در جنگ الکترونیک، بخش پشتیبانی الکترونیک (ES) وظیفه شناسائی سیستم های مخابراتی و الکترونیکی طرف مقابل را به عهده دارد. رادارها مهم ترین بخش سیستم های الکترونیکی می باشند بنابراین، شناسائی رادارها از اهمیت ویژه ای برخوردار است و این اهمیت به حدی است که تعیین کننده توان جنگ الکترونیکی ارتش مربوط است. تاکنون الگوریتم های زیادی برای شناسائی رادارها ارائه شده است. بیشینه دقتی که تاکنون این الگوریتم ها بدست داده اند با وجود پنج درصد پالس گمشده و پنج درصد نویز 93% است. در مقاله حاضر، الگوریتمی ارائه می شود که با استفاده از فیلتر کالمن تعمیم یافته متوسط دقتی معادل 97.2% دارد. لازم به ذکر است که این الگوریتم دارای حجم محاسباتی معادل 3.23N2 است که به دلیل داشتن معادله بازگشتی می توان آن را با سیستم های پردازش موازی (آرایه های سیستولیکی) پیاده سازی نمود.

در این مقاله استفاده از پردازش چند سنسوری برای تخمین حالتهای یک سیستم با ساختارهای مختلف ارایه می گردد. بدین منظور سه ساختار کاملا متمرکز، غیر متمرکز سلسله مراتبی و کاملا غیر متمرکز فیلتر کالمن معرفی و با یکدیگر و فیلتر کالمن تک سنسوری مقایسه می گردند. ساختارهای غیر متمرکز از موازی سازی فیلتر کالمن متمرکز به دست می آیند و دارای سرعت پردازش زیاد هستند. ساختار کاملا غیر متمرکز دارای پردازنده مرکزی نمی باشد و هر پردازنده حالتهای سیستم را تخمین می زند. در نتیجه، سیستم نسبت از دست دادن یک یا چند پردازنده انعطاف پذیری بیشتری دارد و مقاومت و طول عمر آن بالا می رود. در این مقاله برای الگوریتمهای غیر متمرکز اصطلاحاتی ارایه می گردد که به کاهش حجم محاسبات منجر می شود و با وجود این، دقت لازم حفظ می شود. نتایج شبیه سازی بر روی یک سیستم متغیر با زمان به وضوح نشان می دهند که علیرغم کاهش نسبتا زیاد در حجم محاسبات به دلیل روش ارایه شده، دقت تخمین همچنان حفظ می شود. علاوه بر آن، دقت تخمین ساختارهای چند سنسوری نسبت به ساختار تک سنسوری بالاست.

تفکیک شرایط پروازی جهت محاسبه زمان سپری شده در هر یک از آنها، برای پایش میزان بهره برداری بالگرد ضروری است. خلبانان در حین عملیات، رژیم های پروازی مختلفی را اجرا می کنند که هر یک را با ترکیبی از پارامترها تشخیص می دهند. از این رو، رژیم های پروازی بالگرد را می توان به صورت برداشت کیفی و توصیفی خلبانان از حالت پروازی، تعریف کرد. با این وجود، رابطه بین پارامترهای پروازی و مانورها یک تابع بسیار پیچیده بوده و مدل ریاضی دقیقی برای شناسایی رژیم پروازی در دسترس نیست. در این پژوهش تلاش شده است با بهره گیری از بیان توصیفی خلبانان، ابزاری جهت شناسایی رژیم های پروازی بالگرد فراهم گردد. بدین منظور، با ایجاد یک ماتریس اتصال مبتنی بر توصیف مانور، داده های اندازه گیری شده در حالت پروازی فیلتر شده و به کمک الگوریتم شناسایی، رژیم های پروازی بالگرد شناسایی می گردند. الگوریتم شناسایی رژیم پروازی مبتنی بر روش داده کاوی، بر اساس فیلتر کالمن توسعه یافته تطبیقی (AEKF) ارائه شده است. استفاده از الگوریتم AEKF منجر به عدم نیاز به بانک داده مفصل، کاهش حساسیت به مقادیر اولیه و تغییرات و همچنین افزایش دقت تخمین با گذشت زمان، بر خلاف روش های موجود شناسایی برخط مانورهای بالگرد شده است. توانایی الگوریتم پیشنهادی، با داده های شبیه سازی پروازی حاصل از یک مدل دینامیکی بالگرد صحه گذاری شده، ارزیابی شده است.

