Theo dõi mục tiêu di động mặt đất bằng mô hình hidden markov

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA W X HUỲNH QUAN HIẾU THEO DÕI MỤC TIÊU DI ĐỘNG MẶT ĐẤT BẰNG MÔ HÌNH HIDDEN MARKOV Chuyên ngành: Kỹ thuật vô tuyến điện tử Mã số ngành : 2.07.01/07 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH 10-2003 CÔNG TRÌNH ĐƯC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH [—\ Cán hướng dẫn khoa học: PGS.TS VŨ ĐÌNH THÀNH Cán chấm nhận xét 1: Cán chấm nhận xét 2: LUẬN VĂN THẠC SĨ ĐƯC BẢO VỆ TẠI HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA Ngày tháng năm 2003 Có thể tìm hiểu luận án Thư viện cao học Trường Đại Học Bách Khoa, Đại Học Quốc Gia Tp Hồ Chí Minh Lời cảm ơn Lời cảm ơn Luận văn thực từ tháng – 2003 đến tháng 10 – 2003 hướng dẫn trực tiếp thầy Vũ Đình Thành Tôi xin gởi lời cảm ơn chân thành đến: Thầy Vũ Đình Thành tận tình hướng dẫn thực đề tài Quý thầy cô Trường Đại học Bách Khoa Tp HCM truyền đạt kiến thức giúp trưởng thành học tập sống Các bạn học viên cao học Vô Tuyến Điện Tử khóa 12 giúp đỡ, trao đổi kiến thức suốt trình học cao học Cám ơn gia đình tất bạn bè, đồng nghiệp động viên, trợ giúp suốt thời gian học tập Tp Hồ Chí Minh tháng 10 năm 2003 Huỳnh Quan Hiếu Giới thiệu GIỚI THIỆU Trong thực tế, có nhiều trình cần biết ta nhận biết hay quan sát cách trực tiếp Tuy nhiên, ta biết kiện liên quan đến trình quan sát Do đó, vấn đề đặt nhận biết trình thông qua quan sát trực tiếp không? Nếu thực được, đem lại nhiều ứng dụng thực tế vô có ích Chẳng hạn ứng dụng quân theo dõi mục tiêu, dự đoán khí hậu, theo dõi hoạt động gen y học hay nhận dạng tiếng nói,… thông qua nhiều loại cảm biến khác Vấn đề đòi hỏi phương pháp giải Đến ngày nay, mô hình Hidden Markov nhà toán học người Nga đề xuất giải pháp tối ưu khái quát Lý mà phương pháp thống kê Markov trở nên phổ biến có nhiều cấu trúc toán học tạo sở lý thuyết mạnh để sử dụng ứng dụng rộng rãi Mô hình Hidden Markov phương pháp phân tích tín hiệu mạnh HMM không xác phân tích tín hiệu mà mạnh dự đoán khuynh hướng ẩn tín hiệu Đặc trưng mô hình Hidden Markov trình gấp đôi, có hai trình xảy đồng thời Một trình không quan sát (quá trình ẩn) xác định thông qua trình quan sát (quá trình quan sát) Việc nhận biết trình ẩn cải thiện nhờ khả huấn luyện tham số mô hình Với ưu điểm mô hình Hidden Markov, đề tài nghiên cứu thực việc áp dụng mô hình vào mục đích cụ thể “Theo dõi mục tiêu di động mặt đất HMM” Nếu kết nhận khả quan, đề tài đem đến ứng dụng thực tế truy tìm theo dõi đối tượng quân lẩn dân Ngoài ra, việc thiết lập thực thành công mô hình mở nhiều hướng nghiên cứu mô hình Hidden Markov, lỉnh vực mẽ lý thú Tóm tắt TÓM TẮT Đề tài “Theo Dõi Mục Tiêu Di Động Mặt Đất Bằng Mô Hình Hidden Markov” tức theo dõi trình di chuyển mục tiêu (coi trình ẩn) thông qua quan sát nhận từ cảm biến, đề tài thực phần lý thuyết theo trình tự sau Đầu tiên ta