ردیابی هدف زیر دریا فقط با اندازه‌گیری سمت با استفاده از فیلتر کالمن مکعبی درجه پنج مقاوم در حضور داده‌های پرت

ردیابی هدف با استفاده از اندازه‌گیری سمت یکی از روش‌های اصلی در ردیابی غیرفعال اهداف متحرک زیر دریا به شمار می‌رود. در این مساله همواره انتخاب نوع فیلتر و دقت تخمین‌های صورت گرفته از متغیرهای حالت هدف از مهم‌ترین موضوعات بوده است؛ اما در بسیاری از موارد و کاربردهای این نوع از ردیابی، وجود داده‌ پرت در اندازه‌گیری‌ها اجتناب‌ناپذیر است که موجب کاهش دقت تخمین‌ها یا ناپایداری در عملکرد فیلترهای ردیابی می‌شود. در این مقاله برای غلبه بر این مشکل روشی جدید بر مبنای تخمین مقاوم در ساختار فیلتر کالمن مکعبی درجه پنج ارائه می‌شود. در این روش ابتدا داده‌های پرت در اندازه‌گیری شناسایی شده و با استفاده از تابع وزنی هوبر، وزن این داده‌های مخرب کاهش می‌یابد. آنالیز انجام شده بر روی یک مساله ردیابی هدف زیر دریا در سه حالت بدون حضور داده پرت، وجود داده‌های پرت کوچک در چند اندازه‌گیری پیوسته و حضور داده پرت بزرگ اندازه‌گیری بیانگر موثر بودن روش ارائه شده بوده به طوری که دقت تخمین‌های صورت گرفته توسط فیلتر انتخابی همچنان در سطح قابل قبولی می‌باشد.

Underwater Target Tracking by BearingOnly Measurements Using Robust FifthDegree Cubature Kalman Filter in Presence of Outliers

Target tracking by bearingonly measurements is one of the main methods for passive tracking of underwater moving targets. In this problem, the choice of filter type and accuracy of estimates from target state variables have always been the most important topics, but in many cases and applications of this kind of tracking, the presence of outliers in the measurements are unavoidable which reduce the accuracy of estimates or stability in the performance of the tracking filters. In this paper, to overcome this problem, a new method based on a robust Mestimation in fifthdegree cubature Kalman filter structure is presented. In this method, the outlier in the measurement is detected, and the weight of this malicious data is reduced using Huber’s weight function. Analysis of the underwater target tracking problem are discussed in three situations: without the presence of outliers, the presence of small outliers in some continuous measurements and the presence of large outliers. This analysis indicates the effectiveness of the proposed method so that the accuracy of the estimates made by the selected filter is still at an acceptable level.