طراحی سامانه تلفیق داده حسگرهای رادار و IR برای ردیابی هدف در شرایط اختلال نویزی

نویسندگان

امام حسین/دانشگاه امام حسین

چکیده

دقت‌افزایی و هوشمند‌سازی تجهیزات و سامانه‌های نظامی از اولویت‌های مجموعه‌های دفاعی است. نیاز به تلفیق داده‌های حسگرهای مختلف برای ردیابی اهداف از نیازهای اساسی در حوزه‌های نظامی و غیر‌نظامی است. به‌علت این‌که در بیش‌تر مواقع داده‌های دریافتی از حسگرها با ابهام زیاد همراه بوده و تصمیم‌گیری فرماندهان نظامی را به‌خصوص در مواجهه با اختلال با مشکل روبرو می‌کند از این‌رو، توجه به جنبه‌های مختلف هدف و محیط عملیاتی می‌تواند کمک شایانی در نیل به این منظور نماید. در این مقاله با استفاده از فیلتر کالمن توسعه‌یافته، تخمین بردار حالت هدف و ماتریس خطای تخمین به‌عنوان ورودی پردازشگر مرکزی از طریق هر یک از حسگرها محاسبه می‌شود و تلفیق آن‌ها با روش‌ ترکیب بردار اندازه‌گیری‌ها و ترکیب بردار حالت انجام می‌شود و سپس با اعمال اختلال نویزی، اثر تلفیق داده در شرایط اختلال نویزی ارزیابی می‌گردد. در ادامه جهت کاهش خطای تلفیق داده از روش فیدبک استفاده شده است. نتایج شبیه‌سازی نشان می‌دهد که با طراحی سامانه تلفیق داده حسگرهای رادار و IR و استفاده از روش فیدبک برای ردیابی هدف در شرایط اختلال نویزی ضمن کاهش خطای تلفیق و افزایش دقت ردیابی می‌توان با وجود اختلال به ردیابی اهداف پرداخت و به تصمیم‌گیری فرماندهان نظامی کمک کرد.

کلیدواژه‌ها


  1. O. Kessler and F. White, “Data Fusion Perspectives and Its Role in Information Processing,” in Handbook of Multi sensor Data Fusion, 2nd ed., M. Liggins, D. Hall, J. Llinas, CRC Press, 2008.
  2. P. Valin, A. Jouan, and E. Boose, “Demonstration of Data/Information Fusion Concepts for Airborne Maritime Surveillance Operations,” Defence R&D Canada, 2006.
  3. Z. Xie and H. Gao, “A Radar / IR Weighted Fusion Algorithm Based on the Unscented Kalman Filter,” Fourth International Conference on Computational and Information Sciences, 2012.
  4. P. Wu1, X. Li2, L. Zhang1, and Y. Bo1, “Tracking Algorithm With Radar And Infrared Sensors Using a Novel Adaptive Grid Interacting Multiple Model,” Published in IET Science, Measurement and Technology, Accepted on 4th, February 2014.
  5. Z. H. U. Anfu, Zhanrong, Y. LI, and Z. CAO, “Data Fusion of Infrared and Radar for Target Trackin,” IEEE, 2008.
  6. S. M. Kay, “Fundamentals Of Statistical Signal Processing
  7. Estimation Theory,” pp. 419-476, 1993.
  8. A. Steinberg and C. Bowman, “Revisions to the JDL Data Fusion Model,” in Handbook of Multi sensor Data Fusion, 2nd ed., M. Liggins, D. Hall, J. Llinas, CRC Press, 2008.
  9. Y.-k. Xu and X.-G. Liang, “Information Fusion for Radar/Infrared Compound Seeker based on Federated Filter,” 2011.
  10. P. Zhizhuan, F. Jinfu, W. Youli, T. Zand, and L. Xiaolon, “Data Fusion Approach with MMW Radar and IR Sensor
  11. Based on MEKF,” International Conference on Mechatronics and Automation August 5 - 8, 2007.
  12. R. R. Jitendra, “Multi-sensor data fusion with MATLAB,” pp. 13-40, 2010.
  13. X. Sun and G. Yan, “Weighted Measurement Fusion Fractional Order Kalman Filter,” International Workshop on Information and Electronics Engineering (IWIEE), 2012.
  14. Q. Gan and C. J.Harris, “Comparison of two Measurment Fusion methods for K.Filter Based Multisensor data Fusion,” IEEE transaction on Aerospace and Electronic sys. vol. 37, no. 1, pp. 273-280, January 2001.
  15. B. Khaleghi, A. Khamis, F. O. Karray, and S. N. Razavi, “Multi-sensor Data Fusion: A Review of the State-of-the-Art,” Elesevier, Information Fusion, pp. 28-44, 2013.
  16. E. Sayed, E. Badawy, T. Reda, A. ElShahid, and A. E. Din Sayed Hafez, “A Real Time 3D Multi Target Data Fusion for Multistatic Radar Network Tracking,” PIERS Proceedings, Guangzhou, China, August 2014.
  17. P, Zhizhuan, F. Jinfu, W. Youli, T. Zand, and L. Xiaolon, “Data Fusion Approach with MMW Radar and IR Sensor
  18. Based on MEKF,” International Conference on Mechatronics and Automation, August 2007.