tìm hiểu hoạt động cách thức xác nhận phép đo (quan sát) cảm biến chương Một dạng cảm biến thông dụng vấn đề theo dõi Radar đề cập chương Khi sử dụng kết hợp nhiều cảm biến hay mạng cảm biến cho vùng quan sát rộng lớn đòi hỏi việc truyền thông tin cảm biến hay cảm biến trung tâm xử lý, điều gây suy hao hay tượng Fading đường truyền chương Khi có quan sát ta tìm hiểu giải thuật tìm đường Đề tài trình bày giải thuật mạnh làbộ lọc Kalman mô hình Hidden Markov chương chương Cuối cùng, ta trình bày cụ thể việc áp dụng mô hình Hidden Markov vào việc theo dõi mục tiêu chương Trong phần mô phỏng, đề tài thực giải thuật tìm đường lọc Kalman mô hình Hidden Markov Các kết mô trình bày với nhận xét Cuối đánh giá chung hai phương pháp Nội dung luận văn gồm phần chính: phần lý thuyết mô hình Hidden Markov phần mô phỏng, ứng dụng mô hình vào mô việc theo dõi mục tiêu di động Phần I Lý thuyết có chương bao gồm lý thuyết cảm biến, Radar, lý thuyết suy hao đường truyền sóng trình giám sát, lý thuyết lọc Kalman cuối lý thuyết mô hình Hidden Markov ứng dụng vào việc theo dõi đối tượng Chương 1: Giới thiệu khái quát cảm biến Trình bày cách thức hoạt động cách xác nhận thông tin cảm biến Chương 2: Đề cập loại cảm biến thông dụng, Radar Phương thức hoạt động phát mục tiêu Radar Chương 3: Trình bày dạng suy hao đường truyền sóng cảm biến hay cảm biến mục tiêu Chương 4: Giới thiệu lọc Kalman Ứng dụng lọc Kalman việc theo dõi mục tiêu dựa sở giải thuật đệ qui cập nhật thời gian cập nhật phép đo Chương 5: Mô hình Hidden Markov (HMM) Trình bày vấn đề HMM, giải thuật tối ưu nhằm giải vấn đề Chương 6: Trình bày cách ứng dụng HMM vào việc theo dõi mục tiêu di động Đồng thời khái quát số phương pháp theo dõi khác Tóm tắt PHẦN II Mô Ứng dụng HMM vào mô việc tìm đường cho mục tiêu phần mềm Matlab Chương 1: Giải thuật tìm đường lọc Kalman Chương đưa lưu đồ giải thuật Kalman, kết mô nhận xét Chương 2: Giải thuật tìm đường HMM Thực lưu đồ giải thuật tìm đường giải thuật Viterbi Monte Carlo Đưa kết nhận xét Chương 3: Kết luận hướng phát triển Chương tổng kết kết đạt đưa hướng phát triển sau PHẦN III Phụ lục tham khảo Mục Lục MỤC LỤC Lời cảm ơn Giới thiệu Tóm tắt Mục lục PHẦN I LÝ THUYẾT Chương Cảm biến 1.1 Giới thiệu 1.1.1 Caûnh quang 1.1.2 Định nghóa mạng đối tượng 1.1.3 Sự kết hợp kiện ước lượng trạng thái đối tượng 1.1.4 Sự phát phân phối 1.2 Phương pháp đo cảm biến phát cố 1.2.1 Phát biểu vấn đề 1.2.2 Sự tạo dư thừa 1.2.3 Sự dự đoán trạng thái chuỗi thời gian 1.2.4 Xác nhận hợp phép đo cảm biến 1.2.5 Độ tin cậy cảm biến 11 1.2.6 Phát cố cảm biến 11 Chương Radar 2.1 Giới thiệu 12 2.2 Cơ sở lý thuyết xác suất – sở định 13 2.3 Tín hiệu – nhieãu radar 15 2.3.1 Phân bố nhiễu cộng 15 2.3.2 Xác suất tín hiệu báo động sai 15 2.4 Sự tương quan máy thu 16 2.5 Các thành phần trình phát tín hiệu 18 2.6 Radar xung 19 2.6.1 Tần số radar 19 2.6.2 Phương trình