Kalman Particle Filter. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Y_Amidu_Thesis_Full_compressed.pdf Restricted to Repository staff only until 14 June 2022. Download (729kB)

Arabic Abstract

الغرض الرئيسي من هذه الأطروحة هو تقديم تقدير بايزي عام وتنفيذه رقميا لنموذج الفضاء العشوائي الغاوسي وغير الغاوسي. وهكذا، ناقشنا النتائج الهامة والتطورات الحديثة لمرشح ومنعم بي ز كالمان لنموذج فضاء الحالة الخطي وغير الخط ي سوى للتوزيع الغاوسي أو الغير غاوسي. وفي حالة خاصة، حيث لم يتم التوصل إلى حل تحليلي لمشكلة الترشيح بسبب ضوضاء مستعصية متعددة الأبعاد أو غير غاوسية التوزيع، فإنه يتم استخدام تقدير تقريبي باستخدام محاكاة مونتي كارلو. وعلاوة على ذلك، وفي - السيناريو الذي يستحيل فيه أخذ العينات من التوزيع اللاحق، تطبق تقنية أخذ العينات ذات الأهمية، وهي طريقة دقيقة وقادرة على تقدير التكامل متعدد الأبعاد وإجراء التحسين على المستوى الكلي. مرشح بيز كالمان الذي ينبني على نهج أخذ عينات مونتي كارلو المتسلسل يسمى مرشح كالمان للجسيمات. وطُور مرشح الجسيمات وطُب ق في مجالات كثيرة بسبب قدرته على معالجة القياسات الناتجة عن نماذج فضاء الحالة الغير خطي مع ا لضوضاء الغير غاوسية. وبالإضافة إلى ذلك، تعاني مرشحات الجسيمات من عقبتين تعرفان بانحطاط العينات وافتقارها. ولحل هذه المسائل، تم اتخاذ خطوة لإعادة التكوين لتحسين كفاءة مرشح كالمان للجسيمات. وتم عرض المحاكاة العددية والتطبيق الحقيقي للبيانات لإظهار كفاءة مرشح بيز ومرشح الجسيمات

English Abstract

The main purpose of this thesis is to present a general Bayesian estimation and its numerical implementation for the stochastic Gaussian and non-Gaussian state space model. Thus, we discussed important results and recent developments of the Bayesian Kalman filter and smoother for the linear and nonlinear Gaussian state space model. In a special case, where analytical solution for the filtering problem was not achieved due to high dimensional intractable integral or non-Gaussian noise, an approximation using Monte-Carlo simulation is employed. Furthermore, in a scenario where it is impossible to sample from the posterior distribution, an importance sampling technique is applied, which is an accurate method, capable of estimating high-dimensional integration and carrying out global optimization. The Bayesian Kalman filter that is build on the sequential Monte Carlo sampling approach is called particle Kalman filter. The particle filter was developed and applied in numerous areas due to its capability to process measurements generated by nonlinear state-space models with non-Gaussian noise. In addition, particle filters suffer from two drawback that are known as sample degeneracy and impoverishment. To resolve these issues, a resampling step is intro- duced to improve the efficiency of the particle Kalman filter. Numerical simulations and real data application are presented to show the efficiency of the Bayesian and particle filters

Item Type:	Thesis (Masters)
Subjects:	Math
Department:	College of Computing and Mathematics > Mathematics
Committee Advisor:	Jaafar, Al-Mutawa
Committee Members:	Mustapha, Kassem and Ashfaque, Bokhari
Depositing User:	YUSUF AMIDU (g201803020)
Date Deposited:	05 Jul 2021 06:41
Last Modified:	05 Jul 2021 06:41
URI:	http://eprints.kfupm.edu.sa/id/eprint/141900