PL
 |
EN
Preferencje help
Polish version English version Język
Widoczny [Schowaj] Abstrakt
Liczba wyników
Powiadomienia systemowe
  • Sesja wygasła!
  • Sesja wygasła!
  • Sesja wygasła!

Znaleziono wyników: 7

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  filtr cząstkowy
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
1
Content available remote Comparison of Particle Filter and Extended Kalman Particle Filter
Michalski J., Kozierski P., Zietkiewicz J.
Studia z Automatyki i Informatyki
|
2017
|
T. 42
43--51
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.
2
Content available remote Zastosowanie filtracji cząsteczkowej do estymacji stanu obiektu dynamicznego
Konatowski S., Kaniewski P.
Przegląd Elektrotechniczny
|
2013
|
R. 89, nr 9
108-112
PL
Artykuł przedstawia projekt algorytmu estymacji stanu obiektu dynamicznego, w efekcie działania którego wyznaczane są aktualne parametry stanu. W trakcie projektowania filtrów nieliniowych stosowane są pewne przybliżenia funkcji gęstości prawdopodobieństwa stanu. Teoria proponuje wiele typów aproksymacji, ale większość z nich wymaga przyjęcia dodatkowych założeń dotyczących postaci sygnału, w związku z czym nie są one w praktyce realizowane. Artykuł przedstawia metodę niegaussowskiej estymacji nieliniowej opartą na filtrze cząsteczkowym.
EN
The paper presents the design of estimation algorithm for the state of dynamic object. As a result of its actions current state parameters are determined. During the design of non-linear filters in some approximation of the probability density function of state are used. Theoretically, there are many known types of approximation, but most of them require additional assumptions about the character signal, and therefore they are not implemented in practice. In this paper nonlinear estimation method based on the particle filter was tested.
3
Porównanie dokładności estymacji położenia obiektów przez nieliniowe filtry Kalmana
Konatowski S.
Elektronika : konstrukcje, technologie, zastosowania
|
2013
|
Vol. 54, nr 3
20-25
PL
W artykule opisane zostały algorytmy filtracji nieliniowej (rozszerzona filtracja Kalmana, bezśladowa filtracja Kalmana, bezśladowa filtracja Kalmana w wariancie rozszerzonym i filtracja cząstkowa) stosowana powszechnie do estymacji położenia. Dodatkowo zaprezentowane zostały rezultaty złożonych badań symulacyjnych porównujących jakość estymacji analizowanych rodzajów filtrów nieliniowych dla złożonej nieliniowości wektora stanu. Ocena jakości procesu filtracji została przeprowadzona w środowisku MATLAB. Przedstawione wyniki stanowią podstawę do projektowania dokładniejszych algorytmów estymacji położenia obiektu.
EN
In this paper several types of nonlinear filtrations (Extended Kalman Filtering, Unscended Kalman Filtering, Augmented Unscended Kalman Filtering and Particle Filtering) widely used to position estimation and their algirithms are described. Additionally complex simulations results, which are to compare abilities of analyzed nonlinear filtrates for different nonlinearities, are shown. The comparison of filtration quality was done in MATLAB environment. The presented results provide a basis for designing more accurate algorithms for object position estimation.
4
Algorytmy nieliniowej filtracji stosowane w systemach pozycjonujących
Konatowski S., Kaniewski P.
Elektronika : konstrukcje, technologie, zastosowania
|
2012
|
Vol. 53, nr 12
100-103
PL
W artykule porównano dokładność procesu estymacji rozszerzonego i bezśladowego filtru Kalmana, filtru cząstkowego oraz filtrów cząstkowych wykorzystujących EKF i UKF. Jakość procesu estymacji przez wybrane filtry nieliniowe została scharakteryzowana poprzez wartości średnie i wariancje błędu średniokwadratowego. Dodatkowo zaprezentowane zostały wyniki złożonych badań symulacyjnych porównujących jakość estymacji analizowanych rodzajów filtrów nieliniowych dla różnych nieliniowości.
EN
The paper compares the accuracy of estimation process for Extended and Unscented Kalman Filters, Particle Filter, augmented Extended and Un- scented Kalman Filters. The accuracy of filtration was evaluated on the basis of means and variances of MSE error. Additionally, simulations results, which are to compare the quality of the analyzed nonlinear filters in presence of different nonlinearities, are shown.
5
Content available remote Algorytm filtracji cząstkowej nieliniowego systemu dynamicznego
Konatowski S.
