پایان نامه بهبود الگوریتم GM-PHD به منظور ردیابی چند هدف و چند سنسور با کمک تخمین بایاس

word 6 MB 31363 120
1393 کارشناسی ارشد مهندسی الکترونیک
قیمت قبل:۶۴,۷۰۰ تومان
قیمت با تخفیف: ۲۹,۸۰۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع
  • رشته تحصیلی: برق

    گرایش: مخابرات

    پایان نامه 

    چکیده

    در این پایان نامه مشکلات ردیابی چند هدفه و چند سنسور، با استفاده از قاعده مجموعه ذرات تصادفی مورد بررسی قرار می‌گیرد. فرضیه چگالی احتمال (PHD) بازگشتی به صورت دینامیکی اجرا می‌شود. این حالت دینامیکی به وسیله تلفیق مقدار بایاس انتقالی با تابع شدت انجام می‌گردد. بایاس دینامیکی را به صورت گوسی خطی در تابع شدت  فرض کرده ایم. اجرا فیلتر گوسی به صورت اجزا گوسی فرم بسته می‌باشد. موقعیت هدف و مقدار بایاس انتقالی به واسطه تابع صحت در هر مرحله با هم کوبل می‌شوند. استفاده از فیلتر دو مرحله‌ای کالمن منجر به کاهش قابل توجهی  پیچیدگی محاسبات می‌شود. در اینجا دو مثال برای بررسی فیلتر پیشنهادی فراهم شده است.

    کلمات کلیدی:

    ردیابی چند هدف، فیلتر فرضیه چگالی احتمال، تخمین بایاس

    از آنجایی که در ردیابی اهداف با استفاده از داده‌های دریافتی از یک سنسور، خطای ثابت و نویز وجود دارد. برای کاهش این خطاها می‌توان از چند سنسور استفاده کرد. اما استفاده از چند سنسور، مشکل یکسان نبودن خطای بایاس را پیش‌رو  دارد. که این خطا با مقدار واقعی موقعیت هدف تلفیق شده است و در نتیجه امکان تخمین زدن موقعیت صحیح اهداف به وسیله چند سنسور در مختصات مشترک وجود ندارد. از این‌رو برای کاهش خطای سنسور نیاز داریم که مقدار بایاس هر سنسور را تخمین بزنیم و در  نهایت با کم کردن خطای بایاس از مقدار داده اندازه گیری شده توسط سنسور، موقعیت صحیح هدف را  در مختصات مشترک تخمین بزنیم. در اینجا مشکلات پیش‌رو  در ردیابی اهداف را با استفاده از چند سنسور و تخمین بایاس مورد بررسی قرار می‌دهیم.

    1-1   بیان مسأله

    در این پایان نامه مشکلات ردیابی چند هدفه و چند سنسور با استفاده از قاعده مجموعه ذرات تصادفی مورد بررسی قرار می‌گیرد. قضیه چگالی احتمال (PHD[1]) بازگشتی به صورت دینامیکی اجرا می‌شود که این حالت دینامیکی به وسیله تلفیق مقدار بایاس انتقالی با تابع شدت انجام می‌گردد.

    فیلتر [2]GM-PHD توانایی تخمین تعداد و وضعیت اهداف، براساس مشاهدات نویزی و در حضور اهداف کاذب را دارد. با این وجود در شرایط تصادم که اهداف از روی یکدیگر عبور می کنند، فیلتر GM-PHD با مشکل مواجه شده و کارایی خود را از دست می دهد. از طرف دیگر جبران خطای ثبت شده در یکپارچگی داده های‌ دریافتی از چند سنسور موضوع مهمی است ، صرف نظر از آنکه اندازه گیری آنها به صورت یکپارچه مرکزی و یا توزیع شده باشد.

    روش‌های‌ ‌مختلفی برای بایاس سنسور‌ها ‌وجود دارد به طور مثال:

    بایاس انتقالی

    بایاس چرخشی

    بایاس انتقالی و چرخشی (Sudano, 1993).

    در اینجا به دنبال انتخاب بایاس مناسب از نظر سرعت پاسخ دهی و میزان دقت در ردیابی چند هدف، به وسیله دریافت داده‌ها ‌از چند سنسور در مختصات 2 بعدی با کمک فیلتر PHD هستیم.

    مشکل تخمین زدن اندازه بایاس ناشناخته مورد توجه بسیاری قرار گرفته است. اگر تخمین زدن مقدار بایاس به طور صحیح امکان پذیر باشد، اندازه گیری چند سنسور را می‌توان در قالب مختصات مشترک به کار برد. در شکل ‏1‑1 اندازه گیری چند سنسور بدون ثبت خطا را می‌بینید

    شکل ‏1‑1: اندازه گیری چند سنسور در‌یک مختصات مشترک بدون ثبت خطا

     

    مثلث‌ها ‌نشان دهنده مکان هر سنسور در مختصات مشترک، دایره‌ها نشان دهنده موقعیت اصلی اهداف و مربع‌ها ‌نشان دهنده اندازه‌های‌ ‌تولید شده هر سنسور می‌باشند.

