بخشی از مقاله
چکیده
هدف اصلی مقاله حذف کلاترها و نویز حسگر و در نهایت رهگیری سمت اهداف است. الگوریتم ابتدا K پنجره زمانی، منتظر دریافت مشاهدات حسگر میشود. سپس تمام حالتهای ممکن برای ارتباط مشاهدات به صورت "درخت مشاهدات" ترسیم میشود. با پیمایش شاخههای درخت، مشاهداتی که از هم فاصله زیاد دارند - در همسایگی والد نیستند - هرس میشوند و شاخههایی که به عمق K میرسند به عنوان خوشههای منتخب نگهداشته میشوند.
خوشهای که کمترین واریانس مشاهدات دارد به عنوان رهگیر آن هدف انتخاب خواهد شد. رهگیر بدستآمده با رهگیر گذشته مقایسه و در صورت مطابقت ادامه آن و درغیر اینصورت به عنوان رهگیر جدید ثبت میشود. الگوریتم پیشنهادی با دو سناریو با توزیع کلاتر یکنواخت یکی حداکثر 3 کلاتر و دیگری حداکثر 9 کلاتر آزمایش شده است. خطای رهگیری سمت - MSE - بهترتیب 1/32 و 1/34 درجه میباشد.
1 مقدمه
تلفیق داده به تکنیکهای مورد استفاده برای عمل ترکیب سنجشهای انجام شده توسط چندین حسگر و تولید یک کمیت یکتا، اطلاق میشود. تلفیق داده چند حسگری یکی از مدلهای پذیرفتهشده در برخورد با دادههای حسگرهایی همگون و ناهمگون است که بر طبق مدل JDL دارای 4 سطح - پالایش شیئ، حالت، تهدید، و پردازش - است. در سطح یک این مدل - پالایش شیئ - استخراج اهداف حسگرها انجام شده و سپس اهداف کشف شده با یکدیگر تلفیق میشوند - Hall and Llinas, 2001 - و . - Chen and et al 2014 -
از مهمترین بخشهای سطح یک، رهگیری هدف است. هدف از رهگیری شییء تخمین حالت کنونی شیئ از دادههای نویزی حالت شیئ است. هدف رهگیری، تعقیب پیوسته موقعیت و مسیر حرکت هدف است - Hall . - and Llinas, 1997 الگوریتمهای رهگیری به طور کلی به دو بخش قطعی و آماری تقسیم می شوند. الگوریتمهای قطعی از یک سری روشها و اندازهگیریهای یقینی برای رهگیری هدف استفاده میکنند.
از طرف دیگر روشهای آماری از یک مدل تصادفی و بر اساس بررسی رفتار آماری هدف به تخمین و رهگیری هدف میپردازند. به عنوان مثال تخمین بر اساس فیلترهای کالمن و فیلترهای ذرهای - Jinan and در این دسته قرار میگیرند . - Chen, 2004 - اکثر فیلترهای رهگیر، فرایند انتقال حالت را یک فرایند تصادفی در نظر میگیرند که خصوصیات زنجیره مارکف را دارد یعنی تمام انتقال حالتها تصادفی بوده و حالت در هر لحظه فقط به حالت لحظه قبل وابسته است.
این الگوریتمها دو مرحله پیشگویی و بروزرسانی دارند. در مرحله پیشگویی از تخمین حالت مرحله قبل برای تولید یک تخمین حالت در زمان کنونی استفاده میکنند. - Hua Lan and et al 2016 - در مرحله بروزرسانی تخمین حالت با استفاده تجمیع اطلاعات اندازهگیریها بهبود یافته و یک تخمین پسین بدست میآید. اگر بتوان به جای استفاده از یک گام زمانی گذشته، از مجموعه بیشتری از مشاهدات گذشته استفاده نمود، میتوان نویز تصادفی و کلاتر موجود در خروجی حسگر را تا حد قابل قبولی کاهش داد.
