ردیابی اهداف هوایی مانوردار با استفاده از فیلتر ذره ای تکاملی

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 207

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_SAIRAN-10-4_005

تاریخ نمایه سازی: 8 خرداد 1400

چکیده مقاله:

ردیابی اهداف هوایی با مانور بالا کاربردهای زیادی در زمینه های دفاعی و غیردفاعی دارد. ردیابی هدف مستلزم تخمین توام موقعیت، سرعت و شتاب آن می باشد. در روش های مرسوم ردیابی اهداف هوایی فاصله تا هدف و زاویه سمت هدف که تابعی غیرخطی از حالت های سیستم می باشند، اندازه گیری می شوند. از آنجا که این اندازه گیری ها آغشته به نویز می باشند، جهت تخمین سرعت و شتاب هدف استفاده از روش های تخمین و فیلتر کردن امری ضروری است. فیلتر کالمن تعمیم یافته برای مواجهه با سیستم های غیرخطی و نویزهای گوسی عملکرد مناسبی دارد. ولی در پیاده سازی عملی با نویزهای غیرگوسی مانند نویز گلینت مواجه هستیم که در چنین مسائلی فیلترهای ذره ای عملکرد مناسب تری از خود نشان می دهند. از طرفی به علت بار محاسباتی بالای فیلترهای ذره ای، قابلیت پیاده سازی و بکارگیری آن ها به صورت بهنگام وجود ندارد. در این مقاله برای کاهش بار محاسباتی و بهبود عملکرد زمان حقیقی فیلتر ذره ای در حل مسئله ردیابی اهداف هوایی، از الگوریتم تکاملی بهینه سازی اجتماع ذرات در مرحله ی نمونه برداری استفاده شده است. روش پیشنهادی در سناریویی شامل تمام حالت های ممکن حرکت هدف با مانور بالا شبیه سازی و ارزیابی شده است. همچنین عملکرد فیلتر ذره ای تکاملی با فیلتر کالمن تعمیم یافته و تعدادی از فیلترهای ذره ای مقایسه شده است. نتایج حاصل از شبیه سازی حاکی از این است که فیلتر ذره ای تکاملی در عین دقت بسیار بالاتر نسبت به فیلترهای مقایسه شده، قابلیت بهنگام بودن در ردیابی اهداف هوایی مانوردار را دارد.

کلیدواژه ها:

نویسندگان

الهام مشرقیان

دانشگاه صنعتی مالک اشتر، دانشکده برق و کامپیوتر

محمد عاروان

دانشگاه صنعتی مالک اشتر، دانشکده برق و کامپیوتر

سعید نصراللهی

دانشگاه صنعتی مالک اشتر، دانشکده برق و کامپیوتر

محمدعلی علیرضاپوری

دانشگاه صنعتی مالک اشتر، دانشکده برق و کامپیوتر

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • J.S. Meditch, Stochastic Optimal Linear Estimation and Control, ۱۹۶۹ ...
  • S. Rahnama and MR. Arvan, ۲۰۱۱, “Comparison of Extended and ...
  • S. Jihong,L. Yanan,L. Siyuan, and S. Zhuo, ۲۰۱۵, “Nonlinear Radar ...
  • Sh. Sanjivani, V. Kesari and M. Kamal, ۲۰۱۵, “Multiple Object ...
  • J. Kim, M. Tandale, P.K. Menon and E. Ohlmeyer, , ...
  • Dan Simon, Optimal state estimation: Kalman, H infinity, and nonlinear ...
  • B. Ristic, S. Arulampalam, N. Gordon, Beyond the Kalman filter: ...
  • [۸]رمضان هاونگی، محمد تشنه لب، محمدعلی نکویی و حمیدرضا تقی ...
  • T. Higuchi, ۱۹۹۷, “Monte Carlo filter using the genetic algorithm ...
  • R. Havangi, M.A. Nekoui, M. Teshnehlab, ۲۰۱۰, “A multi swarm ...
  • L. Ziyu, L. Yan, S. Lei, C. Ying, ۲۰۱۳, “Particle ...
  • S.M.K. Heris, H. Khaloozadeh, ۲۰۱۴, “Ant Colony Estimator: An intelligent ...
  • S.S.S. Hosseini, M.M. Jamali, J. Astola & P.V. Gorsevski, ۲۰۱۶, ...
  • [۱۶ ]رمضان هاونگی، افزایش سازگاری فیلتر ذرهای با استفاده از ...
  • F. Xiao, ۲۰۱۶, “Research on PSOGA particle filter video object ...
  • R. Havangi, ۲۰۱۷, “Joint Parameter and State Estimation Based on ...
  • [۲۰ ]حبیب مطیع قادر، شهریار لطفی و میرمهدی سیداسفلان، مروری ...
  • X.R. Li, V.P. Jilkov, ۲۰۰۳, “Survey of maneuvering target tracking. ...
  • [۲۳ ] مرتضی رضایی، محمدرضا عاروان و سجاد ازگلی، تعیین ...
  • نمایش کامل مراجع