適応カーネルKalmanフィルタ【JST・京大機械翻訳】

Sun Mengwei; Davies Mike E.; Proudler Ian K.; Hopgood James R.

プレプリント

J-GLOBAL ID：202202215250158492 整理番号：22P0304950

適応カーネルKalmanフィルタ【JST・京大機械翻訳】

Adaptive Kernel Kalman Filter

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年03月15日プレプリントサーバーでの情報更新日： 2023年02月27日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

非線形動的システムにおける逐次Bayesフィルタは予測と事後分布の再帰的推定を必要とする。本論文では,適応カーネルKalmanフィルタ(AKKF)と呼ばれるBayesフィルタを導入した。このフィルタを用いて,隠れ状態の任意の予測および事後分布をカーネルHilbert空間(RKHS)の再現における経験的カーネル平均埋込み(KME)を用いて近似した。KMEと平行して,データ空間におけるいくつかの粒子を用いて,動的システムモデルの特性を捉えた。特に,粒子を生成し,データ空間で更新し,一方,粒子の特徴マッピングに関連した対応するカーネル重み平均ベクトルと共分散行列を予測し,カーネルKalman規則(KKR)に基づくRKHSsで更新した。シミュレーション結果を提示して,無香料Kalmanフィルタ(UKF),粒子フィルタ(PF)およびGauss粒子フィルタ(GPF)と比較して,著しく低減した粒子数を有する著者らのアプローチの改良性能を確認した。例えば,GPFと比較して,提案した方式は,50粒子を使用するとき,軸受のみの追跡(BOT)システムにおいて,約5%の対数平均平方誤差(LMSE)追跡性能改良を提供した。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

人工知能 , フィルタ一般

, ,

前のページに戻る