دوره 12، شماره 4 - ( مجله کنترل، جلد 12، شماره 4، زمستان 1397 )                   جلد 12 شماره 4,1397 صفحات 23-33 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Hashemi S H, Alfi A. Doppler and Bearing Tracking using Adaptive Modified Covariance Extended Kalman Filter. JoC. 2019; 12 (4) :23-33
URL: http://joc.kntu.ac.ir/article-1-493-fa.html
هاشمی سید حامد، الفی علیرضا. رهگیری هدف با اندازه‌گیری سمت و فرکانس با استفاده از فیلترکالمن توسعه‌یافته تطبیقی اصلاح شده. مجله کنترل. 1397; 12 (4) :23-33

URL: http://joc.kntu.ac.ir/article-1-493-fa.html


1- دانشکده مهندسی برق و رباتیک، دانشگاه صنعتی شاهرود
چکیده:   (1613 مشاهده)

: هدف از رهگیری با اندازه¬گیری سمت و فرکانس به عنوان یک مساله رهگیری غیرفعال تخمین سرعت و مکان هدف با استفاده از سیگنال ناشی شده از خود هدف می¬باشد. مشکل اصلی این نوع رهگیری وجود معادلات اندازه گیری غیرخطی است که برای حل آن، روش های متفاوتی از جمله استفاده از فیلترکالمن توسعه یافته پیشنهاد شده است که این فیلتر دارای مشکلاتی از قبیل بایاس در تخمین پارامترها و وابستگی به شرایط اولیه است. در این مقاله ابتدا روش جدیدی به منظور فراهم آوردن شرایط اولیه مناسب برای فیلتر ارائه می شود. سپس، برای کاهش بایاس با الهام گرفتن از فیلترکالمن توسعه یافته اصلاح شده، فیلتر کالمن توسعه یافته تطبیقی اصلاح شده پیشنهاد می شود که در آن ماتریس های کوواریانس نویز اندازه گیری و نویز سیستم به صورت برخط و همزمان به روز می شوند. در نهایت، عملکرد فیلتر پیشنهادی با فیلتر کالمن توسعه یافته استاندارد، فیلتر کالمن توسعه یافته تطبیقی و فیلتر کالمن بی ریشه مقایسه می شود. نتایج نشان دهنده عملکرد مناسب فیلتر پیشنهادی در مساله تحت مطالعه است.

متن کامل [PDF 4195 kb]   (399 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: ۱۳۹۶/۳/۳۱ | پذیرش: ۱۳۹۷/۳/۳۱ | انتشار: ۱۳۹۸/۲/۱۴

