فهرست نشریات علمی دسترسی آزاد ایران

ورودی یک سیستم ردیابی چندهدفه، داده‌های آشکارسازی شده توسط حسگر هستند که شامل مشاهدات صحیح مربوط به اهداف و همچنین کلاتر موجود در فضای ردیابی است. در این شرایط، یافتن مشاهدة مناسب برای هر رد ، نیازمند الگوریتم مناسبی برای تخصیص داده‌های حسگر است. وجود اهداف متعدد همراه با افزایش مشاهدات نویزی، حجم محاسبات الگوریتم تخصیص را افزایش داده و صحت ردیابی را کاهش می‌دهد. الگوریتم تخصیص داده احتمالی توأم  (JPDA ) روشی کارآمد برای تخصیص هم‌زمان چندین مشاهده به اهداف متعدد با تولید همة فرضیه‌های ممکن است. در حالت کلی، فرضیه به معنای  تخصیص حداکثر یک مشاهده به هر رد است، به‌گونه‌ای که هیچ‌کدام از مشاهدات داخل فرضیه بیش از یکبار به یک رد اختصاص داده نشده باشند. باوجود عملکرد مطلوب الگوریتم JPDA، افزایش مشاهدات نویزی و تداخل ردها سبب افزایش تولید فرضیه‌های تخصیص، کاهش صحت، کندشدن و حتی توقف فرایند ردیابی می‌شود. الگوریتم پیشنهادی در این مقاله با بهره‌گیری از الگوریتم یادگیری تقلیدی و فرایند آموزش زمان‌ - حقیقی و حذف مرحلة تولید فرضیه در زمانی که احتمال وجود انفجار ابعاد در الگوریتم JPDA وجود دارد، ضمن حفظ تقریبی صحت ردیابی حالات هر هدف، فرایند تخصیص را با سرعت بالایی در حضور مشاهدات نویزی و کلاتر انجام می‌دهد. در این الگوریتم، یادگیری تقلیدی برای تخصیص مشاهدات حسگر استفاده شده و نیاز به تولید فرضیه را به‌طورکلی مرتفع می‌نماید. نتایج شبیه‌سازی در ردیابی چند هدف نشان‌دهندة آن است که الگوریتم پیشنهادی ضمن حفظ تقریبی صحت ردیابی در مقایسه با JPDA، از حجم محاسبات کمتری نسبت به این الگوریتم برخوردار است و در شرایطی که JPDA به دلیل همپوشانی مشاهدات اهداف یا تعداد کلاترها با مشکل انفجار ابعاد محاسباتی روبه‌رو شود، روش پیشنهادی تحت عنوان RtIL-JPDA ، با بهره‌گیری از دانش مدل یادگیری تقلیدی عملکرد مناسبی از خود نشان داده و از انفجار ابعاد محاسباتی جلوگیری می‌نماید.