اجراي فيلتر چگالي فرض احتمال با شدت زايش وفقي توسط فيلتر ذره‌اي كمكي

A New Elliptic Curve Based Electronic Voting Protocol

فيلتر چگالي فرض احتمال (PHD) به صورت متوالي گشتاور چندهدفه مرتبه اول را براي تابع چگالي احتمال چندهدفه محاسبه مي‌نمايد و بنابراين حجم محاسبات مسيله ردگيري را به مقدار زيادي كاهش مي‌دهد. در اين مقاله، پياده سازي بهبوديافته‌اي از فيلتر PHD را با استفاده از ايده فيلتر ذره‌اي با متغير كمكي براي تقريب شدت اهداف از قبل موجود و ايده اجراي شدت زايش وفقي براي اهداف تازه متولدشده ارايه مي‌دهيم. تفاوت شيوه ارايه شده از شيوه مرسوم پياده سازي بروش SMC فيلتر PHD در اين است كه به طور هم زمان اهداف از قبل موجود و اهداف تازه متولدشده در محيطي كه شدت زايش يك نواخت و داراي اطلاعات كمي است، جستجو مي‌شوند. نتايج شبيه سازي بيان گر اين مطلب مي‌باشند كه شيوه جديد ارايه شده دقت تقريب PHD را در مقايسه با شيوه‌هاي مرسوم-سازي پياده سازي به روش SMC، در تعداد ذرات يكسان، افزايش قابل توجهي مي‌دهد.

The probability hypothesis density (PHD) filter sequentially computes the first-order multi-target moment for the full multi-target probability density function and dramatically reduces the computational expense of tracking problem. In this paper, we propose an improved implementation of the PHD using the notion of auxiliary particle filter to enhance the effectiveness of the Sequential Monte Carlo (SMC) implementation of the PHD filter. The proposed method differs from traditional SMC implementations because it demonstrates an ability to simultaneously search in an effective way for persistent and newborn targets where the birth intensity is uniform and noninformative. Simulation results indicate that our novel method dramatically improves the accuracy of PHD approximation when compared to traditional SMC implementation methods for the same number of particles.