Resumen

Se presenta un filtro de partículas de similitud de agrupamiento basado en la consistencia de la trayectoria de estado para el modelado matemático, la estimación del rendimiento y la detección inteligente de sistemas no lineales. Partiendo de un modelo de fusión de información basado en el principio de consistencia de la trayectoria de estado espacial, la información de observación prevista del filtro de partículas actual (trayectoria original) y el futuro filtro de partículas gaussiano multietapa (trayectoria modificada) se seleccionan como las trayectorias de estado de las partículas de muestreo. Se utilizan métodos de similitud de agrupamiento para medir las trayectorias de estado de las partículas de muestreo y el sistema real (trayectoria de referencia). El peso de importancia de un modelo de Markov de primer orden se actualiza con los resultados de las mediciones. Al integrar el esquema de compensación selectiva de la última información de medición en el proceso de muestreo de importancia secuencial, se reducen eficazmente los efectos adversos del fenómeno de degradación de partículas. Se proponen y demuestran los teoremas de convergencia del filtro de partículas mejorado. El filtro mejorado se aplica a casos prácticos de estimación de procesos no lineales, predicción estadística económica y evaluación del estado de las baterías, y los resultados de la simulación muestran que el filtro de partículas mejorado es superior a los filtros tradicionales en precisión de estimación, eficiencia y robustez.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:filtro de partículas, muestreo de partículas, trayectorias de estado, proceso secuencial de muestreo de importancia, filtro de partículas gaussiano, evaluación del estado de la batería, filtro de partículas actual, predicción estadística económica, modelo de fusión de información, información de las últimas mediciones
• Keywords:particle filter, sampling particles, state trajectories, sequential importance sampling process, gaussian particle filter, battery health assessment, current particle filter, economic statistical prediction, information fusion model, latest measurement information