افزايش سازگاري فيلتر ذره اي با استفاده از روش هاي كلاسيك و الگوريتم اجتماع ذرات

Increasing consistency of particle filter using the classic method and particle swarm algorithm

فيلتر ذره‌اي يكي از مهم‌ترين فيلترها در تخمين سيستم‌هاي غيرِخطي غيرِگوسي است. با وجود اين، فيلتر ذره‌اي در طول زمان ناسازگار است. ازآنجايي‌كه انتخاب تابع توزيع پيشنهادي و روش نمونه‌برداري مجدد در بهبود دقت و سازگاري، بسيار مهم است، دراين مقاله، افزايش سازگاري فيلتر ذره‌اي با بهبود نمونه‌برداري و نمونه‌برداري مجدد انجام شده است. براي بهينه‌سازي نمونه‌برداري، الگوريتم بهينه‌سازي اجتماع ذرات (PSO) به داخل گام نمونه‌برداري پر اهميت داخل شده است. الگوريتم PSO موجب حركت مجموعه نمونه‌ها به سمت ناحيه با احتمال بالاي پسين قبل از نمونه‌برداري مي‌شود و درنتيجه توزيع نمونه‌ها بهبود پيدا مي‌كند. به‌‌منظور كاهش اثر نمونه‌برداري مجدد روي دقت و سازگاري، روش جديد نمونه‌برداري مجدد ارائه شده است. روش نمونه‌برداري جديد مي‌تواند تنوع ميان ذرات را حفظ كند و ذرات نمونه‌برداريِ مجدد شده را وادار كند كه به‌طور مجانبي نمونه‌ها را از تابع چگالي احتمال پسينِ حالت‌هاي واقعي تقريب بزنند. امتياز روش نمونه‌برداري مجدد پيشنهادشده اين است كه هزينه محاسبات را كاهش مي‌دهد. اين بدان دليل است كه روش نمونه‌برداري مجددِ پيشنهادشده، تنها روي بخشي از نمونه‌ها انجام مي‌شود. اعتبار فيلتر پيشنهادي با استفاده از شبيه‌سازي ارزيابي شده است. نتايج نشان مي‌دهند روش پيشنهادي عملكرد بهتري نسبت به فيلترهاي كلاسيك دارد.

Particle filter is one of the main filters to estimate of nonlinear/ non Gaussian systems. However, it is inconsistent over time. Since the choice of the proposal distribution and the resampling method are is very important to improve the accuracy and consistency, in this paper, increasing consistency of particle filter is done using improved sampling and resampling. To optimize the sampling step, particle swarm optimization (PSO) has been merged into the importance sampling. PSO causes the particles to move to the high probability region of the posterior before sampling and therefor the distribution of particles is improved. In order to reduce the impact of resampling on the accuracy and consistency, a new resampling approach is proposed. The new resampling method can maintain diversity among the particles and ensure that the resampled particles asymptotically approximate the samples from the posterior probability density function of the true state. The main advantage of the proposed method is that it reduces computational cost. This is because the proposed resampling method is performed on only part of the particles. The validity of the proposed filter is evaluated using simulation. The results show that the proposed method has better performance than classical filters.