    برای رفع مشکل تخمین بایاس ناشناخته، روش‌های‌ ‌گوناگونی پیشنهاد شده است.

    روش احتمال صحت[3]

    2-

    که از این روشها، روش فیلتر کالمن مورد توجه بسیاری قرار گرفته است.

    با ترکیب موقعیت هدف و مقدار بایاس در‌یک بردار واحد و با استفاده از فیلتر کالمن توسعه ‌یافته[4] می‌توان مقدار بایاس را تخمین زد.

    هر چند که از نظر محاسباتی عملی و عددی، اجرا به وسیله ASKF[5] ممکن می‌باشد اما مشکلاتی از قبیل بدحالتی[6] به وجود می‌آورد. برای کاهش این پیچیدگی فردلند[7], تخمین دو مرحله‌ای ‌را با جدا کردن بایاس از موقعیت هدف می‌توان پیشنهاد کرد (Friedland, 1969). زمانی که‌ یک رابطه‌ی خاص بین پارامترهای آغازین از 2 فیلتر بر قرار باشد، این تخمین دو مرحله‌ای ‌با تخمین‌ یک مرحله‌ای ‌ASKF برابر است (Ignagni, 1981).

    در اینجا لازم به ذکر است که مشکل بسیاری از روش‌های‌ ‌موجود، عدم قطعیت در اندازه گیری منابع می‌باشد، که اغلب در ردیابی‌های‌ ‌چند هدفه ایجاد می‌شود. اگر چه تکنیک‌هایی از جمله احتمال داده مشترک[8] و ردیابی چند احتمالی[9] که تاکنون بدست آمده است، را می‌توان استفاده نمود. اما ممکن است به دلیل در نظر نگرفتن اثر بایاس، نتیجه مطلوبی نداشته باشند.

    اخیراً مجموعه تئوری مجموعه ذرات آماری[10] برای مقابله با مشکلات ردیابی چند هدفه در ارتباط داده‌ها ‌استفاده شده است (Mahler, MA, 2007). ساختار مجموعه ذرات آماری به گونه‌ای ‌است که موقعیت هدف و مقدار بایاس را به عنوان 2 مجموعه‌ی متناهی تصادفی[11] الگو برداری می‌کند و در نتیجه مشکل ردیابی اهداف ناشناخته در زمان‌های‌ ‌گوناگون در محیط هایی که دارای پارازیت می‌باشند، به طور طبیعی حل می‌شود. علاوه بر این ردیابی چند هدفه را می‌توان در چارچوب بیزین با ایجاد چگالی انتقال و تابع صحت[12] چند هدفه بیان کرد.
    با این حال استفاده از فیلتر بیزین برای ردیابی چند هدفه به علت وجود چندین مجموعه انتگرال و ماهیت ترکیبی چگالی چند هدفه، مشکل است. برای کم کردن این پیچیدگی فیلتر، فرضیه چگالی احتمال(PHD[13]) بیان می‌شود. در اینجا باید اشاره کرد که این فیلتر بازگشتی هنوز نیازمند به حل انتگرال‌های‌ ‌چند بعدی می‌باشد. عمدتاً 2 روش برای پیاده سازی فیلتر بازگشتی PHD وجود دارد:

    1-روش مونتو کارلو ترتیبی(SMC[14]) (Vo, Singh, & Doucet, 2005)

    2 -مخلوط گوسی (GM[15]) (Vo & Ma, 2006)

    در فیلتر SMC-PHD[16] از تعداد زیادی از ذرات برای تقریب چند بعدی استفاده می‌شود، بنابراین اشکال اصلی فیلتر این است که بار محاسبات زیاد می‌باشد، علاوه بر این در برخی از تکنیک‌های‌ ‌خوشه بندی نیازمند به استخراج تخمین موقعیت هدف می‌باشد که اغلب این تخمین‌ها ‌غیر قابل اعتماد می‌باشند.

    جهت غلبه بر این معایب، فیلتر GM-PHD[17] گوسی خطی برای اهداف دینامیکی و مدل‌های‌ ‌گوسی پیشنهاد شده است، که بررسی و آزمایش وزن، میانگین و کواریانس آن توسط فیلتر کالمن انجام می‌شود، همچنین فیلتر غیر خطی کالمن نیز برای بررسی اهداف دینامیکی غیر خطی و مدل‌های‌ ‌اندازه گیری شده به طور مستقیم به کار گرفته شده است.