تفکیک شرایط پروازی جهت محاسبه زمان سپری شده در هر یک از آنها، برای پایش میزان بهره برداری بالگرد ضروری است. خلبانان در حین عملیات، رژیم های پروازی مختلفی را اجرا می کنند که هر یک را با ترکیبی از پارامترها تشخیص می دهند. از این رو، رژیم های پروازی بالگرد را می توان به صورت برداشت کیفی و توصیفی خلبانان از حالت پروازی، تعریف کرد. با این وجود، رابطه بین پارامترهای پروازی و مانورها یک تابع بسیار پیچیده بوده و مدل ریاضی دقیقی برای شناسایی رژیم پروازی در دسترس نیست. در این پژوهش تلاش شده است با بهره گیری از بیان توصیفی خلبانان، ابزاری جهت شناسایی رژیم های پروازی بالگرد فراهم گردد. بدین منظور، با ایجاد یک ماتریس اتصال مبتنی بر توصیف مانور، داده های اندازه گیری شده در حالت پروازی فیلتر شده و به کمک الگوریتم شناسایی، رژیم های پروازی بالگرد شناسایی می گردند. الگوریتم شناسایی رژیم پروازی مبتنی بر روش داده کاوی، بر اساس فیلتر کالمن توسعه یافته تطبیقی (AEKF) ارایه شده است. استفاده از الگوریتم AEKF منجر به عدم نیاز به بانک داده مفصل، کاهش حساسیت به مقادیر اولیه و تغییرات و همچنین افزایش دقت تخمین با گذشت زمان، بر خلاف روش های موجود شناسایی برخط مانورهای بالگرد شده است. توانایی الگوریتم پیشنهادی، با داده های شبیه سازی پروازی حاصل از یک مدل دینامیکی بالگرد صحه گذاری شده، ارزیابی شده است.

استفاده از سامانه AHRSدقیق مبتنی برسنسورهای تکنولوژی MEMS، با حجم کم و قیمت ارزان،نقش به سزایی در ناوبری و هدایت وسایل بدون سرنشین ایفا می-کند.امروزه استفاده از الگوریتم ها و روش های گوناگون از جمله فیلترهای وفقی، شبکه های عصبی و فیلترهای تخمینگر جهت افزایش دقت این سامانه ها و کاهش نویز سنسورهای آن بسیار مورد توجه محققان قرار گرفته است.در این مقاله از ترکیب شبکه عصبی عمیق LSTM و فیلترکالمن جهت بهبود دقت سامانهAHRSاستفاده شده است. در این روش ابتدا شبکه عمیق مورد استفاده تحت آموزش قرار گرفته و سپس به عنوان یک تصحیح گر، ضرایب موثر فیلترکالمن را تصحیح می کند. این روش تمامی محدودیت های فیلتر کالمن از جمله خطی بودن و حافظه دار نبودن آن را برطرف کرده و بدون استفاده از سامانه GPSدقت زوایای خروجی را بهبود بخشیده است. نتایج این تحقیق برروی داده های واقعی سنسورIMU مبتنی بر تکنولوژی MEMSکه نسبت به سنسورهای مورد استفاده در کارهای مشابه دارای دقت کمتری بوده، نصب شده برروی هواپیمای بدون سرنشین با مانور بالا، انجام شده و بیانگر بهبود 35 درصدی دقت زوایای وضعیت سامانهAHRS و بهبود 40 درصدی کاهش نویز خروجی سنسورها می باشد.

در این مقاله، مدلی جدید بر پایه الگوریتم ژنتیک به صورت بلادرنگ برای خطای حسگرهای اینرسی ارزان قیمت توسعه داده می شود. در سامانه های ناوبری اینرسی عدم رفع خطاهای حسگرهای اینرسی نه تنها سبب می شود خطاهای موقعیت یابی به شدت افزایش یابد بلکه منجر به کاهش دقت در تخمین سایر متغیرهای حالت ناوبری نیز می شود. این موضوع اهمیت و ضرورت ارایه الگوریتمی کارآمد برای مدل سازی نسبتا دقیق از خطاهای حسگرهای اینرسی می شود. در این مقاله، از الگوریتم ژنتیک برای مدل سازی خطای حسگرهای اینرسی استفاده شده است. هدف اصلی از طراحی این مدل این است که باوجود خطاهای اندازه گیری در حسگرهای ناوبری اینرسی، بتوان تخمین دقیقی از موقعیت، سرعت و زوایای سمت و تراز سیستم ناوبری اینرسی داشت. به منظور پیاده سازی و مقایسه الگوریتم ارایه شده و صحه گذاری آن از تست خودرو استفاده می شود. نتایج حاصل از تست نشان می دهد که با استفاده از الگوریتم طراحی شده، دقت تخمین متغیرهای حالت ناوبری اینرسی نسبت به سایر روش های متداول همچون گوس-مارکوف به میزان قابل توجهی افزایش خواهد یافت. لذا در حالت کلی این روش ارایه شده سبب بهبود نتایج ناوبری اینرسی خواهد شد.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

