فیلترذره مبتنی برMCMC به منظور ردگیری چندهدفه در میان مشاهدات خام و آشکارنشده

در این مقاله به مسئله پرچالش ردگیری چندهدفه در میان داده های آشکارنشده پرداخته می شود. برای انجام این کار، ابتدا با تقسیم فضای حالت به دو زیر فضای خطی و غیرخطی و با به کارگیری اصل Rao–Blackwellization، چگالی اهمیتی بهینه را برای نوع خاصی از مدل سنسور، که مشاهدات منشعب و در هم ادغام شده را برای ناحیه مشاهده مشبک شده تولید می نماید، به دست آمد. در ادامه، برای کاهش پیچیدگی محاسباتی نمونه برداری از چگالی اهمیتی بهینه، از معروف ترین نمونه بردار خانواده MCMC یعنی نمونه بردار Gibbs برای نمونه برداری از چگالی اهمیتی بهینه استفاده شد و سپس با مقایسه عملکرد این دو در یک محیط ردگیری چندهدفه و در میان مشاهدات خام و آشکارنشده، نشان داده شد که نمونه بردار Gibbs به مبادله ای بین کاهش حجم محاسبات و میزان دقت در ردگیری دست می یابد. ایده مطرح شده را می توان به عنوان جایگزین برای مواقعی که نمونه برداری از چگالی اهمیتی بهینه عملا غیرممکن است، استفاده نمود.