    خواص کواریانس از 2 روش پیاده سازی مورد بررسی قرار گرفته شده است (Clark & Vo, 2007). دی.‌ای ‌کلارک در سال 2007نشان داد که فیلتر GM-PHD می‌توان تقریب درست و مناسبی برای فیلتر PHD با هر درجه دقت، برای مدل‌های‌ ‌دینامیکی گوسی خطی باشد (Clark & Bell, Jul.2006)

    وو در سال 2004 فیلتر GM-PHD را برای سیستم ردیابی چند سنسور استفاده کرد و موقعیت هر هدف را به ترتیب داده‌هایی‌ ‌که از هر سنسور به دست آمده بود را تخمین زدند، با این حال از ثبت اشتباهات پیش آمده از هر سنسور صرف نظر کردند (Ma, Singh, & Vo, 2004).

     

    ای ال. فلاح در سال 2011 فیلتر GM-PHD[18] را برای سیستم ردیابی چند سنسور استفاده کرد و او نسخه ساده‌ای از ثبت خطا را در نظر گرفت (El-Fallah & Mahler, May 2011).

    اف. لیان، سی. چان، اچ. چن در سال 2011 ثبت مقدار بایاس انتقالی در PHD[19] بازگشتی را مورد بررسی قرار داد، او ردیابی اهداف را با ثبت مقدار بایاس و به وسیله فیلتر SMC-PHD انجام داد ( (Lian, Han, Liu, & Chen, 2011)). اما به دلیل استفاده از فیلتر SMC[20]، این روش معایبی از جمله هزینه محاسباتی بالاو غیر قابل اعتماد بودن خوشه بندی را دارا می‌باشد.

    1-2   اهداف تحقیق

    تهیه اطلاعات پیوسته به روز و دقیق در مورد مکان و سرعت یک شی معین فقط به کمک توالی مشاهدات در مورد موقعیت آن اشیا

    کاهش خطا در ردیابی چند هدف

    استفاده از چند سنسوره برای ردیابی بهینه

    1-3   فرضیه ها

    اگر تخمین زدن مقدار بایاس به طور صحیح امکان پذیر باشد، اندازه گیری چند سنسور را می‌توان در قالب مختصات مشترک به کار برد. همچنین در این جا فرض می‌کنیم که تمام سنسور ها، تمام اهداف را مشاهده می‌کنند.

    1-4   پیشینه‌ی تحقیق

    وو در سال 2004 فیلتر GM-PHD را برای سیستم ردیابی چند سنسور استفاده کرد و موقعیت هر هدف را به ترتیب داده‌هایی ‌که از هر سنسور به دست آمده بود را تخمین زد، با این حال از ثبت اشتباهات پیش آمده از هر سنسور صرف نظر کرد (Ma, Singh, & Vo, 2004).
    ای ال. فلاح در سال 2011 فیلتر GM-PHD[21] را برای سیستم ردیابی چند سنسور استفاده کرد و او نسخه ساده‌ای از ثبت خطا را در نظر گرفت (El-Fallah & Mahler, May 2011).

    اف. لیان، سی. چان، اچ. چن در سال 2011 ثبت مقدار بایاس انتقالی در PHD[22] بازگشتی مورد بررسی قرار داد، او ردیابی اهداف را با ثبت مقدار بایاس و به وسیله فیلتر SMC-PHD[23] انجام داد                              (Lian, Han, Liu, & Chen, 2011). اما به دلیل استفاده از فیلتر SMC[24]، این روش معایبی از جمله هزینه محاسباتی بالاو غیر قابل اعتماد بودن خوشه بندی را دارا می‌باشد.

    1-5   روش تحقیق

    ابتدا آخرین مقالات و پژوهش ها‌در این زمینه جمع آوری و مطالعه می‌شوند. این زمینه ها‌ شامل موارد مربوط به ردیابی هدف می‌باشند. سپس مفاهیم و موارد مورد نیاز از آنها استخراج شده و جهت ردیابی چند هدفه و چند سنسور بکار برده می‌شوند.

     

