اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شمارهها | 1,408 |
| تعداد مقالات | 10,088 |
| تعداد مشاهده مقاله | 11,909,169 |
| تعداد دریافت فایل اصل مقاله | 6,961,288 |
کاهش پیچیدگی محاسباتی فیلتر کالمن توسعهیافته در رادار ردگیر شناختگر | ||
| رادار | ||
| مقاله 1، دوره 12، شماره 1 - شماره پیاپی 31، شهریور 1403 | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| حمید اصغری1؛ رضا فاطمی مفرد* 2 | ||
| 1دانشجوی دکتری، دانشکده برق و کامپیوتر، دانشگاه صنعتی مالک اشتر، تهران، ایران | ||
| 2دانشیار، دانشکده برق و کامپیوتر، دانشگاه صنعتی مالک اشتر، تهران، ایران | ||
| تاریخ دریافت: 06 خرداد 1403، تاریخ بازنگری: 05 مرداد 1403، تاریخ پذیرش: 22 مرداد 1403 | ||
| چکیده | ||
| رادار شناختگر با رادار سنتی بهواسطه توسعه قوانین رفتاری به شیوهای خودسازماندهی از طریق بهرهمندی از تعامل مداوم با محیط متفاوت است. در روشهای مرسوم ردگیری اهداف، باوجوداینکه خطاهای زاویهسنجی و برد بر اساس سیگنال بازگشتی از اهداف و عوامل محیطی تغییر میکنند؛ ولی نویز مشاهدات در الگوریتمهای ردگیری مرسوم (مانند EKF مرسوم) ثابت فرض می-شوند. یکی از روشهای توسعه داده شده در مقالات، بهروزرسانی تطبیقی ماتریس کوواریانس نویز اندازهگیری فیلتر EKF با بهره-مندی از دادههای درونزای رادار شناختگر و با تحلیل خطاهای زاویهسنجی و برد و تأثیر SNR دریافتی بر آنها است. با بهروزرسانی ماتریس کوواریانس نویز اندازهگیری، بار محاسباتی الگوریتم افزایش مییابد؛ در این مقاله با تحلیل ریاضی روابط، الگوریتم بهینه جدیدی بهمنظور جلوگیری از انجام محاسبات غیرضرور ارائه شده است. عملکرد این روش در یک مسئله ردگیری با استفاده از شبیهسازی ارزیابی شده و نهایتاً دقت و بار محاسباتی آن با روشهای موجود مقایسه شده است. نتایج شبیهسازی نشان میدهد که در الگوریتم جدید ردیابی با استفاده از مفهوم رادار شناختگر نسبت به روش EKF مرسوم، ضمن کنترل پیچیدگی محاسباتی، خطاهای ردگیری بهبود قابلملاحظهای داشته است و نسبت به الگوریتم SNR-EKF، با افزایش خطا بهاندازه 4%، موجب کاهش حجم محاسبات افزوده شده بهاندازه 22% شده است. | ||
| کلیدواژهها | ||
| رادار شناختگر؛ فیلتر کالمن توسعهیافته؛ ردگیری هدف؛ پیچیدگی محاسباتی | ||
| عنوان مقاله [English] | ||
| Reducing the Computational Complexity of the Extended Kalman Filter in Cognitive Radar Target Tracking | ||
| نویسندگان [English] | ||
| Hamid Asghari1؛ Reza Fatemi Mofrad2 | ||
| 1PhD student, Electrical and Computer Faculty, Malek Ashtar University of Technology, Tehran, Iran | ||
| 2Associate Professor, Electrical and Computer Faculty, Malek Ashtar University of Technology, Tehran, Iran | ||
| چکیده [English] | ||
| Cognitive radar differs from traditional radar in that it develops behavioral rules in a self-organizing manner, benefiting from continuous interaction with the environment. Although the range and angle measurement errors vary depending on the return signal from the targets and environmental variables, typical tracking algorithms (such as conventional EKF) assume constant observation noise. One of the techniques described in the articles is adaptive updating of the EKF filter measurement noise covariance matrix, which uses endogenous data from the cognitive radar to investigate range and angle measurement errors and the effect of the received SNR. When the measurement noise covariance matrix is updated, the computational load increases. In this paper, we present a novel optimal technique utilizing mathematical relationship analysis to reduce unnecessary calculations. We simulated our method's performance in a tracking problem and compared its accuracy and computational load to traditional techniques. The simulation results show that in the new tracking algorithm based on cognitive radar, compared with the conventional EKF method while controlling the computational complexity, the tracking errors have significantly improved. When compared with the SNR-EKF algorithm, with an error increase of 4%, the volume of added calculations has been reduced by 22%. | ||
| کلیدواژهها [English] | ||
| Cognitive Radar, Extended Kalman Filter (EKF), Target Tracking, Adaptive EKF, reduced computational complexity | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 168 |
||