اخبار و اعلانات
آمار
| تعداد نشریات | 35 |
| تعداد شماره‌ها | 1,283 |
| تعداد مقالات | 9,272 |
| تعداد مشاهده مقاله | 8,598,085 |
| تعداد دریافت فایل اصل مقاله | 5,271,003 |
تخصیص زمان سرکشی بهینه در ردیابی اهداف گروهی تحت معیار حد پایین کرامر رائو بیزی بازگشتی | ||
| رادار | ||
| مقاله 8، دوره 11، شماره 1، شهریور 1402، صفحه 81-94 اصل مقاله (1.04 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| اسماعیل زمانی1؛ ایمان محمد زمان* 2؛ سید مهدی دهقان2؛ رضا فاطمی مفرد2 | ||
| 1دانشجوی دکتری ، دانشگاه صنعتی مالک اشتر، تهران، ایران | ||
| 2دانشیار، دانشگاه صنعتی مالک اشتر، تهران، ایران | ||
| تاریخ دریافت: 24 فروردین 1402، تاریخ بازنگری: 29 تیر 1402، تاریخ پذیرش: 13 مرداد 1402 | ||
| چکیده | ||
| جهت‌گیری پرتو با استفاده از جاروب الکترونیکی در رادارهای آرایه فازی، امکان اجرای وظایف متعدد را برای این رادارها تأمین نموده است. این امر مستلزم مدیریت منابع و تخصیص بهینه منابع به هر یک از این وظایف متناسب بادقت و کیفیت موردنظر آن‌ها است. ازآنجاکه رادار از منابع مشترک و محدود برای اجرای وظایف استفاده می‌کند، مدیریت وظایف و منابع از اهمیت زیادی در عملکرد این رادارها برخوردار است. در سال‌های اخیر مدیریت منابع راداری در قالب ردیابی اهداف نقطه‌ای موضوع تحقیق بسیاری از محققین بوده است. این مقاله موضوع مدیریت منابع در ردیابی اهداف گروهی را مدنظر قرار داده است. الگوریتم ارائه‌شده زمان سرکشی بهینه در ردیابی هدف گروهی را به‌عنوان یکی از منابع زمانی رادار با استفاده از تعریف یک مسئله معیار به دست آورده و در چرخه ردیابی هدف گروهی به کار می‌گیرد. مسئله بهینه‌سازی، ترکیب وزن‌دار دو بخش درجه اهمیت دقت ردیابی و منابع مصرفی تعریف‌شده است. با حل مسئله بهینه‌سازی مطابق با قیود مسئله و تابع هزینه تعریف‌شده، زمان سرکشی چرخه بعدی به دست خواهد آمد. به دلیل خاصیت بازگشتی حد پایین کرامر رائو بازگشتی، از این معیار برای وزن‌دهی به‌دقت ردیابی در تابع هزینه استفاده شده است. اثربخشی روش پیشنهادی با زمان سرکشی بهینه از منظر خطای ردیابی و منابع صرف شده با روش مرسوم زمان سرکشی ثابت مورد مقایسه قرار گرفته است. نتایج شبیه‌سازی نشان می‌دهد که در روش پیشنهادی نسبت به انتخاب زمان سرکشی ثابت بین 44 تا 49 درصد کاهش هزینه به همراه خواهد داشت. | ||
| کلیدواژه‌ها | ||
| زمان سرکشی؛ رادار آرایه فاز؛ اهداف گروهی؛ حد پایین کرامر رائو | ||
| عنوان مقاله [English] | ||
| Optimal Revisit Time Allocation in Group Target Tracking under Recursive Bayesian Cramer-Rao Lower Bound Criterion | ||
| نویسندگان [English] | ||
| Essmaeel Zamani1؛ Iman Mohammad Zaman2؛ Seyed Mahdi Dehghan2؛ Reza Fatemi Mofrad2 | ||
| 1PhD student, Malik Ashtar University of Technology, Tehran, Iran | ||
| 2Associate Professor, Malek Ashtar University of Technology, Tehran, Iran | ||
| چکیده [English] | ||
| Phased array radars leverage their electronic beam capability to perform a broader range of tasks compared to classical radars. Given the shared and constrained resources for task execution, effective resource and task management is crucial for these radar systems. While radar resource management for point target tracking has been extensively studied, this paper introduces an extension of this topic to group target tracking. The algorithm proposed in this study calculates the revisit time by solving an optimization problem and incorporates it into the group target tracking cycle. The optimization problem's cost function is formulated as a weighted combination of tracking accuracy and resource consumption. By solving this optimization problem based on the defined cost function and constraints, the revisit time for the next cycle is determined. The recursive nature of the "recursive Cramer-Rao lower bound" is utilized for the tracking accuracy component of the cost function. Comparative analysis between the proposed method, which incorporates an optimal revisit time, and the conventional approach of a fixed revisit time demonstrates a substantial reduction in cost ranging from 44 to 49 percent. | ||
| کلیدواژه‌ها [English] | ||
| Revisit time, Phased array radar, Group targets, Cramer-Rao lower Bound | ||