فهرست منابع
1. [1] Passerieux, J.M., Pillon, D., Blanc-Benon, P. and Jaufret, C., 1988. Target motion analysis with bearings and frequencies measurements. In Signals, Systems and Computers, 1988. Twenty-Second Asilomar Conference on (Vol. 1, pp. 458-462).
2. [2] Rosenqvist, A., 1996. Asymptotic theory for a two-step pseudo-linear Doppler-bearing tracker. Computational statistics & data analysis, 21(6), pp. 647-660. [DOI:10.1016/0167-9473(95)00034-8]
3. [3] Passerieux, J.M., Pillon, D., Blanc-Benon, P. and Jauffret, C., 1989, May. Target motion analysis with bearings and frequencies measurements via instrumental variable estimator (passive sonar). In Acoustics, Speech, and Signal Processing, 1989. ICASSP-89., 1989 International Conference on (pp. 2645-2648).
4. [4] Tao, X.J., Zou, C.R. and He, Z.Y., 1996. Passive target tracking using maximum likelihood estimation. IEEE Transactions on Aerospace and Electronic Systems, 32(4), pp.1348-1354. [DOI:10.1109/7.543855]
5. [5] Chan, Y.T. and Rudnicki, S.W., 1992. Bearings-only and Doppler-bearing tracking using instrumental variables. IEEE Transactions on Aerospace and Electronic Systems, 28(4), pp. 1076-1083. [DOI:10.1109/7.165369]
6. [6] Ho, K.C. and Chan, Y.T., 2006. An asymptotically unbiased estimator for bearings-only and Doppler-bearing target motion analysis. IEEE Transactions on Signal Processing, 54(3), pp. 809-822. [DOI:10.1109/TSP.2005.861776]
7. [7] Zhan, R. and Wan, J., 2007. Iterated unscented Kalman filter for passive target tracking. IEEE Transactions on Aerospace and Electronic Systems, 43(3). [DOI:10.1109/TAES.2007.4383605]
8. [8] Santhosh, M.N., Rao, S.K., Das, R.P. and Raju, K.L., 2015. Underwater target tracking using unscented Kalman Filter. Indian Journal of Science and Technology, 8(31), DOI: 10.17485/ijst/2015/v8i31/77054. [DOI:10.17485/ijst/2015/v8i31/77054]
9. [9] Koteswara Rao, S., 2010. Doppler-bearing passive target tracking using a parameterized unscented kalman filter. IETE Journal of Research, 56(1), pp. 69-75. [DOI:10.4103/0377-2063.61267]
10. [10] Quan, H.W., 2014. Target Tracking Using Extended Kalman Filter with Bearing and Doppler Measurements. In Applied Mechanics and Materials (Vol. 529, pp. 379-382). [DOI:10.4028/www.scientific.net/AMM.529.379]
11. [11] Teulière, V. and Brun, O., 2003. Parallelisation of the particle filtering technique and application to doppler-bearing tracking of maneuvering sources. Parallel Computing, 29(8), pp. 1069-1090. [DOI:10.1016/S0167-8191(03)00090-5]
12. [12] Narasimhappa, M., Sabat, S.L. and Nayak, J., 2016. Fiber-optic gyroscope signal denoising using an adaptive robust Kalman filter. IEEE Sensors Journal, 16(10), pp. 3711-3718. [DOI:10.1109/JSEN.2016.2535396]
13. [13] Wang, H., Deng, Z., Feng, B., Ma, H. and Xia, Y., 2017. An adaptive Kalman filter estimating process noise covariance. Neurocomputing, 223, pp. 12-17. [DOI:10.1016/j.neucom.2016.10.026]
14. [14] Hashlamon, I. and Erbatur, K., 2016. An improved real-time adaptive Kalman filter with recursive noise covariance updating rules. Turkish Journal of Electrical Engineering & Computer Sciences, 24(2), pp. 524-540. [DOI:10.3906/elk-1309-60]
15. [15] Xi, Y., Li, Z., Zeng, X. and Tang, X., 2017. Detection of voltage Sag using an adaptive extended Kalman filter based on Maximum Likelihood. Journal of Electrical Engineering & Technology, 12(3), pp. 1016-1026. [DOI:10.5370/JEET.2017.12.3.1016]
16. [16] محمدی مقداد، قلی‌زاده نرم حسین، 1395. تطبيق کوواريانس‌هاي نويز فيلتر کالمن توسعه‌يافته در رديابي هدف از روي سمت به روش بازگشتي غيرمستقيم، مجله کنترل، جلد10، صفحه 55-72.
17. [17] Liu, X., Liu, H.J., Tang, Y.G., Gao, Q. and Chen, Z.M., 2014. Fuzzy adaptive unscented Kalman filter control of epileptiform spikes in a class of neural mass models. Nonlinear Dynamics, 76(2), pp. 1291-1299. [DOI:10.1007/s11071-013-1210-3]
18. [18] Deng, Z., Yang, L., Cai, Y. and Deng, H., 2016. Online identification with reliability criterion and state of charge estimation based on a fuzzy adaptive extended Kalman filter for lithium-ion batteries. Energies, 9(6), p. 472. [DOI:10.3390/en9060472]
19. [19] Li, J., Song, N., Yang, G. and Jiang, R., 2016. Fuzzy adaptive strong tracking scaled unscented Kalman filter for initial alignment of large misalignment angles. Review of Scientific Instruments, 87(7), pp. 075118. [DOI:10.1063/1.4959561]
20. [20] da Silva, A.L. and da Cruz, J.J., 2016. Fuzzy adaptive extended Kalman filter for UAV INS/GPS data fusion. Journal of the Brazilian Society of Mechanical Sciences and Engineering, 38(6), pp. 1671-1688. [DOI:10.1007/s40430-016-0509-7]
21. [21] Hajiyev, C. and Soken, H.E., 2016. Fault tolerant estimation of UAV dynamics via robust adaptive Kalman filter. In Complex Systems, Part of the Studies in Systems, Decision and Control, vol. 55, pp. 369-394. Springer. [DOI:10.1007/978-3-319-28860-4_17]
22. [22] Fucheng, G., Zhongkang, S. and Kan, H., 2003. A modified covariance extended Kalman filtering algorithm in passive location. In Robotics, Intelligent Systems and Signal Processing, 2003. Proceedings IEEE International Conference on (Vol. 1, pp. 307-311).
23. [23] Kalman, R.E., 1960. A new approach to linear filtering and prediction problems. Journal of basic Engineering, 82(1), pp.35-45. [DOI:10.1115/1.3662552]
24. [24] Haupt, R.L., 1995. An introduction to genetic algorithms for electromagnetics. IEEE Antennas and Propagation Magazine, 37(2), pp. 7-15. [DOI:10.1109/74.382334]
25. [25] Assa, A. and Plataniotis, K.N., 2017. Adaptive Kalman filtering by covariance sampling. IEEE Signal Processing Letters, 24(9), pp. 1288-1292. [DOI:10.1109/LSP.2017.2724848]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به مجله کنترل می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2019 All Rights Reserved | Journal of Control

Designed & Developed by : Yektaweb