radar 20 Mục Lục 2.6.3 Độ xác - phân tích 21 2.6.4 Tích phân thời gian hiệu ứng Doppler 22 2.6.5 Tần số xung lặp lại 23 2.6.6 Mặt cắt radar 23 2.6.7 Độ xác theo dõi 24 2.6.8 Qui trình theo dõi 24 2.7 Các loại radar khaùc 25 2.7.1 Radar theo doõi 25 2.7.2 Radar dẫn 25 Chương Sự suy hao tín hiệu không gian 3.1 Cơ sở sóng vô tuyến 26 3.1.1 Sự khúc xạ 27 3.1.2 Hiện tượng ống dẫn sóng 28 3.1.3 Sự nhiễu xa 29 3.2 Hiện tượng Fading 32 3.2.1 Fading mặt đất 33 3.2.2 Fading đa đường hay fading Rayleigh 33 3.2.3 Fading lựa chọn 35 3.2.4 Sự suy hao möa 35 3.2.5 Xác định độ cao anten tính toán 35 Chương Bộ lọc Kalman 4.1 Giới thiệu 38 4.2 Phát biểu vấn đề 39 4.3 Các mô hình 39 4.3.1 Mô hình chuyển đổi trạng thái 40 4.3.2 Mô hình quan sát 41 4.4 Sự ước lượng Bayesian đệ quy 41 4.5 Boä loïc Kalman 42 4.6 Bộ lọc Kalman rời rạc 44 4.6.1 Quaù trình ước lượng 44 4.6.2 Các sở tính toán cho lọc 45 4.6.3 Nguồn gốc xác suất lọc 46 4.6.4 Giải thuật lọc Kalman rời rạc 46 Mục Lục 4.7 Bộ lọc Kalman mở rộng 47 4.7.1 Quá trình ước lượng 47 4.7.2 Các sở tính toán cho lọc 48 4.7.3 Giải thuật lọc Kalman mở rộng 50 Chương Mô hình Hidden Markov 5.1 Khái quát mô hình Hidden Markov 51 5.1.1 Khái niệm 51 5.1.2 Các thành phần HMM 51 5.1.3 HMM tạo quan sát 52 5.2 Ba vấn đề cuûa HMM 53 5.2.1 Giải vấn đề – Tính toán xác suất 53 5.2.2 Giải vấn đề – Chuỗi trạng thái tối ưu 55 5.2.3 Giải vấn đề – Sự ước lượng tham số 56 5.2.4 Các lưu ý thủ tục ước lượng lại 59 5.2.5 Mật độ khoảng trạng thái rõ ràng HMMs 60 5.2.6 Tiêu chuẩn tối ưu 62 5.3 Caùc dạng mô hình HHM khác 63 5.3.1 Mô hình HMM trái - phải 63 5.3.2 Mô hình Hidden Markov đa cấp 64 Chương Ứng dụng HMM vào theo dõi mục tiêu di động 6.1 Các khái niệm ước lượng 73 6.1.1 Các cảm biến tín hiệu 74 6.1.2 Các phép đo 74 6.1.3 Các khái niệm việc ước lượng 75 6.2 Sự liên kết liệu 78 6.2.1 Sự cho qua cổng 78 6.2.2 Sự liên kết liệu xác suất 79 6.2.3 Sự liên kết liệu xác suất chung 80 6.3 Ứng dụng mô hình Hidden Markov việc theo dõi mục tiên mặt đất 81 6.4 Phương pháp theo dõi dựa vào mô hình Hidden Semi-Markov 84 6.5 Phương pháp theo dõi mô hình Monte Carlo Hidden Markov86 6.5.1 Mô hình Hidden Markov khái quát hóa 86 6.5.2 Giải thuật Monte Carlo HMMs 88 Mục Lục 6.6 Khái quát phương pháp khác theo dõi mục tiêu 89 6.6.1 Theo dõi mục tiêu điểm 89 6.6.2 Theo dõi mục tiêu hình ảnh 97 PHẦN II MÔ PHỎNG Chương Giải thuật tìm đường lọc Kalman 1.1 Các lưu đồ giải thuật 99 1.2 Caùch thức xác lập thông số 102 1.3 Kết mô 103 Chương Giải thuật tìm đường mô hình Hidden Markov 2.1 Các lưu đồ giải thuật 105 2.2 Cách thức xác lập thông số 107 2.3 Kết mô 108 Chương Kết luận hướng phát triển 3.1 Nhận xét 115 3.2 Đánh giá 115 3.3 Hướng phát triển 116 PHAÀN III PHỤ LỤC VÀ THAM KHẢO A Nội dung CDROM 117 B Các hàm giải thuật 117 Tài liệu tham khảo 123 THD: Vũ Đình Thành Kết luận hướng phát triển Kết mô HMM có 256 trạng thái 81 cảm biến Nhận