Wyniki wyszukiwania - Biblioteka Nauki

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

1 2018

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: wiarygodny filtr cząsteczkowy

Sortuj według:

Ogranicz wyniki do:

Likelihood parcticle filter and its proposed modifications

100%

Michalski J. , Kozierski P. , Zietkiewicz J. , Giernacki W.

Studia z Automatyki i Informatyki

2018

tom T. 43

81--93

In this paper, three methods, namely: Hybrid Kalman Filter, Hybrid Kalman Particle Filter, and Likelihood Particle Filter for state estimation have been presented. These algorithms have been applied to three nonlinear objects and one linear object (one- and multivariable systems) and have been compared with Bootstrap Particle Filter. Moreover, authors proposed three modifications of Likelihood Particle Filter, intended for different types of objects. Operation of three particle Filter algorithms, namely Bootstrap Particle Filter, Hybrid Kalman Particle Filter and Likelihood Particle Filter, have been compared for a different number of particles, and the results have been presented together with Extended Kalman Filter, Unscented Kalman Filter and Hybrid Kalman Filter algorithm. It has been shown that Hybrid Kalman Particle Filter gives better results than Bootstrap Particle Filter for a low number of particles. Furthermore, Likelihood Particle Filter provides better than other examined methods output match (through suitable choice of estimated state variables). For the linear object, Kalman Filter algorithm is the best.

W pracy zostały przedstawione trzy metody estymacji: hybrydowy filtr Kalmana, hybrydowy cząsteczkowy filtr Kalmana oraz wiarygodny filtr cząsteczkowy. Algorytmy zostały zastosowane do trzech obiektów nieliniowych oraz jednego obiektu liniowego (systemy jedno- i wielowymiarowe) oraz zostały porównane z filtrem cząsteczkowym – algorytmem Bootstrap. Ponadto autorzy zaproponowali trzy modyfikacje wiarygodnego filtru cząsteczkowego przeznaczone do konkretnego typu obiektów. Działanie algorytmów filtru cząsteczkowego, Bootstrap, hybrydowego cząsteczkowego filtru Kalmana oraz wiarygodnego filtru cząsteczkowego zostały porównane przy różnej liczbie cząsteczek oraz zestawione z rozszerzonym filtrem Kalmana, bezśladowym filtrem Kalmana oraz hybrydowym filtrem Kalmana. Można zauważyć, że hybrydowy cząsteczkowy filtr Kalmana daje lepsze wyniki od algorytmu Bootstrap dla mniejszej liczby cząsteczek. Poza tym wiarygodny filtr cząsteczkowy zapewnia najlepsze spośród badanych metod dopasowanie wyjść (przez wybór estymowanych zmiennych stanu). Dla obiektu liniowego algorytm filtru Kalmana działa najlepiej.