fa بررسی روش‌های ردیابی هدف براساس فیلتر ذره‌ای تخصصي Special پژوهشي Research <div style="text-align: justify;">ردیابی هدف مستلزم تخمین توأم موقعیت، سرعت و شتاب آن است. روش‌های مختلفی با الگوریتم‌های متفاوت برای ردیابی هدف وجود دارند؛ فیلتر ذره‌ای روشی جدید برای به دست آوردن تابع توزیع احتمال پسین بر پایۀ تئوری بیزین است. الگوریتم فیلتر ذره بر مبنای روش‌های مونت کارلوی زنجیره‌ای است که در آن از نمایش ذره‌ای چگالی احتمال برای تخمین پارامترهای توزیع دلخواهی استفاده می‌شود.<br> ردگیری هدف، تخمین تابع چگالی پسین در هر جاروب برای هدف موجود در محیط تحت‌مشاهده است. برخی امور این امر را مشکل می‌کنند که عبارت‌اند از: عدم آشکارسازی کامل هدف، وجود اهداف کاذب، عدم اطمینان در نحوۀ تخصیص داده‌ها به هدف موجود و معادلات غیرخطی و نویزهای غیرگوسی- که امکان به‌کار گرفتن فیلتر کالمن و خانواده‌های آن (کالمن توسعه‌یافته و غیرملموس) را محدود می‌کند.- اخیراً کارایی شیوه‌های مونت کارلو و فیلترهای ذره‌ای در رأس آن‌ها در حل موارد ذکرشده، به اثبات رسیده است. شیوه‌های مونت کارلوی ردگیری چندهدفه جانشین شیوه‌های کلاسیک شده‌اند؛ اما هنوز جا برای پیشرفت دارند. در روش‌های مرسوم ردیابی اهداف هوایی، فاصله تا هدف و زاویۀ سمت هدف، که تابعی غیرخطی از حالت‌های سیستم هستند، اندازه‌گیری می‌شوند؛ اما نویز دارند که استفاده از روش‌های تخمین و فیلتر کردن، امری ضروری است. فیلتر کالمن تعمیم‌یافته عملکرد مناسبی برای مواجهه با سیستم‌های غیرخطی و نویزهای گوسی دارد؛ اما در پیاده‌سازی عملی با نویزهای غیرگوسی (گلینت) مواجه هستیم که فیلترهای ذره‌ای عملکرد مناسبی دارند.<br> عملکرد فیلتر ذره‌ای، با وجود مزایای زیاد، نقطه‌ضعف‌هایی نیز دارد؛ زیرا با انتخاب اولیۀ تعداد زیادی ذره ممکن است هیچ ذره‌ای در نزدیکی حالت صحیح قرار نگیرد؛ این ضعف به مسئلۀ تباهیدگی معروف است. برای کاهش تباهیدگی در فیلتر ذره‌ای استاندارد از نمونه‌برداری مجدد استفاده می‌شود. نمونه‌برداری مجدد، ضمن حیاتی بودن، سبب پدیدۀ دیگری به‌نام فقر نمونه‌ها می‌شود که تنوع میان ذرات از بین می‌رود و در بدترین حالت، همۀ ذرات به نقطه‌ای از فضای حالت ریزش می‌کنند. محققان، نسخه‌های مختلف فیلتر ذره‌ای (کمکی، منظم‌شده و بی‌رد) را برای بهبود نمونه‌برداری مجدد ارائه کرده‌اند.</div> <div style="text-align: justify;">Target tracking requires simultaneous estimation of its position, speed and acceleration. There are different methods with different algorithms for target tracking; Particle filter is a new method to obtain posterior probability distribution function based on Bayesian theory. The particle filter algorithm is based on chain Monte Carlo methods, in which the particle representation of the probability density is used to estimate arbitrary distribution parameters.<br> Target tracking is the estimation of the posterior density function in each sweep for the target in the observed environment. Some things make this difficult, which include: the lack of full disclosure of the target, the existence of false targets, uncertainty in how to allocate data to the existing target, and non-linear equations and non-Gaussian noises - which makes it possible to use the Kalman filter and its families (extended and intangible Kalman ) limits.- Recently, the efficiency of Monte Carlo methods and particle filters on top of them in solving the mentioned cases has been proven. Monte Carlo methods of multi-objective tracking have replaced classical methods; But they still have room for improvement. In the conventional methods of tracking aerial targets, the distance to the target and the angle to the target side, which are a nonlinear function of the system states, are measured; But they have noise, so it is necessary to use estimation and filtering methods. The generalized Kalman filter has a good performance for dealing with nonlinear systems and Gaussian noises; But in practical implementation, we face non-Gaussian noises (Glint) that particle filters have good performance.<br> Particle filter performance, despite many advantages, also has disadvantages; Because with the initial selection of a large number of particles, no particle may be placed near the correct state; This weakness is known as the problem of deterioration. Re-sampling is used to reduce degradation in a standard particle filter. Re-sampling, while being vital, causes another phenomenon called poverty of samples, where the diversity among particles is lost and in the worst case, all particles fall to a point in the state space. Researchers have proposed different versions of the particle filter (auxiliary, regularized, and traceless) to improve resampling.</div> روش‌های ردگیری هدف براساس فیلتر ذره‌ای, الگوریتم, مدل هدف target tracking methods based on particle filter, algorithm, target model 99 133 http://jots.knu.edu.af/browse.php?a_code=A-10-1-16&slc_lang=fa&sid=1 Najibullah Khaleghi نجیب‌الله خالقی najibullahkhaliqi4@gmail.com No دانشکدۀ کمپیوتر ساینس، دانشگاه خاتم‌النبیین(ص)، کابل، افغانستان Hasan Qanei Yakhdan حسن قانعی یخدان hqhaeneiy@yazd.ac.ir No دانشکدۀ مهندسی برق، دانشگاه یزد، یزد، ایران