Adaptive genetic particle filter and its application to attitude estimation system

فیلتر ذرات یک کلاس متداول روش مونت کارلو است که می توان آن را به هر سیستم غیر تصادفی غیر خطی و غیر غسان اعمال کرد که می تواند با مدل فضای حالت نمایش داده شود. با این حال، روش مجدد نمونه برداری در فیلتر ذرات ممکن است دچار فقر ذرت شود. برای مقابله با این مشکل، یک فیلتر ذرات ژنتیکی سازگار در این مقاله ارائه شده است. این یک فیلتر کالمن را برای یک تخمین حالت کم و یک فیلتر کلامی کالمن برای یک سیستم با ابعاد بزرگ برای تولید توزیع پیشنهاد اهمیت برای به دست آوردن کامل از آخرین اندازه گیری ها در یک چارچوب فیلتر ذرات استفاده می کند. استراتژی های متقاطع و بهبود یافته جهش با هم برای افزایش تنوع ذرات استفاده می شوند، جایی که از دست دادن تنوع ذرات یک تظاهرات خاص از فقر آهن است. برای بهینه سازی انتخاب پارامترها، الگوریتم ژنتیک را به یک راه حل بهینه جهانی همسان می کند و کارایی کار را بهبود می بخشد، یک استراتژی انطباقی طراحی شده است تا احتمال جهش الگوریتم خود را تعیین کند. دو آزمایش، یک مدل رشد یک جانبه است و یکی از آزمایشات مصنوعی است که هر دو برتری و کارایی الگوریتم پیشنهاد شده را نشان می دهد. در نهایت، فیلتر ذرات ژنتیکی سازگار به سیستم برآورد نگرش اعمال می شود و نتایج نشان می دهد که الگوریتم جدید دارای دقت بالایی و سرعت همگرایی سریعتر در مقایسه با فیلتر کلامان تمدید شده و برآورد کننده کواترنن بدون تحرک است.