عنوان پایان‌نامه
ترکیب تخمین بارویکرد هوشمند
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 36429
- تاریخ دفاع
- ۰۷ آبان ۱۳۸۶
- دانشجو
- جواد رضائی
- چکیده
- مسأله ترکیب تخمین یا ترکیب داده برای تخمین، بدین صورت است که چگونه میتوان از اطلاعات موجود در چندین مجموعه داده، به منظور تخمین یک مقدار نامعلوم (یک پارامتر یا فرآیند) به بهترین نحو استفاده کرد. این مجموعه داده عمومأ از چندین منبع به دست می آیند. ترکیب تخمین دارای کاربردهای زیادی در زمینه های مختلف (مانند ناوبری، ردیابی، تخمین حالت، پارامترها و ...) می باشد زیرا مسائل عملی زیادی نظیر شامل داده از چندین منبع را در بر می‌گیرد. مسائل کلاسیک فیلترینگ،پیش بینی و هموارسازی از یک فرایند نامعلوم حالات خاصی از مسأله ترکیب تخمین می باشند. به منظور گسترش روشهای ترکیب تخمین بر پایه مدل برای فرایندهای دینامیکی، اولین قدم بدست آوردن مدل سیستم با استفاده از داده های مشاهده شده و/یا دانش خبره از فرایند می باشد. کیفیت مدل بدست آمده تأثیر قابل توجهی بر کارایی تخمینگرهای بر پایه مدل دارد. کلیه کارهای قبلی در زمینه ترکیب تخمین محدود به سیستمهای خطی معلوم میباشند. تقریبا تمام سیستمهای واقعی غیرخطی بوده و برخی دینامیکهای نامشخصی دارند. در این پژوهش ابتدا یک الگوریتم درختی مدل خطی محلی جدید که در ترکیب تخمین بسیار سودمند است ارائه می گردد. در این روش از الگوریتم بیشینه کردن امید ریاضی جهت تخمین مدلهای محلی الگوریتم درختی مدل خطی محلی استفاده می کنیم. مدل بدست آمده را میتوان به صورت یک مدل خطی تغییر پذیر با زمان نوشت. با استفاده از فیلتر کالمن می توان ترکیب تخمین را انجام داد. روش ارائه شده بسیار کلی بوده و قابل پیاده سازی روی هر سیستم خطی و غیرخطی تنها با استفاده از داده های ورودی/خروجی می باشد. در نهایت در سیستمهای چند-حسگری چند-هدفی تخمین افزونگی غیر خطی ارائه شده است. خطاها به علت افزونگی در حسگرها معمولا در داده حسگر نشان داده می شود و می تواند صحت و پایداری سیستمهای چند حسگری را تحت تاثیر قرار دهد.مسأله عملی دیگر غیرخطی بودن دینامیک هدف است. در تمام کارهای قبلی در زمینه ردیابی چند-حسگر چند-هدفی دینامیک هدف به صورت یک مدل ساده خطی در نظر گرفته شده است در صورتی در عالم واقع غیرخطی می باشد. اگر دینامیک اهداف خطی در نظر گرفته شود یا خطی سازی گردد دقت ردیابی کاهش می یابد. این موضوع در تضاد با هدف اصلی تخمین افزونگی (کاهش خطا) می باشد. روش ارائه شده با این مشکلات مقابله می کند و دو الگوریتم جدید برای تخمین افزونگی های ثابت و دینامیک ارائه می گردد. الگوریتم ارائه شده بر پایه فیلترهای کالمن سیگما نقطه بوده و به صورت بازگشتی پیاده سازی شده که به لحاظ محاسباتی کارا است و افزونگی های حسگرهای همزمان را به صورت زمان واقعی تخمین می زند.
- Abstract
- Estimation fusion, or data fusion for estimation, is the problem of how to best utilize useful information contained in multiple sets of data for the purpose of estimating an unknown quantity (parameter or process). These data sets are usually obtained from multiple sources (e.g., multiple sensors or the multiple sets of data which collected from a single source over a time period). Evidently, estimation fusion has widespread applications (such as navigation, tracking, state and parameter estimation and …) since many practical problems involve data from multiple sources. The conventional problems of filtering, prediction, and smoothing of an unknown process are special cases of estimation fusion problems. In developing model-based methods for estimation fusion or control of a priori unknown dynamic processes, the first step is to establish plant models from available observational data and/or expert process knowledge. The quality of the established models significantly affects the performance of model-based estimators and controllers. All previous works in estimation fusion field (specially distributed estimation fusion) are limited to known linear systems. Almost all real systems are nonlinear which some of them have a priori unknown dynamics. In this thesis first we develop a new local linear model tree (LOLIMOT) algorithm which is very useful for estimation fusion. In this method we use expectation maximization (EM) algorithm for identification of local models in LOLIMOT algorithm, which provides us model mismatch covariance. The achieved model can be stated in state space model as a linear time-varying system. As the noise and model mismatch covariance is known, Kalman filter can be easily used for estimation fusion (centralized or distributed). The proposed method is very general which can be used for applying estimation fusion algorithms to any linear and nonlinear system and only input/output data sets are used. Finally, we proposed a nonlinear version of bias estimation in multi-sensor multi-target systems. Errors due to sensor bias are often present in sensor data and can reduce the tracking accuracy and stability of multi-sensor systems. The other practical problem is that the target dynamic is nonlinear in many situations. In all of the previous works on bias estimation in multi-sensor multi-target tracking problems a simple linear model for the target is considered but really targets have nonlinear dynamics. If dynamics of these targets are considered linear or are linearized about operating point, some kinds of errors appear and thus tracking accuracy decrease. This problem is in conjunction with the prime purpose of bias estimation (increasing tracking accuracy by removing biases). The proposed methods deal with these problems and present two new algorithms for estimation of static or dynamic biases in synchronous multi-sensor multi-target systems. This algorithm is a sigma point Kalman filter based technique and is implemented recursively which is computationally efficient and provides real time estimation of synchronous sensor bias.
