Resumen

El filtro de mezcla gaussiana puede resolver el problema no gaussiano del seguimiento de objetivos en un entorno complejo mediante el método de aproximación multimodal, pero los pesos del componente gaussiano del filtro de mezcla gaussiana convencional solo se actualizan con la llegada del valor de medición en la etapa de actualización de medición. Cuando el grado no lineal del sistema es alto o falta el valor de medición, el peso del componente Gauss permanece sin cambios y la función de densidad de probabilidad del estado del sistema no puede aproximarse con precisión. Para resolver este problema, este artículo propone un algoritmo para actualizar pesos adaptativos para los componentes gaussianos de un filtro de Kalman de mezcla gaussiana de cubatura (CKF) en la etapa de actualización de tiempo. El método propuesto aproxima el ruido no gaussiano dividiendo el estado del sistema, el ruido del proceso y el ruido de observación en varios componentes gaussianos y actualiza el peso de los componentes gaussianos en la etapa de actualización de tiempo. El método contribuye a obtener una mejor aproximación de la función de densidad de probabilidad posterior

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Filtro de mezcla gaussiana; Problema no gaussiano; Seguimiento de objetivos; Método de aproximación multimodal; Pesos adaptativos; Filtro de Kalman de cuadratura
• Keywords:Gaussian mixture filter; Non-gaussian problem; Target tracking; Multimode approximation method; Adaptive weights; Cubature kalman filter