xét: với số lượng trạng thái mô hình, ta nhận thấy số lượng cảm biến nghóa việc theo dõi Việc chọn bán kính cảm biến quan trọng tùy vào số lượng cảm biến, với số cảm biến ta cần chọn cảm biến có bán kính Theo Dõi Mục Tiêu Di Động Mặt Đất Bằng HMM 110 THD: Vũ Đình Thành Kết luận hướng phát triển lớn Mặc khác, số cảm biến làm cho thời gian xử lý Nếu bán kính cảm biến nhỏ không bao quát hết vùng quan sát dấu mục tiêu, chương trình báo lỗi điều náy xảy Kết mô HMM có 144 trạng thái 16 cảm biến Theo Dõi Mục Tiêu Di Động Mặt Đất Bằng HMM 111 THD: Vũ Đình Thành Kết luận hướng phát triển Nhận xét: với mô hình dựa vào xác suất chính, ta nhận thấy số lần thực lớn cho kết xác hơn, việc chiếm nhiều thời gian Kết mô HMM thường có 81 trạng thái 16 cảm biến Theo Dõi Mục Tiêu Di Động Mặt Đất Bằng HMM 112 THD: Vũ Đình Thành Kết luận hướng phát triển Nhận xét: đồ thị sai số khoảng cách cho thấy tổng quát ước lượng có huấn luyện cho sai số nhỏ không huấn luyện Với số bước thời gian quan sát cố định đó, ta tìm số bước lặp tối ưu sai số thấp Lưu đồ giải thuật Monte Carlo HMM Bắt đầu Thiết lập số trạng thái vị trí trạng thái toàn hoàn cảnh Xác định số cảm biến vị trí chúng Xác định chiều dài chuỗi thời gian tạo quan sát Tạo ma trận chuyển đổi trạng thái Tạo ma trận khả quan sát cảm biến Xác định số lần chạy tìm đường Thực tìm đường lần chạy: t đườ ng biểu thị trạng Theo Dõi Mục Tiêu Di Độ•ng Tạ Mặot Đấ Bằn g HMM thái thực mục tiêu • Tạo thông tin quan sát nhị 113 THD: Vũ Đình Thành Kết luận hướng phát triển Kết mô Monte Carlo HMM Kết mô Monte Carlo có 256 trạng thái, 20 cảm biến Theo Dõi Mục Tiêu Di Động Mặt Đất Bằng HMM 114 THD: Vũ Đình Thành Kết luận hướng phát triển Kết mô Monte Carlo có 900 trạng thái, 36 cảm biến Nhận xét: mô hình Monte Carlo HMM cho kết tìm đường xác mô hình HMM thông thường Tuy nhiên, đòi hỏi việc xác định ma trận chuyển đổi trạng thái ma trận quan sát xác thông qua thống kê thực tế CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 3.1 Nhận xét: Qua việc tìm hiểu giải giải thuật tìm đường, ta thấy rõ lợi mô hình HMM Kết mô cho thấy tính xác mạnh mẽ giải thuật tìm đường So sánh hai phương pháp tìm đường Kalman HMM ta rút số ưu điểm nhược điểm HMM + Ưu điểm : − Giải thuật nhanh với số trạng thái không lớn − Kết chuỗi trạng thái cuối có độ xác cao − Các quan sát, là xác suất khả quan sát thấy mục tiêu cho kết đường ước lượng có độ xác cao − Mô hình HMM áp dụng cho chuyển động đối tượng mà không cần mô hình cụ thể cho dạng chuyển động Theo Dõi Mục Tiêu Di Động Mặt Đất Bằng HMM 115 THD: Vũ Đình Thành Kết luận hướng phát triển − Giải thuật HMM cho kết tốt +Nhược điểm: − Với số trạng thái lớn, ma trận thành phần HMM có kích thước lớn đòi hỏi thời gian tìm đường cao, tính thời gian thực − Việc phân hoạch môi trường cho số lượng trạng thái hợp lý vấn đề khó thực tế − Các xác suất liên quan đến khả quan sát cảm