    [1]- Probability Hypothesis Density Filter

    [2]- Gaussian Mixture- Probability Hypothesis Density Filter

    [3]- Likelihood

    [4]- Augmented State Kalman Filter

    [5]- Augmented State Kalman Filter

    [6]- Ill-Conditioned

    [7]- Friedland

    [8]- Joint Probabilistic Data Association

    [9]- Multiple Hypothesis Tracking

    [10]- Finite Set Statistics 

    [11]- Random Finite Sets

    [12]- Likelihood

    [13]- Probability Hypothesis Density Filter

    [14]- Sequential Monte Carlo Method

    [15]- Gaussian Mixture

    [16]- Sequential Monte Carlo Method- Probability Hypothesis Density Filter

    [17]- Gaussian Mixture- Probability Hypothesis Density Filter

    [18]- Gaussian Mixture- Probability Hypothesis Density Filter

    [19]- Probability Hypothesis Density Filter

    [20]- Sequential Monte Carlo Method

    [21]- Gaussian Mixture- Probability Hypothesis Density Filter

    [22]- Probability Hypothesis Density Filter

    [23]- Sequential Monte Carlo Method- Probability Hypothesis Density Filter

    [24]- Sequential Monte Carlo Method

    Abstract

    In this Thesis, Multi-Objective And Multi-Sensor Tracking problem, Using a base set of random particles are also studied. Probability hypothesis density (PHD) dynamic running recessive. The dynamic state of the modulation transfer function of the bias intensity reduction. Under the linear Gaussian assumptions on the bias dynamics, the Gaussian mixture implementation is used to give closed-form expressions. As the target state and the translational measurement bias are coupled through the likelihood in the update step, The use of two-stage Kalman filter leads to a significant reduction in the computational complexity. Two examples are provided to verify the proposed filter.

    Key word:

    Multi-target tracking, Probability hypothesis density filter, Bias Estimation

  • فهرست:

    فهرست مطالب

    عنوان                                                                                                               صفحه

    چکیده 1

    مقدمه ............................................................................................................................................ 2

    فصل اول: کلیات... 3

    1-1  بیان مسأله. 4

    1-2  اهداف تحقیق.. 8

    1-3  فرضیه ها 8

    1-4  پیشینه‌ی تحقیق.. 8

    1-5  روش تحقیق.. 9

    فصل دوم: سابقه تحقیق.. 10

    مقدمه ............................................................................................................................................ 11

    2-1  مدل ردیابی چند هدفه به وسیله فیلتر بیزین.. 11

    2-2  فیلتر گوسی.. 13

    2-2-1  مدل ردیابی چند هدفه به وسیله فیلتر PHD.. 14

    2-3  فیلتر مونت‌کارلو. 22

    2-3-1  مونت کارلو ترتیبی.. 23

    2-4  فیلتر SMC-PHD با ثبت خطا 30

    2-4-1  بررسی مشکل ثبت خطا 34

    2-4-2  شبیه سازی SMC-PHD با ثبت خطا 36

    فصل سوم: GM-PHD با کمک تخمین بایاس... 44

    مقدمه 45

    3-1   فیلتر GM-PHD با کمک تخمین بایاس برای اهداف خطی.. 50

    3-1-1    مرحله اول: پیش بینی.. 50

    3-1-2    مرحله دوم: به روز رسانی.. 51

    3-1-3    مرحله سوم: هرس و ادغام اعضای گوسی.. 56

    3-1-4    مرحله چهارم: تخمین موقعیت هدف و تخمین بایاس سنسور. 60

    3-2   فیلتر GM-PHD با کمک تخمین بایاس برای ردیابی اهداف غیر خطی(مانوری) 61

    3-2-1    مرحله اول: تقریب BFG.. 61

    3-2-2    مرحله دوم: پیش بینی.. 65

    3-3   معیار ارزیابی انواع فیلتر. 66

    3-4   همگرایی خطا PHD.. 68

    3-5   اجرا فیلتر GM-PHD با کمک تخمین بایاس... 73

    3-5-1    الگوریتم اجرا GM-PHD با کمک تخمین بایاس برای اهداف خطی.. 73

    3-5-2    الگوریتم اجرا GM-PHD با کمک تخمین بایاس برای اهداف غیر خطی.. 74

    فصل چهارم: شبیه سازی.. 75

    مقدمه 76

    4-1   شبیه سازی 1. 76

    4-2   شبیه سازی 2. 85

    فصل پنجم: نتیجه گیری و پیشنهادها 94

    5-1 نتیجه گیری.. 95

    5-2   پیشنهادها 98

    منابع و مآخذ. 99

    چکیده‌ی انگلیسی.. 1

    منبع:

     

    منابع انگلیسی:

    - Alspach, D. (1970). A Bayesian approximation technique for estimation and control of discrete time systems. Univ. Calif.

    - Anderson , B., & Moore, J. (1979). Optimal Filtering. Englewood Cliffs.

    - Bdddey, A., & van Lieshout, M. (1992). ICM for object recognition. Springer.

    - Clark, D., & Bell, J. (Jul.2006). Convergence results for the particle PHDfilter. IEEE Trans. Signal Process, 54(7), 2652–2661.

    - Clark, D., & Bell, J. (Oct. 2005). Bayesian multiple target tracking in forward scan sonar images using the PHD filter. Proc. Inst. Elect. Eng.—Radar, Sonar, Navigation, 152(5), 327–334.

    - Clark, D., & Vo, B. (2007). Convergence analysis of the Gaussian mixture PHD filter. IEEE Transactions on Signal Processing, 55(4), 1204–1211.

    - Clark, D., Panta, K., & Vo, B. (Jul 2006). The GM-PHD filter multiple target tracker. Information Fusion. Florence, Italy.

