روزبه فخاری - دانشجوی دکتری تخصصی علوم اعصاب شناختی-رایانش و هوش مصنوعی، موسسه آموزش عالی علوم شناختی، تهران، ایران
غزل نجفی - دانشجوی دکتری بر ق- مخابرات، دانشگاه آزاد اسلامی، واحد یادگار امام (ره) شهرری، تهران، ایران
میلاد حدادنژاد - کارشناس ارشد برق- مخابرات

ردیابی یک هدف دارای قابلیت مانور باعث ایجاد تغییرات ناگهانی در سیستم رهگیری و پیچید گی تخمین بردار حالت هدف می شود. درواقع در اینگونه سناریوهای پیچیده تغییرات در بردارمشاهدات سیستم رهگیری به گونه ای می باشد که به دلیل عدم تطابق کافی با مدل فرض شده،تخمین گر موجود از دقت آماری محدودی برخوردار و در عملکرد سیستم رهگیری اختلال ایجاد می شود. شبکه های عصبی عمیق در اینگونه سناریوهایپیچیده بسیار مطلوب عمل میکنند. زیرا دارای قابلیت نویز پذیر ی در ورودی های خود می باشند که در اینگونه سناریوها ورودی شبکه عصبی بردارمشاهدات است. همچنین تا زمانی که داده های آموزشی کافی ناشی از مانور هدف به شبکه عصبی داده شود نسبت به روش ها ی سنتی مانند فیلترهایکالمن و ذرهای در صورت عدم تطابق با مدل فرض شده دارای حساسیت کمتری می باشد. بدین منظور در مقاله پیشرو شبکه عصبی بازگشتی که با فیلترکالمن آنسنتد آموزش دیده به منظور تخمین بردار حالت یک هدف دارای قابلیت مانور پیشنهاد شده است. نتایج شبیه سازی نشان می دهد که روشپیشنهادی مشکل عدم تطابق کافی با مدل فرض شده را به خوبی حل میکند و تخمین بردار حالت در دو بعد دارای دقت بالایی می باشد.

سیستم رهگیری، شبکه عصبی عمیق، فیلتر کالمن آنسنتد، مانور پذیری هدف