biến mục tiêu hàm phụ thuộc vào không gian lẫn thời gian nên cần huấn luyện trước Điều làm nhiều thời gian − Giữa đối tượng hệ thống phải “bắt tay” từ trước, tức đối tượng cảm biến Điều làm hạn chế phạm vi ứng dụng mô hình 3.2 Đánh giá − HMM chứng tỏ ưu điểm xử lý tín hiệu thông kế Nó chứng minh khả “nhận biết ” đối tượng thông qua “cảm nhận “ đối tượng lại cho kết mong đợi Điều làm tăng khả thay theo dõi camera hay xử lý hình ảnh − Kết mô tốt cho phép sử dụng mô hình vào hệ thống định vị theo dõi từ xa − Khuyết điểm thời gian tính toán “ bắt tay” để giảm điều đòi hỏi kinh nghiệm việc phân hoạch quang cảnh cách tối ưu 3.3 Hướng phát triển − HMM thành công hứa hẹn nhiều ứng dụng thực tế theo dõi quân sự, an ninh, y tế − Việc theo dõi có thực với nhiều đối tượng mô hình HMM có cấp bậc − Kết hợp phân tích hình ảnh sau dùng HMM để có kết cao − Kết hợp Kalman HMM, vị trí ước lượng từ mô hình Hidden Markov đưa vào − Để khắc phục HMM việc phân hoạch cần thời gian khảo sát lâu dài với địa hình, quang cảnh để có đánh giá xác suất − Có thể dùng mode chuyển đổi qua lại vùng quan sát Các vùng quan sát có số lượng trạng thái cảm biến giới hạn giảm thời gian theo dõi − Có thể mở rộng mô hình với không gian trạng thái liên tục, ma trận chuyển đổi trạng thái mục tiêu dựa vào điều kiện động lực học − Để mô hình mang tính thực tế hơn, ta cần xây dựng tiêu chuẩn để kết hợp ảnh hưởng địa tín hiệu nhiễu vào ma trận xác suất Theo Dõi Mục Tiêu Di Động Mặt Đất Bằng HMM 116 THD: Vũ Đình Thành Kết luận hướng phát triển Theo Dõi Mục Tiêu Di Động Mặt Đất Bằng HMM 117 THD: Vũ Đình Thành Phụ Lục Tham Khảo PHẦN III PHỤ LỤC VÀ THAM KHẢO PHỤ LỤC A.Nội dung CDROM: CDROM bao gồm toàn lý thuyết Source code kết mô CDROM chứa tài liệu, báo tải từ In ternet CDROM chia làm ba phần Phần lý thuyết: Bao gồm chương lý thuyết Phần tài liệu tham khảo Phần chương trình mô B Các hàm giải thuật Chương trình Kalman ss = 4; % state size os = 2; % observation size F = [1 0; 1; 0 0; 0 1]; H = [1 0 0; 0]; Q = 0.5*eye(ss); R = 1*eye(os); initx = [x0 y0 dx dy]'; initV = 10*eye(ss); seed = 9; rand('state', seed); randn('state', seed); %T = 5; [x,y] = sample_lds(F, H, Q, R, initx, T); %toi day giong Wtrain = get(data(7),'Value'); max_iter = str2num(get(data(9),'String')); if Wtrain initx1 = initx; initV1 = initV; [F2, H2, Q2, R2, initx2, initV2, LL] = huanluyenkalman1(y, F, H, Q, R, initx1, initV1, max_iter); [xfilt, Vfilt, VVfilt, loglik] = lockalman(y, F2, H2, Q2, R2, initx2, initV2); [xsmooth, Vsmooth] = lamtronkalman(y, F2, H2, Q2, R2, initx2, initV2); dfilt = x([1 2],:) - xfilt([1 2],:); mse_filt = sqrt(sum(sum(dfilt.^2))); dsmooth = x([1 2],:) - xsmooth([1 2],:); mse_smooth = sqrt(sum(sum(dsmooth.^2))); Theo Doõi Mục Tiêu Di Động Mặt Đất Bằng HMM 111 THD: Vũ Đình Thành Phụ Lục Tham Khảo else [xfilt, Vfilt, VVfilt, loglik] = lockalman(y, F, H, Q, R, initx, initV); [xsmooth, Vsmooth] = lamtronkalman(y, F, H, Q, R, initx, initV); dfilt = x([1 2],:) - xfilt([1 2],:); mse_filt = sqrt(sum(sum(dfilt.