A thesis submitted in fulfilment of the requirements for the degree of Master of Engineering: Robust observer control and smoothing in the framework of possibility theory: Application to target motion analysis

Robust Observer Control and Smoothing in the Framework of Possibility Theory: Application to Target Motion Analysis

Tác giả: Zhijin Chen

Lĩnh vực: Kỹ thuật

Nội dung tài liệu:

Luận văn này khám phá việc ứng dụng lý thuyết khả năng (possibility theory) vào hai lĩnh vực: điều khiển cảm biến (sensor control) và làm mịn (smoothing) trong phân tích chuyển động mục tiêu (target motion analysis). Các phương pháp trí tuệ máy móc để ra quyết định dưới sự không chắc chắn ngày càng trở nên quan trọng. Nghiên cứu gần đây cho thấy lý thuyết khả năng là một công cụ hiệu quả để biểu diễn và suy luận về kiến thức không chắc chắn, tương tự như lý thuyết xác suất. Luận văn đề xuất một hàm thưởng mới dựa trên lý thuyết khả năng để xử lý sự không chắc chắn do mô hình không hoàn hảo hoặc không khớp, nhằm tối đa hóa tiện ích tổng thể của hệ thống giám sát. Khác với các phương pháp xác suất truyền thống gặp khó khăn khi mô hình bị sai lệch, lý thuyết khả năng định lượng cung cấp một khung đơn giản hơn cho suy luận thống kê với xác suất không chính xác. Một phương pháp mới đo lường thông tin thu được dựa trên lý thuyết khả năng định lượng cũng được phát triển, kết hợp với khung làm mịn khả năng để cải thiện độ chính xác ước lượng trạng thái. Kết quả mô phỏng cho thấy phương pháp này mạnh mẽ hơn và mang lại hiệu suất tốt hơn so với các phương pháp xác suất trong trường hợp mô hình không khớp, đặc biệt là trong phân tích chuyển động mục tiêu chỉ dựa trên hướng đo (bearings-only tracking).

Mục lục chi tiết:

• Declaration of Authorship
• Acknowledgements
• 1 Introduction
• 1.1 What is target tracking?
• 1.2 What is observer control?
• 1.3 What is the theory of possibility?
• 1.4 About this thesis
• 2 Background
• 2.1 Uncertainty quantification
• 2.1.1 Modelling of uncertain information
• 2.1.2 Bayesian uncertainty quantification and Bayesian estimator
• 2.1.3 Uncertainty quantification using possibility functions
• 2.2 Bayesian inference
• 2.2.1 Bayesian inference and the maximum likelihood method
• 2.2.2 Bayesian model
• 2.2.3 Bayesian point estimates
• 2.3 Bayesian filtering and smoothing
• 2.4 Sequential Monte Carlo Methods
• 2.4.1 Nonlinear filtering
• 2.4.2 Particle filtering
• 2.5 Resampling methods for PF
• 2.5.1 The concept of resampling
• 2.5.2 Classification of resampling methods
• 2.5.3 Frequency of resampling.
• 2.6 Particle smoothing
• 2.6.1 SIR particle smoother (SIR-PS)
• 2.6.2 Backward-simulation particle smoother
• 2.6.3 Reweighting particle smoother
• 2.7 Possibilistic filtering
• 2.8 Peakedness and generalized entropy
• 3 Observer Control for BOT Using Possibility Functions
• 3.1 Introduction
• 3.2 The problem description
• 3.3 Possibility filter
• 3.3.1 The Concept
• 3.3.2 Sequential Monte Carlo implementation
• 3.4 Reward functions
• 3.4.1 Bayesian probabilistic approach
• 3.4.2 Possibilistic approach
• 3.5 Numerical results
• 3.5.1 Simulation setup
• 3.5.2 Monte Carlo results.
• 3.6 Summary
• 4 Robust Smoothing in the Framework of Possibility Theory
• 4.1 Introduction
• 4.2 Background
• 4.2.1 TMA problem formulation
• 4.2.2 Standard Bayes filter
• 4.2.3 Possibility filter
• 4.3 Forward-Backward Smoothing
• 4.3.1 Standard approach
• 4.3.2 Possibilistic framework
• 4.4 Simulation Results
• 4.4.1 Simulation setup
• 4.4.2 Simulation Results
• 4.5 Summary
• 5 Conclusion
• Bibliography