👈 فروشگاه فایل 👉

فیلتر کالمنِ بی‌اثرِ با ریشه‌ی دوم کورد استفاده در تخمین پارامتر و حالت

ارتباط با ما

... دانلود ...

THE SQUARE-ROOT UNSCENTED KALMAN FILTER FOR STATE AND PARAMETER-ESTIMATION

ABSTRACT

Over the last 20-30 years the extended Kalman filter (EKF) has

become the algorithm of choice in numerous nonlinear estimation

and machine learning applications. These include estimating the

state of a nonlinear dynamic system as well estimating parameters

for nonlinear system identification (e.g. learning the weights of

a neural network). The EKF applies the standard linear Kalman

filter methodology to a linearization of the true nonlinear system.

This approach is sub-optimal and can easily lead to divergence.

Julier et al. [I] proposed the unscented Kalman filter (UKF) as

a derivative-free alternative to the extended Kalman filter in the

framework of state-estimation. This was extended to parameterestimation

by Wan and van der Menve [2 31. The UKF consistently

outperforms the EKF in terms of prediction and estimation

error at an equal computational complexity of O( L ~ )f’o r general

state-space problems. When the EKF is applied to parameterestimation

the special form of the state-space equations allows

for an (3(L2) implementation. This paper introduces the squareroot

unscented Kalman jilter (SR-UKF) which is also U(L3) for

general state-estimation and U(L2 )fo r parameter estimation (note

the original formulation of the UKF for parameter-estimation was

U(L3) ) .I n addition the square-root forms have the added benefit

of numerical stability and guaranteed positive semi-definiteness of

the state covariances

فیلتر کالمنِ بی‌اثرِ با ریشه‌ی دوم کورد استفاده در تخمین پارامتر و حالت

چکیده

در 20 تا 30 سال اخیر، فیلتر کالمن تعمیم‌یافته (EKF) در بسیاری از تخمین‌های غیرخطی و کاربردهای یادگیری ماشین الگوریتم منتخبی بوده است. این کاربردها شامل تخمین حالت سیستم دینامیکی غیرخطی و همچنین تخمین پارامترها جهت شناسایی سیستم غیرخطی (مثلا آموزش وزن‌های شبکه‌ی عصبی) می‌شود. EKF شیوه‌ی مورد استفاده در فیلتر کالمن خطی استاندارد را به حالتی خطی شده از سیستم اصلی اعمال می‌کند. این روش چندان بهینه نیست و ممکن است به سادگی منجر به واگرایی شود. ژولیه[2] و همکاران [1]فیلتر کالمن بی‌اثر(UKF) را به عنوان جایگزینی خالی از مشتق برای فیلتر کالمن تعمیم‌یافته در چارچوب تخمین حالت پیشنهاد دادند. این پیشنهاد توسط ون و ون‌درمِرو[3][2 3] برای تخمین پارامتر تعمیم داده‌شد. در مسائل فضای حالت عمومی، UKF با پیچیدگی محاسباتی مشابه توانسته همواره در پیش‌بینی و تخمین خطا،EKF را پشت سر بگذارد. هنگامی که EKF برای تخمین پارامتر اعمال می‌شود، شکل خاص معادلات فضای حالت پیاده‌سازی را میسر می­سازد. این مقاله به بیان فیلتر کالمن بی‌اثرِ ریشه‌ی دو می­پردازد که برای تخمین حالت عمومی از مرتبه‌ی و برای تخمین پارامتر از مرتبه‌ی است (توجه داشته باشید که فرمولاسیون UKF برای تخمین پارامتر بود). به علاوه، شکل ریشه‌ی دو مزیت‌های دیگری همانند پایداری عددی و نیمه قطعیت ‌مثبت‌تضمینی کوواریانس‌های حالت رادارد.

.

👇محصولات تصادفی👇

بورس الكترونیك : گزینه ای مناسب فرا روی سرمایه گذارن پاورپوینت ارتباط جو سازمانی و سکوت سازمانی سیستم عامل توزیع شده گزارش کاراموزی طراحی نیمكت پاورپوینت تصمیم گیری براساس اطلاعات هزینه های مربوط و اطلاعات استراتژیک شرکت