فیلتر ذره ای بهبود یافته مبتنی بر محاسبات نرم با کاربرد در ردیابی هدف

نوع مقاله: مقاله پژوهشی فارسی

نویسنده

دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران.

چکیده

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.

کلیدواژه‌ها


[1]        S.Arulampalam,  S.Maskell , N.Gordon, and T.Clapp, “ A tutorial on particle filters for Online onlinear/non-Gaussian Bayesian tracking”, IEEE Trans. Signal Process., 2002, vol. 50, no. 2, pp. 174–188.

[2]        B.Ristic, S.Arulampalam,and N.Gordon, “in Beyond Kalman Filter: Particle filters tracking applications” , 1st ed. Boston, 2004.

[3]        D.Simon, “Optimal State Estimation Kalman, H∞ and Nonlinear Approaches”, John Wiley and Sons, Inc, 2006.

[4]        R.Kalman, “A new approach to linear filtering and prediction problems”,  Trans. ASME J. Basic Eng., Ser. D,1960, vol. 82, pp. 34–45.

[5]        S.C.Kramer,and H.W.Sorenson, “Recursive Bayesian estimation using piece-wise constant approximations” ,1988, Automatica, vol, 24, no.6, pp.789-801.

[6]        N.Gordon,D.almond,and A.F.M.Smith, “Novel approach to nonlinear and non-Gaussian Bayesian state estimation”, Proc. Inst. Elect. Eng., F, 1993,vol. 140, pp. 107–113.

[7]        A.Doucet, N.Gordon,and V.Krishnamurthy,“Particle filters for state estimation of jump Markov linear systems”, IEEE Trans. Signal Processing,2001,vol. 49, pp. 613–624.

[8]        M.S. Haque, S.Choi,and J.Baek, “Auxiliary Particle Filtering-Based Estimation of Remaining Useful Life of IGBT”", IEEE Transactions on Industrial Electronics, 2018 ,vol.65,no.3,pp. 2693 – 2703.

[9]        A.Murangira,C.Musso,and K.Dahia, “A mixture regularized rao-blackwellized particle filter for terrain positioning, IEEE Transactions on Aerospace and Electronic Systems, 2016 , vol. 52 , no. 4,pp.1967-1985.

[10]     A.Murangira,  M.Christian, C.Musso,and K.Dahia,“A mixture  regularized rao-blackwellized particle filter for terrain positioningIEEE Transactions on Aerospace and Electronic Systems, 2016 , vol. 52 , no. 4,pp.1967-1985.

[11]     G.Vezzani,U.Pattacini ,G.Battistelli,L.Chisci,and,L.Natale,“ Memory Unscented Particle Filter for 6-DOF Tactile Localization”, IEEE Transactions on Robotics ,2017 , vol. 33 , no. 5, pp.1139 – 1155.

[12]     Y.Zhang,S.Wang,and J.Li, “Improved particle filtering techniques based on generalized interactive genetic algorithm”, Journal of Systems Engineering and Electronics,2016 , vol. 27 , no. 1, pp.242 - 250

[13]     K.Uosaki, Y.Kimura ,and T.Hatanaka, “Nonlinear State Estimation by Evolution Strategies Based Particle Filters”, in: Proc. of the IEEE Congress on Evolutionary Computation,2003.

[14]     G.Tong, Z.Fang ,and X.Xu, “A Particle Swarm Optimized Particle Filter for Nonlinear System State Estimation”, IEEE Congress on Evolutionary Computation Sheraton Vancouver Wall Centre Hotel, Vancouver, BC, Canada ,July 16-21, 2006.

[15]     S.Park, J.Hwang, E. Kim ,and H. Kang , “A New Evolutionary Particle Filter for the Prevention of Sample Impoverishment”, IEEE Trans. On Evolutionary Computation, 2009,vol. 13, no. 4.

[16]      T.Li,M. Bolic, and P.,M. Djuric, “Resampling Methods for Particle Filtering:Classification,implementation,and strategies” , IEEE Signal Processing Magazine, 2015,vol. 32,no.3,pp. 70 – 86.

[17]     G.Choe, T. Wang, F.Liu,S. Hyon, J. Ha, “Particle filter with spline resampling and global transition model”, IET Computer Vision,2015, vol.l.9, no.2, pp.184-197.

[18]     F.Ruknudeen,and S.Asokan, “Application Particle Filter to On-Board Life Estimation of LED Lights”, IEEE Photonics Journal, 2017, vol.9, no.3.

[19]     J. Liu, Z.Wang,and M.Xu, “A Kalman Estimation Based Rao-Blackwellized Particle Filtering for Radar Tracking”, IEEE Access, 2017, vol.5,pp.8162-8174.

[20]     T.Li ,,T.P. Sattar, S.Sun , “Deterministic resampling: Unbiased sampling to avoid sample impoverishment in particle filters”, Signal Processing,20121,vol. 92, no.7, pp.1637–1645.

[21]     A.P.Engelbrecht, “Computational intelligence: An introduction, Second Edition”, Johan Wiley & Sons, Ltd 2007.

[22]     H.Huang, F. Liu, X. Zhuo, and Z. Hao, “ Differential  Evolution Based on Self-Adaptive Fitness Function for Automated Test Case Generation”, IEEE Computational Intelligence Magazine, 2017,  vol.12 ,no.2, pp.46 – 55

[23]     Y.Yu , “Combining H∞ filter and cost-reference particle filter for conditionally linear dynamic systems in unknown non-Gaussian noises”, Signal Processing, 2013,vol.93,no.7, pp.1871–1878.