در محیطهای واقعی مشاهدات، همیشه حسگرهای کشف اهداف با مقداری نویز و کلاتر همراه هستند. حسگرهای پسیو تشخیص اهداف حسگرهایی هستند که از موقعیت هدف تنها سمت آن را دریافت میکنند، ممکن است با توجه به دقت حسگر، کلاترهایی در سمتهای دیگر که ممکن است هدف نباشند در دادههای دریافتی از آن حسگر وجود داشته باشد . - Bar-Shalom and Fortmann, 1988 - لذا نیاز به روشی احساس میشود که بتواند این کلاترهای ناخواسته را از دادهها حذف کرده و سمت هدف واقعی را از بین این دادهها استخراج کند.
از جمله محققینی که بر روی حذف نویز و کلاتر از مشاهدات رهگیری کار کردند میتوان به کارهای ذیل اشاره نمود: - Chen and Hong, 1997 - با استفاده از الگوریتم ژنتیک مسئله رهگیری مشاهدات بعدی را برای چند هدفه و چند حسگره حل کردند؛ اما آنها در شبیهسازی کلاترها را فقط در اطراف اهداف توزیع کرده بودند. - Ashraf, 2011 - برای حل مسئله رهگیری چند هدفه در محیط کلاتری از روش جدید تمام همسایگی فازی استفاده کرد. ایشان در ادامه - Ashraf, 2013 - برای همان مسئله با روش نزدیکترین همسایه و خوشهبندی فازی این کار را انجام دادند. دیگر کسانی که با روش خوشهبندی فازی، رهگیری را انجام دادند میتوان به - Liang-qun and Wei-xin, 2014 - اشاره کرد که برای رهگیری اهداف مانور دار در محیط کلاتر از روش خوشهبندی فازی استفاده کردند.
با این تفاوت که کار آنها فقط بر روی سمت دریافتی از اهداف معطوف بوده است. الگوریتم پیشنهادی این مقاله به دنبال پیشبینی حرکت هدف نمیباشد بلکه از روی مجموعه مشاهدات گذشته رهگیر واقعی را شناسایی و نویز و کلاتر موجود در آن را کاهش میدهد. به عبارت دیگر برخلاف الگوریتمهای رایج مانند - Whyte, 2006 - PDA1 و - Roecker and Phillis, 1993 - JPDA2 بجای پیشبینی بینی گام بعدی از روز تاریخچه مشاهدات، برای یافتن رهگیرها تلاش مینماید که باعث افزایش دقت در شناسایی و استخراج رهگیرها شده است.
ممکن است توزیعکلاتر صرفاً در اطراف هدفها نباشد و شاید یک توزیع یکنواخت و حتی نرمال در تمام محدوده حسگر وجود داشته باشد. لذا روش PDA مقاومت کمتری در برابر اینگونه کلاترها از خود نشان میدهد. همچنین JPDA نیز با وجود بهبود بهتر این مشکل اما همچنان با افزایش ابعاد مسئله با مشکل حافظه نیز روبرو خواهد بود. در ادامه در بخش دو، الگوریتم پیشنهادی با تعریف فرضیات مسئله، تشکیل درخت مشاهدات، پیمایش درخت و تشکیل خوشهها، ارزیابی و انتخاب خوشهها و توضیح نحوه بروز رسانی رهگیرها بیان میشود. در بخش سه، الگوریتم پیشنهادی با دو سناریو با میزان کلاتر متفاوت آزمایش شدهاست. در پایان به جمعبندی و نتیجهگیری از مقاله خواهیم پرداخت
برای هر حسگر x فرضیات زیر وجود دارد:
• خطای اندازهگیری مستقل، گوسی با میانگین صفر و واریانس است.
• هر حسگر محدوده پوشش متفاوتی دارد که این محدوده شامل محدودیت سمت و فاصله است.
• زمان بین هر مشاهده یک ثانیه فرض شده است.
• برای شناسایی اهداف دریایی فرض شده است.
2-2 تشکیل پنجره بر روی مشاهدات
برای مشاهدات حسگر در زمان t مطابق رابطه - 1 - داریم: - 1 - اگر محدوده حسگر فرضی x را بین بازههای [30 150] و [210 330] در نظر بگیرید، شکل 2 نمای مشاهدات این حسگر را نشان میدهد.