Hybrid Method of Integrating Spaced Sensors for Adaptive Identification of Stationary and Mobile Objects under Conditions of a Priori Uncertainty

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

В рамках совместного применения классического статистического подхода, основанного на вероятностных моделях, а также нетрадиционного подхода, ориентированного на принципы непрерывности, размножения и кластеризации, для совокупности разнесенных в пространстве датчиков (произвольного типа) развит новый метод адаптивной идентификации стационарных и подвижных объектов. Задача решается применительно к условиям существенной априорной неопределенности, связанной, например, с наличием в измерениях плохо формализуемых аномальных ошибок измерений, сбоями в работе и выходе из строя отдельных датчиков или значительными изменениями условий наблюдения объекта идентификации. Приводятся модели, критерий и алгоритм идентификации, устойчивый к такой неопределенности. В качестве примера сравнительного анализа использована триангуляционная система датчиков, для которой показан эффект, достигаемый за счет адаптации. Даны практические рекомендации.

About the authors

Y. G Bulychev

Email: profoulychev@yandex.ru

References

  1. Черняк В.С. Многопозиционная радиолокация. М.: Радио и связь, 1993.
  2. Куприянов А.И., Петренко П.Б., Сычев М.П. Теоретические основы радиоэлектронной разведки. М.: Изд-во МГТУ им. Н.Э. Баумана, 2010.
  3. Бердышев В.П., Гарни Е.Н., Фомин А.Н. Радиолокационные системы. Красноярск: Изд-во Сибир. федер. ун-та, 2021.
  4. Берба В.С., Татарский Б.Г. Основы теории радиолокационных систем и комплексов. М.: Техносфера, 2024.
  5. Zekavat S., Buehrer R. Handbook of Position Location: Theory Practice and Advances. Second ed. Hoboken. New Jersey: Wiley-IEEE Press, 2019.
  6. Репин В.Г., Тартаковский Г.П. Статистический синтез при априорной неопределенности и адаптация информационных систем. М.: Сов. радио, 1977.
  7. Жданюк Б.Ф. Основы статистической обработки траекторных измерений. М.: Сов. радио, 1978.
  8. Фомин А.Ф., Новоселов О.Н., Плющев А.В. Отбраковка аномальных результатов измерений. М.: Энергоатомиздат, 1985.
  9. Будычев Ю.Г., Будычев В.Ю., Ивахина С.С. и др. Обоснование методов оптимального оценивания параметров движения цели в триангуляционной измерительной системе // ТиСУ. 2015. № 4. С. 94–110.
  10. Будычев Ю.Г., Будычев В.Ю., Ивахина С.С. и др. Классификация инвариантов пассивной локации и их применение // ТиСУ. 2015. № 6. С. 133–143.
  11. Wang X., Wang A., Wang D., et al. A modified Sage-Husa adaptive Kalman filter for state estimation of electric vehicle servo control system // Energy Reports. 2022. V. 8. No. 5. P. 20–27.
  12. Иванов А.В., Шишкин В.Ю., Бойков Д.В. и др. Адаптивные алгоритмы обработки информации в навигационных комплексах подвижных наземных объектов // РЭ. 2021. Т. 66. № 8. С. 760–771.
  13. Каланов А.А., Лукин О.В., Цыганова Ю.В. Об алгоритме адаптивной фильтрации параметров движения объекта // Автоматизация процессов управления. 2023. № 1 (71). С. 75–87.
  14. Peng L., Wenhui W., Junda Q., et al. Robust Generalized Labeled MultiBernoulli Filter and Smoother for Multiple Target Tracking using Variational Bayesian // KSII Transactions on Internet and Information Systems. 2022. V. 16. No. 3. P. 908–928.
  15. Gao G., Gao B., Gao S., et al. A Hypothesis Test-Constrained Robust Kalman Filter for INS/GNSS Integration with Abnormal Measurement // IEEE Transactions on Vehicular Technology. 2023. V. 72. No. 2. P. 1662–1673.
  16. Гранчин О.Н., Поляк Б.Т. Рандомизированные алгоритмы оценивания и оптимизации при почти произвольных помехах. М.: Наука, 2003.
  17. Гранчин О.Н., Шаммов Д.С., Аерос Р. и др. Рандомизированный алгоритм нахождения количества кластеров // АиТ. 2011. № 4. С. 86–98.
  18. Будычев Ю.Г., Чепель Е.Н. Оптимизация кластерно-вариационного метода построения многопозиционной пеленгационной системы для условий априорной неопределенности // АиТ. 2023. № 4. С. 96–114.
  19. Татузов А.Л. Нейронные сети в задачах радиолокации. М.: Радиотехника, 2009.
  20. Мансур М.Э., Степанов О.А. Алгоритмы комплексной обработки в задаче коррекции показаний навигационных систем при наличии нелинейных измерений // Изв. Тульского ГУ. Технические науки. 2016. № 6. С. 89–102.
  21. Гадюшев Ч.М. Метод отбраковки аномальных измерений для многомерных динамических систем // Автометрия. 2003. Т. 39. № 4. С. 39–46.
  22. Шэнь К., Шахтарин Б.И., Неусилин Б.И. и др. Алгоритмические методы коррекции навигационной информации с использованием спутниковой радионавигационной системы в условиях аномальных измерений // РЭ. 2019. Т. 64. № 1. С. 31–37.
  23. Gu T., Luo Z., Guo T., et al. New Reconstruction Method for Measurement Data with Multiple Outliers // IEEE Transact. Instrument. Measurement. 2022. V. 71. P. 1–9.
  24. Ji C., Song C., Li S., et al. An Online Combined Compensation Method of Geomagnetic Measurement Error // IEEE Sensor. J. 2022. V. 22. No. 14. P. 14026–14037.
  25. Иванов А.В., Шишкин В.Ю., Бойков Д.В. и др. Адаптивные алгоритмы обработки информации в навигационных комплексах подвижных наземных объектов // РЭ. 2021. Т. 66. № 8. С. 760–771.
  26. Майдель И.Д. Кластерный анализ. М.: Финансы и статистика, 1988.
  27. Паклин Н.Б., Орешков В.И. Кластерные силуэты / Системный анализ в проектировании и управлении: Сб. тр. XX Междунар. научно-практ. конф.; Санкт-Петербург, 29 июня–1 июля, СПб., 2016. С. 314–321.
  28. Буддычев Ю.Г., Чепель Е.Н. Мультиструктурный метод триангуляционного оценивания параметров движения излучающей цели в условиях априорной неопределенности // ТисУ. 2019. № 6. С. 26–42.
  29. Еокова Н.А., Соколинский Л.Б. Обзор моделей параллельных вычислений // Вестник ЮУрГУ. Серия «Вычислительная математика и информатика». 2019. Т. 8. № 3. С. 58–91.
  30. Иванов А.И., Шпилевая С.Г. О квантовых параллельных вычислениях // Вестник Балт. ун-та им. Канта. Серия «Физико-математические и технические науки». 2021. № 2. С. 95–99.

Supplementary files

Supplementary Files
Action
1. JATS XML

Copyright (c) 2025 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».