فيلترذره مبتني برMCMC به منظور ردگيري چندهدفه در ميان مشاهدات خام و آشكارنشده

در این مقاله به مسئله پرچالش ردگیری چندهدفه در میان داده­های آشكارنشده پرداخته می­شود. برای انجام این كار، ابتدا با تقسیم فضای حالت به دو زیر فضای خطی و غیرخطی و با به­كارگیری اصل Rao–Blackwellization، چگالی اهمیتی بهینه را برای نوع خاصی از مدل سنسور، كه مشاهدات منشعب و در هم ادغام­شده را برای ناحیه مشاهده مشبك­شده تولید می­نماید، به­دست آمد. در ادامه، برای كاهش پیچیدگی محاسباتی نمونه برداری از چگالی اهمیتی بهینه، از معروف­ترین نمونه­بردار خانواده MCMC یعنی نمونه­بردار Gibbs برای نمونه­برداری از چگالی اهمیتی بهینه استفاده شد و سپس با مقایسه عملكرد این دو در یك محیط ردگیری چندهدفه و در میان مشاهدات خام و آشكارنشده، نشان داده شد كه نمونه­بردار Gibbs به مبادله­ای بین كاهش حجم محاسبات و میزان دقت در ردگیری دست می­یابد. ایده مطرح­شده را می­توان به­عنوان جایگزین برای مواقعی كه نمونه­برداری از چگالی اهمیتی بهینه عملا غیرممكن است، استفاده نمود.