Resumen

El algoritmo de filtro de partículas Rao-Blackwellizado (RBPF) suele tener un mejor rendimiento que el filtro de partículas tradicional (PF) al utilizar las relaciones de dependencia condicional entre partes de las variables de estado para estimar. Al hacerlo, el RBPF no solo podría mejorar la precisión de la estimación, sino también reducir la complejidad computacional general. Sin embargo, la carga computacional sigue siendo demasiado alta para muchas aplicaciones en tiempo real. Para mejorar la eficiencia del RBPF, se aplica la optimización por enjambre de partículas (PSO) para dirigir todas las partículas a las regiones donde sus verosimilitudes son altas en el área no lineal. Así, solo se necesita la participación de un pequeño número de partículas en la computación requerida. Los resultados experimentales demuestran que este nuevo algoritmo es más eficiente que el RBPF estándar.

• Materias:Modelado matemático Modelo de red neuronal Tasa de convergencia Aritmética Ondículas libres
• Subjects:Mathematical modeling Neural network model Convergence rate Arithmetic Free wavelets
• Palabras claves:Filtro de partículas; Algoritmo RBPF; Relaciones de dependencia condicional; Precisión de estimación; Complejidad computacional; Optimización por enjambre de partículas
• Keywords:Particle filter; RBPF algorithm; Conditional dependency relationships; Estimation precision; Computational complexity; Particle swarm optimization