    - Clark, D., Ruiz, I., Petillot, Y., & Bell, J. (2007). Particle PHD filter multiple target tracking in sonar image. IEEE Trans. Aerosp. Electron. Syst, 43(1), 409–416.

    - Clark, D., Vo, B., & Bell, J. (Apr 2006). GM-PHD filter multi-target tracking in sonar images. presented at the SPIE Defense Security Symp, 17–21.

    - Dana, M. (MA 1990). Registration: a prerequisite for multiple sensor tracking.Multitarget multisensor tracking. In advanced applications (pp. 155–185). Norwood: ArtechHouse Publishers,.

    - Doucet, A., De Freitas, N., & Gordon, N. (May 2001). Sequential Monte Carlo Methods in Practice. Springer Springer-Verlag.

    - El-Fallah, A., & Mahler, R. (May 2011). Bayesian unified registration and tracking. Proceedings of the SPIE Conference on Signal Processing, Sensor Fusion and Target Recognition, 8050, 1–11.

    - Friedland, B. (1969). Treatment of bias in recursive filtering. IEEE Transactions on Automatic Control 14 (4), 14(4), 359–367.

    - Geyer, C. (1999). Likelihood inference for spatial point processes. Stochastic Geometry likelihood and computation, 79-140.

    - Goodman, I., Mahler, R., & Nguyen, H. (1997). Mathematics of Data Fusion. Kluwer Academic Publishers.

    - Grimmett, G., & Stirzaker, D. (2011). One Thousand Exercises in Probability. London: Oxford University Press.

    - Hernandez, M., Ristic, B., Farina, A., & Sathyan, T. (2008). Performance measure for Markovian switching systems using best bestfitting Gaussian distributions. IEEE Transactions on Aerospace and Electronic Systems, 44 (2), 724–747.

    - Herrero, J., Portas, J., & Corredera, J. (2007). On-line multi-sensor registration for data fusion on airport surface. IEEE Trans. Aerosp. Electron. Syst, 43(1), 356–370.

    - Ignagni, M. (1981). An alternate derivation and extension of Friedland’stwo-stage Kalman estimator. IEEE Transactions on Automatic Control, 26(3), 746–750.

    - Ikoma, N., Uchino, T., & Maeda, T. (Aug 2004). Tracking of feature points in image sequence by SMC implementation of PHD filter. in Soc. Instrument and Control Engineers (SICE) 2004 Annu. Conf, 2, 1696–1701.

    - Johansen, A., Singh, S., Doucet, A., & -N, B. (Jun. 2006). Convergence of the SMC implementation of the PHD filter. Method. Comput. Appl. Probab, 8(2), 265–291.

    - Julier, S., & Uhlmann, J. (1996). A general method for approximating nonlinear transformations of probability distributions. RRG, Eng. Sci. Dep., Univ. Oxford, Oxford, U.K.,.

    - Julier, S., & Uhlmann, J. (1997). A new extension of the Kalman filter to nonlinear systems. in Int. Symp. Aerosp./Defense Sensing, Simultaneous Controls, Orlando, FL.

    - Li, X., & Jilkov, V. (April 2000). A survey of maneuvering target tracking: dynamic models. Proc. 2000 SPIE Conf. on Signal and Data Processing of Small Targets, 4048, 212–235.

    - Lian, F., Han, C., Liu, W., & Chen, H. (2011). Joint spatial registration an multi-target tracking using an extended probability hypothesis density filter. IET Radar, Sonar and Navigation, 5(4), 441–448.

    - Lo, H. (1972). Finite-dimensional sensor orbits and optimal non-linear filtering. IEEE Trans. Inf. Theory, IT-18(5), 583–588.

    - Ma, W., Singh, S., & Vo, B. (2004). Tracking multiple speakers with random sets. Proceedings of the International Conference on Acoustics, Speech and Signal Processing, (pp. 357–360). Montreal, Canada.

    - Mabler, R. (June 2000). A theoretical foundation for the Stein-Wmter Probability Hypothesis Density (PHD) multi-target tracking approach. Pmc.2002 MSS Nat? Symp. on Sensor and Data Fusion, 1. San Antonio TX.

    - Maggio, E., Taj, M., & Cavallaro, A. (2008). Effcient multitarget visual tracking using random finite sets. IEEE Trans. Circuits Syst. Video Technol, 18(8), 1016–1027.

    - Mahler, R. (1994). Global integrated data fusion. Proc. 7th Nat. Symp. on Sensor Fusion, 1, 187-199.

    - Mahler, R. (2000). Approximate multisensor-multitarget joint detection, tracking and identification using a first order multitarget moment statistic. IEEE lhm. AES.

    - Mahler, R. (2003). Multi-target Bayes filtering via first-order multi-target moments. IEEE Trans. Aerosp. Electron. Syst, 39(4), 1152–1178.

