خرید و دانلود نسخه کامل کتاب The Unscented Kalman Filter for Nonlinear Estimation

توضیحاتی در مورد کتاب

فیلتر کالمن توسعه یافته (EKF) به یک استاندارد تبدیل شده است
تکنیک مورد استفاده در تعدادی از تخمین غیرخطی و ماشین
برنامه های کاربردی یادگیری اینها شامل برآورد
وضعیت یک سیستم دینامیکی غیرخطی، تخمین پارامترها
برای شناسایی سیستم غیرخطی (به عنوان مثال، یادگیری
وزن یک شبکه عصبی)، و تخمین دوگانه (به عنوان مثال،
الگوریتم حداکثر سازی انتظارات (EM)) که در آن هر دو حالت وجود دارد
و پارامترها به طور همزمان تخمین زده می شوند.
این مقاله به اشکالات استفاده از EKF اشاره می کند و
یک بهبود، فیلتر کالمن بدون بو را معرفی می کند
(UKF)، پیشنهاد شده توسط جولیه و اولمن [5]. مرکزی و
عملیات حیاتی انجام شده در فیلتر کالمن انتشار است
از یک متغیر تصادفی گاوسی (GRV) از طریق
دینامیک سیستم در EKF، توزیع حالت تقریبی است
توسط یک GRV، که سپس به صورت تحلیلی منتشر می شود
از طریق خطی سازی مرتبه اول غیرخطی
سیستم. این می تواند خطاهای بزرگی را در خلفی واقعی ایجاد کند
میانگین و کوواریانس GRV تبدیل شده، که ممکن است
منجر به عملکرد زیر بهینه و گاهی واگرایی می شود
از فیلتر UKF این مشکل را با استفاده از a
رویکرد نمونه گیری قطعی توزیع دولتی است
دوباره با یک GRV تقریب زده شد، اما اکنون با استفاده از آن نشان داده شده است
حداقل مجموعه ای از نقاط نمونه با دقت انتخاب شده این نمونه ها
نقاط به طور کامل میانگین و کوواریانس واقعی را نشان می دهند
از GRV، و زمانی که از طریق غیرخطی واقعی منتشر می شود
سیستم، میانگین و کوواریانس پسین را ثبت می کند
با دقت به مرتبه 3 (بسط سری تیلور) برای هر
غیر خطی بودن EKF، در مقابل، فقط به درجه اول دست می یابد
دقت. قابل توجه است، پیچیدگی محاسباتی
UKF همان ترتیب EKF است.
جولیه و اولمن عملکرد قابل توجهی را نشان دادند
دستاوردهای UKF در چارچوب برآورد دولتی
برای کنترل غیر خطی مشکلات یادگیری ماشینی نبود
در نظر گرفته شده. ما استفاده از UKF را به یک طبقه گسترده تر گسترش می دهیم
مشکلات تخمین غیرخطی، از جمله سیستم غیرخطی
شناسایی، آموزش شبکه های عصبی و تخمین دوگانه
چالش ها و مسائل. نتایج اولیه ما ارائه شد
در [13]. در این مقاله، الگوریتم ها بیشتر توسعه داده می شوند
و با تعدادی مثال اضافی نشان داده شده است.