A., Johansen A.M.: A Tutorial on Particle Filtering and Smoothing: Fifteen years later, handbook of Nonlinear Filtering 2009, Vol. 12, p. 656-704.
• 8. Gordon N.J., Salmond N.J., Smith A.F.M.: Novel approach to nonlinear/non-Gaussian Bayesian state estimation. “IEE Proceedings-F” 1993, Vol. 140, No.2, p. 107-113.
• 9. Kotecha J.H., Djurić P.M.: Gaussian Particle Filtering. “IEEE Trans Signal Processing” 2003, Vol. 51, No. 10, p. 2592-2601.
• 10. Mountney J., Obeid I., Silage D.: Modular Particle Filtering FPGA Hardware Architecture for Brain Machine Interfaces. Conf Proc IEEE Eng Med Biol Soc. 2011, p. 4617-4620.
• 11. Schön T.B., Wills A., Ninness B.: System identification of nonlinear state-space models. “Automatica” 2011, Vol. 47, p. 39-49.
• 12. Simon D.: Optimal State Estimation, WILEY-INTERSCIENCE. New Jersey 2006, p. 461-484.
• 13. Sutharsan S., Kirubarajan T., Lang T., McDonald M.: An Optimization-Based Parallel Particle Filter for Multitarget Tracking. “IEEE Transactions on Aerospace and Electronic Systems” 2012, Vol. 48, No.2, p. 1601-1618.
• 14. Thrun S., Burgard W., Fox D.: Probabilistic robotics, MIT Press, Cambridge, MA, 2005, p. 67-90.