رهگيري هدف با اندازه‌گيري سمت و فركانس با استفاده از فيلتركالمن توسعه‌يافته تطبيقي اصلاح شده

Doppler and Bearing Tracking using Adaptive Modified Covariance Extended Kalman Filter

هدف از رهگيري با اندازه¬گيري سمت و فركانس به عنوان يك مساله رهگيري غيرفعال تخمين سرعت و مكان هدف با استفاده از سيگنال ناشي شده از خود هدف مي¬باشد. مشكل اصلي اين نوع رهگيري وجود معادلات اندازه گيري غيرخطي است كه براي حل آن، روش هاي متفاوتي از جمله استفاده از فيلتركالمن توسعه يافته پيشنهاد شده است كه اين فيلتر داراي مشكلاتي از قبيل باياس در تخمين پارامترها و وابستگي به شرايط اوليه است. در اين مقاله ابتدا روش جديدي به منظور فراهم آوردن شرايط اوليه مناسب براي فيلتر ارائه مي شود. سپس، براي كاهش باياس با الهام گرفتن از فيلتركالمن توسعه يافته اصلاح شده، فيلتر كالمن توسعه يافته تطبيقي اصلاح شده پيشنهاد مي شود كه در آن ماتريس هاي كوواريانس نويز اندازه گيري و نويز سيستم به صورت برخط و همزمان به روز مي شوند. در نهايت، عملكرد فيلتر پيشنهادي با فيلتر كالمن توسعه يافته استاندارد، فيلتر كالمن توسعه يافته تطبيقي و فيلتر كالمن بي ريشه مقايسه مي شود. نتايج نشان دهنده عملكرد مناسب فيلتر پيشنهادي در مساله تحت مطالعه است.

The goal of the Doppler and Bearing Tracking (DBT) as a kind of passive target tracking problem is to estimate the position and velocity of the target using its transmitted signal. The main problem of this kind of target tracking is nonlinearity of the measurement equations. In order to solve this problem, different approaches have been reported in the literature, such as extended Kalman filter. However, bias and dependence on the initial conditions are the key shortcomings of such filters. In this paper, first, a novel technique is proposed to provide an appropriate initial condition for the filter. Then, inspired by the modified covariance extended Kalman filter, a new adaptive extended Kalman filter is introduced. Here, the measurement and the process noise covariances are updated simultaneously for reducing the bias effects. Finally, the performance of the proposed filter is compared with the standard extended Kalman filter, adaptive extended Kalman filter and unscented Kalman filter. Results show the good performance of the proposed filter in the problem under study