موتورهای تکفاز از جمله پرکاربردترین موتورها در قدرت های کسر اسب بخار هستند. این نوع از موتور ها به طور گسترده در مصارف خانگی استفاده می شوند و بخش بزرگی از مصارف خانگی را به خود اختصاص داده اند. در گذشته این موتورها در سرعت های ثابت بکار گرفته می شدند. با گذشت زمان نیاز به کنترل سرعت در این موتورها حس شده بطوریکه بخش قابل توجهی از مقاله های تحقیقاتی را بخود اختصاص داده اند. کنترل بدون حسگر موتورهای تکفاز به دلایل مکانیکی و اقتصادی مورد توجه بسیاری از محققین قرار گرفته است. در این مقاله با استفاده از روش کنترل برداری با جهت دهی شار روتور سرعت موتور کنترل می شود و روش جدیدی مبتنی بر الگوریتم فیلترکالمن تعمیم یافته برای تخمین سرعت موتور القایی تکفاز تحت تخمین بر-خط مقاومت روتور با اعمال نویزهای اندازه گیری معرفی شده است. نتایج شبیه سازی صحت و درستی روش معرفی شده را با اعمال تغییرات در مقاومت روتور تحت اعمال نویزهای اندازه گیری نشان می دهد.

این مقاله یک الگوریتم کنترلی خالص مبتنی بر روش فازی برای کنترل زاویه ای کوادروتور ارائه می کند. پارامترهای خطا و نرخ تغییرات خطا به عنوان ورودی سیستم فازی محسوب می شوند و ورودی های کنترلی برای حرکت های پایه ای کوادروتور مبتنی بر قوانین فازی تعریف شده، تولید می شوند. با توجه به دینامیک غیرخطی کوادروتور، الگوریتم کنترلی فازی برای پایدارسازی و کنترل زاویه ای این نوع از ربات ها پاسخ مطلوبی ارائه می دهد. برای بررسی عملکرد الگوریتم کنترلی فازی در مدل آزمایشگاهی، یک مجموعه شامل کوادروتور، میکرو کنترل گر و حسگرهای مورد نیاز ساخته شده است. حسگرهای سه محوره ی ژیروسکوپ و شتاب سنج برای تخمین موقعیت زاویه ای مورد استفاده قرار گرفته اند. به علت وجود نویز و خطا در خروجی حسگرها، از فیلتر کالمن برای حذف نویز استفاده شده است. نتایج بدست آمده در آزمایش های عملی نشان دهنده طراحی موفقیت آمیز الگوریتم کنترلی فازی بر روی کوادروتور بوده است.

پایداری آموزش در شناسایی سیستم های غیرخطی یکی از مهمترین مسایل در پژوهش های مربوط به کنترل است. این مقاله به بررسی پایداری یک سیستم فازی-عصبی نوع 2 بازه ای (IT2ANFIS) به عنوان شناساگر از طریق یک تابع لیاپانوف جدید می پردازد. در این تحلیل، آموزش قسمت مقدم و تالی سیستم IT2ANFIS به ترتیب با الگوریتم های گرادیان نزولی و فیلتر کالمن صورت می پذیرد. از این رو، با استفاده از تابع لیاپانوف مورد نظر، محدوده های مجاز متغیر های قابل تنظیم آموزش، بدست می آیند و بر الگوریتم ها اعمال می گردند تا فرآیند شناسایی پایدار بماند. مطابق با تحلیل پایداری این پژوهش، محدوده های تطبیقی وسیعی از متغیر های قابل تنظیم در آموزش الگوریتم ها بدست آمده است. علاوه بر این، مطابق با نتایج شبیه سازی، با انتخاب محدوده های مجاز بر مبنای تحلیل پایداری پیشنهادی، فرآیند شناسایی پایدار و با عملکرد مناسبی بوده است. هنگامی که روش پیشنهادی برای پیش بینی مقادیر آتی سری آشوب مکی گلاس و یک سیستم غیرخطی با داده های تصادفی به کار گرفته می شود، از نظر ریشه دوم میانگین خطا، زمان شناسایی، و قرار گیری در تله کمینه محلی عملکرد بهتری نسبت به روش های دیگر دارد.