فیلتر ابعاد متغیر برای ردیابی هدف هوایی مانور پذیر

ردیابی اهداف هوایی از پیچیدگی‌های زیادی اعم از نویزی بودن حس‌گر و حضور کلاتر برخوردار است. این پیچیدگی‌ها وقتی هدف مانورپذیر بوده و امکان انجام مانورهای فریبنده را دارد افزایش می‌یابد. در این مقاله از فیلتر ابعاد متغیر برای بهبود عملکرد ردیابی اهداف مانورپذیر استفاده‌شده است. این فیلتر دو مدل حرکت شتابدار و حرکت با سرعت ثابت را برای تخمین رفتار هدف بکار می‌گیرد. برای جایگزینی این دو فیلتر از معیاری بر اساس مجموع مربعات ماتریس ابداع یعنی اختلاف بین اندازه‌گیری واقعی و اندازه‌گیری پیش‌بینی‌شده بر اساس آخرین نتایج تخمین استفاده می‌شود. اگر مجموع مربعات ماتریس ابداع در یک پنجره زمانی که به کمک یک ضریب فراموشی وزن‌دار شده‌اند، از یک مقدار آستانه‌ای بزرگ‌تر گردد، مانور تشخیص داده می‌شود. معیار مشابهی نیز برای تشخیص عدم وجود مانور در حرکت هدف و جایگزین کردن فیلتر مرتبه پایین استفاده می‌شود. همچنین علاوه بر پیشنهاد معیارهایی برای تشخیص شروع و خاتمه حرکت شتابدار هدف، نحوه تعیین تخمین اولیه از شتاب و تشکیل ماتریس کوواریانس برای استفاده از فیلتر مرتبه بالا ارائه‌شده است. نتایج شبیه‌سازی نشان‌دهنده توانایی این معیار برای تشخیص صحیح مانور هدف و بهبود عملکرد فیلتر ابعاد متغیر نسبت به فیلترهای مبتنی بر حرکت سرعت ثابت و حرکت شتابدار هدف است.

Variable dimension filter for maneuverable air target tracking

Aerial target tracking has many challenges including sensor noise and Clatter existence. These complexities increase when the target is maneuverable and can perform deceptive maneuvers. In this case, choosing the right motion model for the target movement will have a significant impact on tracking accuracy. In this paper, a variable dimension filter is used to improve the tracking performance of maneuverable targets. This filter uses two state models for accelerated motion and constant velocity motion to estimate the target behavior. To replace these two filters, a criterion based on the sum of the squares of the innovation matrix, i.e. the difference between the actual measurement and the predicted measurement based on the latest state estimation, is used. If the weighted sum of the squares of the innovation matrix in a period of time is greater than a threshold value, the maneuver is detected and a high-order filter should be replaced to track the target. A forgetting factor is used to reduce the weight of previous values in this summation. A similar criterion is used to detect the nonexistence of maneuvering in the movement of the target and to replace the low-order filter. The simulation results show the ability of this criterion to correctly detect the target maneuver and improvement in the performance of the variable dimension filter compared to the filters based on constant velocity and accelerated motion of the target.