    - Mahler, R. (2010). Approximate multisensor CPHD and PHD filters. Proceedings of the 13th International Conference on Information Fusion, 1-8.

    - Mahler, R. (MA, 2007). Statistical Multisource-Multitarget Information Fusion. Artech House, Norwood,.

    - Mahler, R. (March 2000). An Introduction to Multisource-Multitarget Statistics and Applications. Lockheed Martin Technical Monograph.

    - Nagappa, S., & Clark, D. (May 2011). On the ordering of the sensors in the iterated-probability hypothesis density (PHD) filter. Proceedings of the SPIE Conference on Signal Processing, Sensor Fusion and Target Recognition, 8050, 1-6.

    - Okello, N., & Ristic, B. (2003). Maximum likelihood registration for multiple dissimilar sensors. IEEE Trans. Aerosp. Electron. Syst, 39(3), 1074–1083.

    - Pao, L., & Frei, C. (1995). A comparison of parallel and sequential implementation of a multisensor multitarget tracking algorithm. American Control Conf, (pp. 1683–1687). Seattle, Washington.

    - Pham, N., Huang, W., & Ong, S. (2007). Multiple sensor multiple object tracking with GMPHD filter. Proceedings of the 10th International Conference on Information Fusion, 1–7.

    - Ruan, Y., & Willett, P. (2004). The turbo PMHT. IEEE Trans. Aerosp. Electron.Syst, 40(4), 1388–1398.

    - Rynne, B., & Youngson, M. (2000). Linear Functional Analysis. New York: Springer-Verlag.

    - Salmond, D. (n.d.). Tracking in uncertain environments. 1989: Univ. Sussex, Sussex, U.K.

    - Schuhmacher, D., Vo, B., & Vo, B. (2008). A consistent metric for performance evaluation of multi-object filters. IEEE Trans. Sign Process, 86(8), 3447–3457.

    - Shalom, Y., & Li, X. (1995). Multitarget-Multisensor Tracking. Principles and Techniques Storrs.

    - Sorenson, H., & Alspach, D. (1971). Recursive Bayesian estimation using Gaussian sum. Automatica, 7, 465–479.

    - Sudano, J. (1993). A least square algorithm with covariance weighting for computing the translational and rotational errors between two radar sites". Proceedings of the IEEE Aerospace and Electronics Conference, 383–387.

    - Tobias, M., & Lanterman, A. (2005). Probability hypothesis density-based multi-target tracking with bistatic range and Doppler observations. IEE Proc. Radar Sonar Navig, 152(3), 195–205.

    - Vo, B., & Ma, W. (2006). “The Gaussian mixture probability hypothesis density filter. ,” IEEE Transactions on Signal Processing, 54(11), 4091–4104.

    - Vo, B., & Ma, W. (Jul 2005). A closed-form solution to the probability hypothesis density filter. Inf. Fusion, 2, pp. 25–28. Philadelphia.

    - Vo, B., Singh, S., & Doucet, A. (2003). Sequential Monte Carlo implementation of the PHD filter for multi-target tracking. Proc. FUSION 2003, 792–799.

    - Vo, B., Singh, S., & Doucet, A. (2005). Sequential Monte Carlo methods for multi-target filtering with random finite sets. IEEE Trans. Aerosp. Electron. Syst, 41(4), 1224–1245.

    - Vo, B., Vo, B., & Cantoni, A. (2009). The cardinality balanced multi-target multi-Bernoulli filter and its implementations. IEEE Transactions on Signal Processing 57 (2), 57(2), 409–423.

    - Williams, J. (2003). Gaussian Mixture reduction for tracking multiple maneuvering targets in clutter. Master’s thesis, Grad. School of Eng. and Management, Air Force Inst. Technol., Wright-Patterson Air Force Base, OH.

    - Zhou, Y., Leung, H., & Martin, B. (1999). Sensor alignment with earthcentered earth-fixed coordinate system. IEEE Trans. Aerosp.Electron. Syst, 35(2), 410–416.