^2))); dsmooth = x([1 2],:) - xsmooth([1 2],:); mse_smooth = sqrt(sum(sum(dsmooth.^2))); end figure(fig) axes(data(6)); hold on a3 = plot(xfilt(1,:), xfilt(2,:), 'rx-'); % plot filtered states a4 = plot(xsmooth(1,:), xsmooth(2,:), 'cd-'); set(a3,'LineWidth',3); set(a4,'LineWidth',3); %for t=1:T, plotgauss2d(xfilt(1:2,t), Vfilt(1:2, 1:2, t)); end hold off legend('True Path', 'Observed Path', 'Filtered Path','Smoothed Path' , 0); xlabel('x') ylabel('y') % 3x3 inches set(gcf,'units','inches'); set(gcf,'PaperPosition',[0 3]) Chương trình HMM: obj = get(0,'Children'); h0 = findobj(obj,'Type','figure','Tag','theodoi'); a0 = findobj(obj,'Type','Axes','Tag','Axestracking'); %b0 = findobj(obj,'Type','pushbutton','Tag','nutsaiso') tulieu = get(h0,'UserData'); quanti = get(a0,'UserData'); quantity = get(tulieu(3),'UserData'); M = str2num(get(tulieu(5),'String')); if isempty(quanti) errordlg('Ban chua tao True Path','Loi trinh tu'); Theo Dõi Mục Tiêu Di Động Mặt Đất Bằng HMM 112 THD: Vũ Đình Thành Phụ Lục Tham Khảo break; end global TotalObsers Observations probobser TotalStates = quantity(1); TotalObsers = quantity(2); xobsers = quantity(3:TotalObsers+2); yobsers = quantity(TotalObsers+3:TotalObsers*2+2); TSteps = quanti(1); TrueStates = quanti(2:TSteps+1); istates = sqrt(TotalStates); fprintf('Tao ma tran chuyen doi trang thai! '); transmat = Taomatranchuyendoi(istates, istates, TotalStates); fprintf('Da thuc hien xong!\n'); fprintf('Tao ma tran kha nang quan sat! '); [probobser] = Taomatranquansat(TotalObsers, istates, istates, xobsers, yobsers); fprintf('Da thuc hien xong!\n'); EstimateState1 = []; EstimateState2 = []; htransmat = transmat; hobsmat = probobser'; save matran transmat hobsmat hprior = 1/TotalStates * ones(1,TotalStates); hprior(TrueStates(1)) = hprior(TrueStates(1))*1.2; hprior = normalise(hprior); % Phan tim duong for m = 1:M %M number of Monte Carlo runs fprintf('\n'); fprintf('Lan chay thu: %i\n',m); [hdata1,hdata2,hdata3,hidden] = mkobsnew(hprior, htransmat, hobsmat, M, TSteps); % numex = M , T = TSteps hdata11 = hdata1(m,:); hobslik = mkobslik(hdata11, hobsmat, hobsmat); % duong theo doi chua duoc huan luyen path2 = viterbi_path1(hprior, htransmat, hobslik); % khong huan luyen [LL, hprior2, htransmat2, hobsmat2] = huanluyenhmm(hdata3, hprior, htransmat, hobsmat,4); hdata31 = hdata3(m,:); hobslik2 = mkobslik(hdata31, hobsmat2, hobsmat2); Theo Dõi Mục Tiêu Di Động Mặt Đất Bằng HMM 113 THD: Vũ Đình Thành Phụ Lục Tham Khảo path1 = viterbi_path1(hprior2, htransmat2, hobslik2); % co huan luyen % -EstimateState1 = [EstimateState1; path1]; EstimateState2 = [EstimateState2; path2]; % chua huan luyen %co huan luyen [dist_error1, avg_dist_error1] = saiso(TrueStates, path1, istates, istates, TSteps); errors1(m,:) = dist_error1; avg_error1(m) = avg_dist_error1; % khong huan luyen [dist_error2, avg_dist_error2] = saisochua(TrueStates, path2, istates, istates, TSteps); errors2(m,:) = dist_error2; avg_error2(m) = avg_dist_error2; if avg_dist_error1 == M=m; break; end end avg_error1 = avg_error1'; [min_avg_error1 indexmin1] = min(avg_error1); EstimateState1 = EstimateState1(indexmin1,:); avg_error2 = avg_error2'; [min_avg_error2 indexmin2] = min(avg_error2); EstimateState2 = EstimateState2(indexmin2,:); n = ceil(sqrt(TotalStates)); exi = zeros(TSteps,1); eyi = zeros(TSteps,1); exi2 = zeros(TSteps,1); eyi2 = zeros(TSteps,1); for i = 1:TSteps exi(i,1) = ceil(EstimateState1(i)/n); if mod(EstimateState1(i),n) == eyi(i,1) = sqrt(TotalStates); else eyi(i,1) = mod(EstimateState1(i),n); end end for i = 1:TSteps exi2(i,1) = ceil(EstimateState2(i)/n); if mod(EstimateState2(i),n) == eyi2(i,1) = sqrt(TotalStates); Theo Dõi Mục Tiêu Di Động Mặt Đất Bằng HMM 114 THD: Vũ Đình Thành Phụ Lục Tham Khảo else eyi2(i,1) = mod(EstimateState2(i),n); end end hold on figure(h0) a2 = plot(eyi,exi,'mx-'); a3 = plot(eyi2,exi2,'cs-'); set(a2,'LineWidth',4); set(a3,'LineWidth',2); legend([quanti(TSteps+2) a2 a3],'True Path','Estimate Path with Learning','Estimate Path without Learning',0); Chương trình Monte Carlo: fprintf('Tao ma tran chuyen doi trang thai! '); transmat = Taomatranchuyendoi(istates, istates, TotalStates); fprintf('Da thuc hien xong!\n'); fprintf('Tao ma tran kha nang quan sat! '); [probobser] = Taomatranquansat(TotalObsers, istates, istates, xobsers, yobsers); fprintf('Da thuc hien xong!\n'); EstimateState1 = []; % Phan tim duong for m = 1:M %M number of Monte Carlo runs fprintf('\n'); fprintf('Lan chay thu: %i\n',m); for t = 1:TSteps-1 if TrueStates(t) ~= TrueStates(t+1) transmat(TrueStates(t),TrueStates(t+1)) = transmat(TrueStates(t),TrueStates(t+1)) + 1/(TSteps*30); end end transmat = mk_stochastic(transmat); fprintf('Tao ma tran quan sat ! '); Observations = zeros(TotalObsers, TSteps); for k = 1:TSteps for i = 1: TotalObsers r = rand(1); if r < probobser(i, TrueStates(k)) Observations(i,k) = 1; % positive obvervation Theo Dõi Mục Tiêu Di Động Mặt Đất Bằng HMM 115 THD: Vũ Đình Thành Phụ Lục Tham Khảo end end end fprintf('Da thuc hien xong!\n'); fprintf('Thuc hien giai thuat Viterbi! '); EstimateState = GiaithuatViterbi(transmat, TotalStates, TSteps); fprintf('Da thuc hien xong!\n'); EstimateState1 = [EstimateState1; EstimateState]; [dist_error, avg_dist_error] = saiso(TrueStates, EstimateState, istates, istates, TSteps); errors(m,:) = dist_error; avg_error(m) = avg_dist_error; if avg_dist_error == M=m; break; end end avg_error = avg_error'; [min_avg_error indexmin] = min(avg_error); EstimateState1 = EstimateState1(indexmin,:); n = ceil(sqrt(TotalStates)); exi = zeros(TSteps,1); eyi = zeros(TSteps,1); for i = 1:TSteps exi(i,1) = ceil(EstimateState1(i)/n); if mod(EstimateState1(i),n) == eyi(i,1) = sqrt(TotalStates); else eyi(i,1) = mod(EstimateState1(i),n); end end hold on figure(h0) a2 = plot(eyi,exi,'md-'); set(a2,'LineWidth',3); legend([quanti(TSteps+2) a2],'True Path','Estimate Path',0) set(tulieu(4),'UserData',[errors avg_error]); set(a0,'UserData',[]); Theo Doõi Mục Tiêu Di Động Mặt Đất Bằng HMM 116 THD: Vũ Đình Thành Phụ Lục Tham Khảo TÀI LIỆU THAM KHAÛO [1] [2] A.A.R Townsend, “Digital line-of-sight radio links” Oliver Frank, “Multiple Target Tracking”, Swiss Federal Institute of Technology Zurich, February 2003 [3] Chih-Chung Ke, “ Literature survey on ground target tracking problem”, Center for Multisource Information Fusion State University of New York, Report No CMIF 3-99 [4] Hichem Snoussi and Ali Mohammad-Djafari, “Separation of mixed hidden Markov model sources”, Laboratoire des Signaux et Systèmes Sùpélec, Plauteau de Moulon, 91192 Gif-sur-Yvette Cedex, France [5] Iliyana SIMEONOVA and Tzvetan SEMERDJIEV, “Specific features of IMM tracking filter design”, Information and Security, an International Journal, Vol 9,2002, 154 – 165 [6] John R.Clymer, “ Systems analysis using simulation and Markov models” , Prentice – Hall International Editions [7] Lawrence Rabiner and Biing- Hwang Juang,” Fundamentals of speech recognition”, Prentice – Hall International Editions [8] Donal McErlean, Shrikanth Narayanan, “ Distributed detection and Tracking in sensor networks”, Department of Electrical Engineering- Systems, University of Southern California [9] Ashley W.Stroupe , Martin C.Martin, and Tucker Balch, “ Distributed Sensor Fusoin for Object Position Estimation by Multi- Robot Systems”, The Robotics Institute, Carnegie Mellon University [10] H.Yang and B Sikdar, “ A Protocol for Tracking Mobile Targets using Sensor Networks”, Department of Electrical, Computer and Systems Enginnring, rensselaer Polytechnie Institute, Troy, NY 12180 [11] Sebastian Thrun, John C Langford and Dieter Fox, “ Monte Carlo hidden Markov Models: Learning Non- Parametric Models of Partially Observable Stochastic Processes” , Robot Learning Laboratory, School of Computer Science, Carnegie Mellon University Theo Dõi Mục Tiêu Di Động Mặt Đất Bằng HMM 117 ... Ứng dụng mô hình Hidden Markov việc theo dõi mục tiên mặt đất 81 6.4 Phương pháp theo dõi dựa vào mô hình Hidden Semi -Markov 84 6.5 Phương pháp theo dõi mô hình Monte Carlo Hidden Markov8 6... cùm sóng đường lý tưởng cho tên lửa theo 2.8 Kết luận Theo Dõi Mục Tiêu Di Động Mặt Đất Bằng HMM 25 THD: PGS.TS Vũ Đình Thành Theo Dõi Mục Tiêu Di Động Mặt Đất Bằng HMM Radar 26 THD: PGS.TS Vũ Đình... nhờ khả huấn luyện tham số mô hình Với ưu điểm mô hình Hidden Markov, đề tài nghiên cứu thực việc áp dụng mô hình vào mục đích cụ thể ? ?Theo dõi mục tiêu di động mặt đất HMM” Nếu kết nhận khả quan,