Przegląd Elektrotechniczny
|
2010
|
R. 86, nr 9
271-277
PL
Rozwój algorytmów filtracji nieliniowej spowodował dynamiczny rozwój systemów zintegrowanych. W artykule został opisany projekt zaawansowanego algorytmu takiej filtracji, bazujący na filtracji cząstkowej, wraz z wybranymi wynikami badań. Skutkiem zastosowania integracji i filtracji nieliniowej jest znaczna poprawa dokładności określania parametrów systemów.
EN
The development of nonlinear filtering algorithms caused the rapid development of integrated systems. The article described a draft of such an advanced filtering algorithm, based on partial filtration, together with selected results of simulation tests. The result of application integration and nonlinear filtering is a considerable improvement in the accuracy of determining the parameters of the systems.
6
Content available remote Efektywność estymacji położenia w algorytmach filtracji nieliniowej
Konatowski S., Kaczmarek B.
Przegląd Elektrotechniczny
|
2009
|
R. 85, nr 3
15-21
PL
W artykule opisane zostały algorytmy filtracji nieliniowej (rozszerzona Kalmana, bezśladowa Kalmana, cząstkowa, cząstkowa wykorzystująca filtrację rozszerzoną Kalmana oraz bezśladowa filtracja cząstkowa) stosowane powszechnie do estymacji położenia. Dodatkowo zaprezentowane zostały wyniki złożonych badań symulacyjnych porównujących jakość estymacji analizowanych rodzajów filtrów nieliniowych dla różnych nieliniowości oraz rozkładów prawdopodobieństwa zakłóceń stanu.
EN
In this paper several types of nonlinear filtrations (extended Kalman filtering, unscented Kalman filtering, particle filtering, EKF approximation for a particle filtering, unscented particle filtering) widely used to position estimation and their algorithms are described. Additionally complex simulations results, which are to compare abilities of analysed nonlinear filtrates for different nonlinearities and distributions, are shown.
7
Content available remote Ocena dokładności filtracji nieliniowej w procesie określania położenia
Konatowski S., Pudlak B.
Biuletyn Wojskowej Akademii Technicznej
|
2007
|
Vol. 56, nr sp.2
243-253
PL
Zadaniem systemu nawigacyjnego jest wyznaczanie aktualnej pozycji, prędkości i kursu obiektu na podstawie danych pochodzących z różnych czujników nawigacyjnych oraz znajomości modelu ruchu obiektu. Najczęściej systemy takie są systemami nieliniowymi i stąd wynika potrzeba stosowania algorytmów estymacji nieliniowej. Obecnie najbardziej rozpowszechnionym algorytmem filtracji nieliniowej jest algorytm rozszerzonego filtru Kalmana (EKF). Filtr ten wykorzystuje przekształcenia quasi-liniowe. Metoda taka powoduje duże błędy estymacji, ponieważ wiele nieliniowych funkcji trudno dobrze zaproksymować za pomocą funkcji liniowej. Ze względu na te ograniczenia wprowadzony został bezśladowy filtr Kalmana (UKF), który nie aproksymuje nieliniowych procesów, lecz aproksymuje rozkłady zmiennych losowych stanów. Pozwala to na uzyskanie dokładności estymacji na poziomie rozwinięcia w szereg Taylora do wyrazów drugiego rzędu - bez względu na rodzaj nieliniowości. Kolejną strategią rozwiązania problemu filtracji nieliniowej jest zastosowanie sekwencyjnych metod Monte Carlo, zwanych filtracją cząstkową. Metody takie można stosować dla dowolnych rodzajów nieliniowości i dla dowolnych rozkładów. W artykule dokonano porównania i zestawienia wybranych rodzajów filtrów nieliniowych dla różnych rodzajów nieliniowości i rozkładów Gauss, Studenta i Gamma.
EN
The aim of operation of a typical navigation system is to estimate current position, velocity, and heading on the basis of the data coming from navigation sensors and a model knowledge of an object trajectory. These types of systems are widely used in practice. In general, such systems are nonlinear. Thus, they caused the necessity to apply algorithms of nonlinear estimation. At present, Extended Kalman filter (EKF) is widely used for this purpose. EKF uses quasi-linear transformations. Such an approach results in high estimation inaccuracy due to difficulties of nonlinear functions approximation using linear functions. Unscented Kalman filter (UKF) has been used to overcome these disadvantages. UKF does not approximate nonlinear processes but a probability distribution. This allows for achieving accuracy to the 2nd order Taylor series expansion. Sequential Monte Carlo method, also called as particle filters, is another strategy of solving nonlinear estimation. Such methods can be applied for any nonlinearities and distributions. The paper presents comparison of several types of nonlinear filters with different types of nonlinearities and distributions.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.