موضوع پایان نامه بهبود الگوریتم GM-PHD به منظور ردیابی چند هدف و چند سنسور با کمک تخمین بایاس, نمونه پایان نامه بهبود الگوریتم GM-PHD به منظور ردیابی چند هدف و چند سنسور با کمک تخمین بایاس, جستجوی پایان نامه بهبود الگوریتم GM-PHD به منظور ردیابی چند هدف و چند سنسور با کمک تخمین بایاس, فایل Word پایان نامه بهبود الگوریتم GM-PHD به منظور ردیابی چند هدف و چند سنسور با کمک تخمین بایاس, دانلود پایان نامه بهبود الگوریتم GM-PHD به منظور ردیابی چند هدف و چند سنسور با کمک تخمین بایاس, فایل PDF پایان نامه بهبود الگوریتم GM-PHD به منظور ردیابی چند هدف و چند سنسور با کمک تخمین بایاس, تحقیق در مورد پایان نامه بهبود الگوریتم GM-PHD به منظور ردیابی چند هدف و چند سنسور با کمک تخمین بایاس, مقاله در مورد پایان نامه بهبود الگوریتم GM-PHD به منظور ردیابی چند هدف و چند سنسور با کمک تخمین بایاس, پروژه در مورد پایان نامه بهبود الگوریتم GM-PHD به منظور ردیابی چند هدف و چند سنسور با کمک تخمین بایاس, پروپوزال در مورد پایان نامه بهبود الگوریتم GM-PHD به منظور ردیابی چند هدف و چند سنسور با کمک تخمین بایاس, تز دکترا در مورد پایان نامه بهبود الگوریتم GM-PHD به منظور ردیابی چند هدف و چند سنسور با کمک تخمین بایاس, تحقیقات دانشجویی درباره پایان نامه بهبود الگوریتم GM-PHD به منظور ردیابی چند هدف و چند سنسور با کمک تخمین بایاس, مقالات دانشجویی درباره پایان نامه بهبود الگوریتم GM-PHD به منظور ردیابی چند هدف و چند سنسور با کمک تخمین بایاس, پروژه درباره پایان نامه بهبود الگوریتم GM-PHD به منظور ردیابی چند هدف و چند سنسور با کمک تخمین بایاس, گزارش سمینار در مورد پایان نامه بهبود الگوریتم GM-PHD به منظور ردیابی چند هدف و چند سنسور با کمک تخمین بایاس, پروژه دانشجویی در مورد پایان نامه بهبود الگوریتم GM-PHD به منظور ردیابی چند هدف و چند سنسور با کمک تخمین بایاس, تحقیق دانش آموزی در مورد پایان نامه بهبود الگوریتم GM-PHD به منظور ردیابی چند هدف و چند سنسور با کمک تخمین بایاس, مقاله دانش آموزی در مورد پایان نامه بهبود الگوریتم GM-PHD به منظور ردیابی چند هدف و چند سنسور با کمک تخمین بایاس, رساله دکترا در مورد پایان نامه بهبود الگوریتم GM-PHD به منظور ردیابی چند هدف و چند سنسور با کمک تخمین بایاس

پایان نامه‌ برای دریافت درجه‌ی کارشناسی ارشد «M.Sc. » رشته تحصیلی: برق گرایش: مخابرات چکیده در این پایان نامه مشکلات ردیابی چند هدفه و چند سنسور، با استفاده از قاعده مجموعه ذرات تصادفی مورد بررسی قرار می‌گیرد. فرضیه چگالی احتمال (PHD) بازگشتی به صورت دینامیکی اجرا می‌شود. این حالت دینامیکی به وسیله تلفیق مقدار بایاس انتقالی با تابع شدت انجام می‌گردد. بایاس دینامیکی را به صورت ...

پایان نامه برای دریافت درجه کارشناسی ارشد (MSC) گرایش برق الکترونیک چکیده پایان نامه (شامل خلاصه، اهداف، روش های اجرا و نتایج به دست آمده) : یک سامانه بیومتریک بر اساس مشحصه های منحصر بفرد در هر فرد اقدام به شناسایی خودکار افراد می کند.یک سامانه شامل چندین مرحله می باشدتا بتواند یک شخصی را شناسایی کند.این مراحل عبارتند از 1)گرفتن تصویر 2)جداسازی و ایزوله کردن ناحیه عنبیه در ...

پایان‌نامه کارشناسی‌ارشد مهندسی برق گرایش کنترل چکیده روش‌های‌‌ نوین شناسایی خطا در سیستم‌‌ها‌ همچون استفاده از تحلیل کیفی‌وقایع می‌تواند منجر به نتایج ملموس و قابل فهمی‌برای همگان باشد. سیستم توربین گازی جزو سیستم‌هایی است که احتمال وقوع خطاهای زیادی در آن وجود دارد. و حتی گاهی مدلسازی آنها با روش‌های ریاضی به سختی قابل انجام می‌باشد. روش تحلیل‌ کیفی‌وقایع به زبانی ساده و گویا ...

چکیده بهبود مدل سطوح فعال با استفاده از بهینه سازی توابع انرژی برای جزء بندی تصاویر سه بعدی تشخیص مرز و سطح دقیق اجسام در تصاویر دو و یا سه بعدی یکی از مهمترین و پیچیده ترین موضوعات در مسائل حوزه پردازش تصویر به شمار می آید که کاربردهای بسیاری در زمینه های بینایی ماشین از جمله ردیابی اجسام, بازسازی سطوح و به ویژه پردازش تصاویر پزشکی دارد. در این بین, با توجه به پیشرفت روزافزون ...

