عنوان پایان‌نامه
استخراج الگو برای ردیابی اهداف دارای مانور
- رشته تحصیلی
- مهندسی برق-مخابرات-سیستم
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 40168;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 1480
- تاریخ دفاع
- ۱۸ مهر ۱۳۸۷
- دانشجو
- امیر قاسمیان لنگرودی
- استاد راهنما
- علی الفت
- چکیده
- منظور از ردیابی، تخمین کلیه حالات سیستم از روی مشاهدات آغشته به نویز است. اکثرِ الگوریتم های ردیابی به دلیل شناخت معادلات حاکم بر حرکت، بر پایه ی مدل هستند. عموما به دلیل نبود مدلی جامع برای انواع مانور، استفاده از روش های وفقی در زمینه ی ردیابی بسیار متداول است. روش های وفقی ردیابی اجسام به 2 دسته ی عمده ی روش های کلاسیک و روش های مدل چندگانه تقسیم بندی می شوند. روش های کلاسیک، بر پایه ی تصمیم گیری بر روی مانور حرکت عمل می کنند. در بین این روش ها، الگوریتم سوئیچ کننده بین چند سطح نویز به دلیل سادگی آن حائز اهمیت است. در قسمتی از این تحقیق با استفاده از شبیه سازی های مونت کارلو بر روی الگوریتم سوئیچ کننده، مانورها را طبقه بندی کرده ایم. با این عمل آستانه های مناسبی برای سوئیچ کردن بین این سطوح مانور بدست آمده است. دسته ی دیگر روش های مدل چندگانه هستند که بر اساس چهارچوب قانون بیز عمل می کنند و اساس آنها بر استفاده از فیلترهای کالمن موازی روی مدل های مناسب قرار دارد. این الگوریتم ها نیز نسبت به انتخاب مدل حساسیت دارند ولی مقاوم تر از روش های کلاسیک عمل می کنند. به این دلیل که مانور دسته ی بزرگی از رفتارها را شامل می شود، نبود یک مدل جامع همواره چالشی اساسی در ردیابی اجسام دارای مانور است. استفاده از روش بازنشانی ماتریس کوواریانس خطا و اضافه کردن بهره ی کالمن این مشکل را تا حدودی بر طرف می سازد. در قسمت دیگری از این تحقیق ابتدا یک اثبات تحلیلی برای روش بازنشانی ماتریس کواریانس خطا ارائه کرده ایم و در ادامه یک مدل پیشنهادی بر اساس استفاده از روش بازنشانی ماتریس کواریانس در الگوریتم مدل چندگانه ارائه شده است که در هنگام مانور بهتر از روش مدل چندگانه عمل می کند. با استفاده از این دو روش- یعنی روش مدل چندگانه و روش پیشنهادیِ استفاده از بازنشانی ماتریس کواریانس در الگوریتم مدل چندگانه- به¬صورت موازی می توان به جواب های بهتری در زمان مانور و در خارج از این بازه دست یافت. همچنین در این تحقیق توسط یک فیلتر حداقل مربع خطا که از لحاظ محاسباتی معادل الگوریتم کالمن بوده، تخمین-های بهتری در بازگشت های ابتدایی نسبت به فیلتر کالمن بدست آمده است. با بررسی فرم بازگشتی این فیلتر، نشان داده ایم این فیلتر معادل فیلتر کالمن است و پس از چند بازگشت همانند کالمن عمل می کند. در واقع با این روش وابستگی پاسخ کالمن در بازگشت های اولیه به انتخاب شرط اولیه را از بین برده ایم.
- Abstract
- Tracking means the estimation of all the states of a system from the noisy measurements. Regarding to the acquaintance with the equations of motion, most of the tracking algorithms are model based. Generally due to the defects of the models and lack of a general model, adaptive estimation algorithms are more often used for tracking. Adaptive target tracking algorithms are classified into two main groups; classical algorithms and multiple model algorithms. Classical approaches are based on a decision on the target maneuvering. Among these methods, noise level switching algorithm is quite important because of its simplicity. In one part of this thesis, maneuvers are classified by using the Monte Carlo runs on the switching algorithm. With this method, suitable thresholds for switching among the maneuvering levels are obtained. The other class is the multiple model approach that is based on the Bayesian framework. This approach uses parallel Kalman filters on suitable models. Although these algorithms are sensitive to choice of model, they are more robust than the classical ones. Because maneuver includes various types of motion, the lack of a comprehensive model for maneuvering targets is always a main challenge in the maneuvering target tracking. Using matrix covariance presetting and increasing the Kalman gain solves this problem to some extent. In another part of this research we have presented an analytical proof for the matrix covariance presetting. Also by combining the matrix covariance presetting algorithm and multiple model approach, considerably better results are gained during a maneuver. By applying the multiple model algorithm in parallel with the proposed combined approach, good results are obtained in the whole tracking interval. In addition by using a Least Square filter whose computational complexity is similar to the Kalman filter, better estimates has been obtained in the early iterations compared to Kalman. With studying the recursive form of this filter, we have shown that it is equivalent to a Kalman filter and indeed after some iterations will act like Kalman filter. Actually with this method, we remove the dependence of Kalman estimates on the initial conditions at early iterations.