| مراجع | ||
|
[1]F. d'Apolito, C. Eliasch, C. Sulzbachner and C. Mecklenbräuker, “A Joint Multiple Hypothesis Tracking and Particle Filter Approach for Aerial Data Fusion,” 25th International Conference on Information Fusion (FUSION), Linköping, Sweden, 2022. DOI: 10.23919/FUSION49751.2022.9841308. [2] J.S. Fowdur, M. Baum, F. Heymann, P. Banys, “An Overview of the PAKF-JPDA Approach for Elliptical Multiple Extended Target Tracking Using High-Resolution Marine Radar Data, ” Remote Sens.,15, 2503, 2023. [3] Y. Yuan, W. Yi, L. Kong, “Joint tracking sequence and dwell time allocation for multi target tracking with phased array radar,” Signal Processing, vol. 192, 2022. https://doi.org/10.1016/j.sigpro.2021.108374. [4] F. Masoumi-Ganjgah, R. Fatemi-Mofrad, N. Ghadimi, “Target tracking with fast adaptive revisit time based on steady state IMM filter,” Digital Signal Processing, vol. 69, pp. 154-161, 2017. https://doi.org/10.1016/j.dsp.2017.06.007. [5] C. Ting, H. Zi-shu, and T. Ting, “An IMM-based adaptive update rate target tracking algorithm for phased array radar,” International Symposium on Intelligent Signal Processing and Communication Systems, 2007. [6] T. Cheng, X. Li, Q. Tan and Y. Su, “Adaptive Time Space Resource and Waveform Control for Collocated MIMO Radar with Simultaneous Multi-Beam,” Journal of Systems Engineering and Electronics, vol. 33, no. 1, pp. 47-59, 2022. DOI: 10.23919/JSEE.2022.000006. [7] P. Zhu, J. Liang, Z. Luo and X. Shen, “Cognitive Radar Target Tracking Using Intelligent Waveforms Based on Reinforcement Learning,” IEEE Transactions on Geoscience and Remote Sensing, vol. 61, pp. 1-15, 2023. DOI: 10.1109/TGRS.2023.3298355. [8] X. Wang, W. Yi, M. Xie, B. Zhai and L. Kong, “Time management for target tracking based on the predicted Bayesian Cramer-Rao lower bound in phase array radar system,” 20th International Conference on Information Fusion (Fusion), Xi'an, China, 2017. DOI: 10.23919/ICIF.2017.8009857. [9] L. Mihaylova, A. Y. Carmi, F. Septier, A. Gning, S. K. Pang, and S. Godsill, “Overview of Bayesian sequential Monte Carlo methods for group and extended object tracking,” Digital Signal Processing, vol. 25, pp 1-16, 2014. DOI: 10.23919/ICIF.2017.8009857. [10] J. W. Koch, “Bayesian approach to extended object and cluster tracking using random matrices,” IEEE Transactions on Aerospace and Electronic Systems, vol. 44, no. 3, pp. 1042-1059, 2008. DOI: 10.1109/TAES.2008.4655362. [11] K. Granström, and U. Orguner, “On Spawning and Combination of Extended/Group Targets Modeled With Random Matrices,” IEEE Transactions on Signal Processing, vol. 61, pp. 678-692, 2013. DOI: 10.1109/TSP.2012.2230171. [12] L. Zhejun, W. Hu, Y. Liu, and T. Kirubarajan, “Seamless Group Target Tracking Using Random Finite Sets,” Signal Processing, vol. 176, 2020. https://doi.org/10.1016/j.sigpro.2020.107683. [13] M. Baum and U. D. Hanebeck, “Extended Object Tracking with Random Hypersurface Models,” IEEE Transactions on Aerospace and Electronic Systems, vol. 50, no. 1, pp. 149-159, 2014. DOI: 10.1109/TAES.2013.120107. [14] K. Granström, M. Baum, “A Tutorial on Multiple Extended Object Tracking,” TechRxiv, Preprint, 2022. DOI: 10.1109/TAES.2013.120107. [15] S. Yang and M. Baum, “Tracking the Orientation and Axes Lengths of an Elliptical Extended Object,” IEEE Transactions on Signal Processing, vol. 67, no. 18, pp. 4720-4729, 2019. DOI: 10.1109/TSP.2019.2929462. [16] H. L. Van Trees and K. Bell, editors. “Bayesian Bounds for Parameter Estimation and Nonlinear Filtering/Tracking,” Wiley, New York, NY, 2007. [17] S.R. Samare Hashemi, “Optimal Beamforming for Maximization of the Image SNR in Ground-Based Circular Synthetic Aperture Radar,” Radar, vol.6 (2), pp. 45-57, 2019, (In Persia).https://dorl.net/dor/20.1001.1.23454024.1397.6.2.5.8.
| ||
|
آمار تعداد مشاهده مقاله: 161 تعداد دریافت فایل اصل مقاله: 20 |
||