پایان­نامه کارشناسی ارشد رشته مهندسی کامپیوتر (M.Sc) چکیده: امروزه کنترل خودکار در سیستم های حمل و نقل به طور گسترده ای به کار می رود. دلایل متعددی برای بکارگیری این روش وجود دارد که اهم آن عبارتند از کاهش هزینه، قابلیت سبک تر ساختن وسایل، امنیت بیشتر سرنشینان و یا دور از خطر ماندن آنها. دو مورد آخر در سیستم هایی که قابلیت پرواز دارند بیشتر به چشم می خورد. در این پایان نامه یک ...

پایان نامه جهت اخذ درجه کارشناسی ارشد مکاترونیک M.SC. چکیده: موضوع مورد نظر دراین تحقیق طراحی و شبیه سازی تلفیق داده در یک شبکه راداری که دارای هم پوشانی هستند می باشد. تلفیق داده به معنی ترکیب کردن داده های خروجی سنسورهای رادار غیرمشابه میباشدکه از نظر دقت در برد سنجی و زاویه سنجی با هم متفاوت می­باشند. این سنسورها جهت تشخیص بهتر موانع موجود در جاده در قسمت جلوی خودرو و در یک ...

پایان نامه کارشناسی ارشد رشته مهندسی کامپیوتر گرایش: نرم افزار چکیده ﺍﻣﺮﻭﺯﻩ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯﺷﺒﮑﻪ­ های ﺳﻨسور ﺑﻲ­ﺳﻴﻢ (Wireless Sensor Network) ﺑﻪ ﺷﮑﻞﮔﺴﺘﺮﺩﻩ­ﺍی ﺭﻭ ﺑﻪ ااست. ﺑﻪ ﻋﻠﺖ ﺍﺳﺘﻔﺎﺩﻩ ﻏﺎﻟﺐ ﺍﺯ ﺑﺎﻃﺮی ﺑﺮﺍی ﺗﺎﻣﻴﻦ ﺍﻧﺮﮊی ﻣﺼﺮﻓﻲ ﺍﻳﻦ ﺳﻨﺴﻮﺭﻫﺎ ﻭ ﻫﻤﭽﻨﻴﻦ ﻋﺪﻡ ﺩﺳﺘﺮﺳﻲ ﺁﺳﺎﻥ ﺑﻪ ﺳﻨﺴﻮﺭﻫﺎ ﺩﺭ ﺑﺴﻴﺎﺭی ﺍﺯ ﺍﻳﻦ ﮐﺎﺭﺑﺮﺩﻫﺎ، ﻣﻬﻨﺪﺳﺎﻥ ﻭ ﻣﺤﻘﻘﺎﻥ ﺑﻪ ﺳﻤﺖ ﻃﺮﺍﺣﻲ پروتکل­ ﻫﺎی ﻣﺴﻴﺮﻳﺎﺑﻲ ﺑﺎ خصوصیات انرژی مصرفی کم و افزایش طول ...

پایان نامه جهت اخذ مدرک کارشناسی ارشد در رشته مهندسی کامپیوتر – گرایش نرم‌افزار چکیده در تمامی پروژه­ هایی که امروزه انجام می­شوند بحث مدیریت مسأله­ای بسیار تعیین کننده است. پروژه­های نرم­افزاری نیز از این قاعده مستثنی نیستند. از مهم‌ترین جنبه­های فعالیت توسعه نرم­افزاری بحث مدیریت زمان و هزینه است. با توجه به اینکه در مراحل ابتدایی توسعه نرم­افزار اطلاعات دقیقی نسبت به جنبه­های ...

پایان نامه برای دریافت درجه کارشناسی ارشد در رشته مکاترونیک چکیده امروزه استفاده از ارتباطات بین خودرویی به عنوان یکی از فناوری ها در جهت افزایش امنیت و راحتی سفر در حوزه حمل و نقل و بسیاری از شرکت های خودروسازی مورد توجه قرار گرفته است . گونه ای از اتلاف وقت و انرژی که بخش عمده ای از ترافیک خیابانی را شامل می شود، مساله پارک خودروها می باشد. رشد روز افزون وسائط نقلیه عمومی و ...

پایان­نامه برای دریافت درجه کارشناسی ارشد رشته مهندسی کامپیوتر – هوش مصنوعی چکیده بخش­بندی تصویر یک فرآیند اساسی در بسیاری از کاربردهای پردازش­ تصویر و بینایی ماشین است که می­تواند به عنوان اولین مرحله پردازش سطح پایین در پردازش تصاویر دیجیتالی در نظر گرفته شود. بخش­بندی تصویر کاربردهای گوناگونی مانند پردازش تصاویر پزشکی، شناسایی چهره، سیستم­های کنترل ترافیک و غیره دارد. با توجه ...

ثبت سفارش