nach oben

Erschienen in:

2019 | OriginalPaper | Buchkapitel

Monte Carlo Analysis of Local Cross–Correlation ST–TBD Algorithm

verfasst von : Przemyslaw Mazurek, Robert Krupinski

Erschienen in: Computational Science – ICCS 2019

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

The Track–Before–Detect (TBD) algorithms allow the estimation of the state of an object, even if the signal is hidden in the background noise. The application of local cross–correlation for the modified Information Update formula improves this estimation for extended objects (tens of cells in the measurement space) compared to the direct application of the Spatio–Temporal TBD (ST–TBD) algorithm. The Monte Carlo test was applied to evaluate algorithms by using a variable standard deviation of the additive Gaussian noise. The proposed solution does not require prior knowledge of the size or measured values of the object. Mean Absolute Error for the proposed algorithm is much lower, close to zero to about 0.8 standard deviation, which is not achieved for the ST–TBD.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel High Performance Partial Coherent X-Ray Ptychography

Nächstes Kapitel Optimization of Demodulation for Air–Gap Data Transmission Based on Backlight Modulation of Screen

Abualigah, L.: Feature Selection and Enhanced Krill Herd Algorithm for Text Document Clustering. Studies in Computational Intelligence. Springer, Cham (2018). https://doi.org/10.1007/978-3-030-10674-4CrossRef

Abualigah, L., Khader, A.T., Said Hanandeh, E.: A combination of objective functions and hybrid krill herd algorithm for text document clustering analysis. Eng. Appl. Artif. Intell. 73, 111–125 (2018)CrossRef

Abualigah, L., Khader, A.T., Said Hanandeh, E.: Hybrid clustering analysis using improved krill herd algorithm. Appl. Intell. 48(11), 4047–4071 (2018)CrossRef

Abualigah, L.M., Khader, A.T.: Unsupervised text feature selection technique based on hybrid particle swarm optimization algorithm with genetic operators for the text clustering. J. Supercomput. 73(11), 4773–4795 (2017)CrossRef

Blackman, S.: Multiple-Target Tracking with Radar Applications. Artech House, Dedham (1986)

Blackman, S., Popoli, R.: Design and Analysis of Modern Tracking Systems. Artech House, Dedham (1999)MATH

Boers, Y., Ehlers, F., Koch, W., Luginbuhl, T., Stone, L.D., Streit, R.L.: Track before detect algorithms. J. Adv. Signal Process. 2008, 2 (2008). https://doi.org/10.1155/2008/413932. Article ID 413932, Hindawi Publishing Corporation EURASIPCrossRefMATH

Chapman, B., Jost, G., Pas, R.V.D.: Using OpenMP: Portable Shared Memory Parallel Programming (Scientific and Engineering Computation). The MIT Press, Cambridge (2007)

Clerc, M.: From theory to practice in particle swarm optimization. In: Panigrahi, B.K., Shi, Y., Lim, H.M. (eds.) Handbook of Swarm Intelligence. Adaptation, Learning, and Optimization, pp. 3–36. Springer, Heidelberg (2011). https://doi.org/10.1007/978-3-642-17390-5_1CrossRefMATH

10.

Dragovic, M.: Velocity Filtering for Target Detection and Track Initiation, vol. DSTO-TR-1406. Weapons Systems Division, Systems Sciences Laboratory (2003)

11.

Farber, R.: CUDA Application Design and Development. Morgan Kaufmann, San Francisco (2011)

12.

Karniadakis, G., Kirby, R.: Parallel Scientific Computing in C++ and MPI. Cambridge University Press, New York (2003)CrossRef

13.

Kaufman, L., Rousseeuw, P.: Finding Groups in Data: An Introduction to Cluster Analysis. Wiley, Hoboken (1990)CrossRef

14.

Kennedy, J., Eberhart, R.: Particle swarm optimization. In: Proceedings of ICNN 1995 - International Conference on Neural Networks, vol. 4, pp. 1942–1948, November 1995

15.

King, R.S.: Cluster Analysis and Data Mining: An Introduction. Mercury Learning & Information, Dulles (2014)

16.

Mazurek, P.: Comparison of different measurement spaces for spatio–temporal recurrent track–before–detect algorithm. In: Choraś, R.S. (ed.) Image Processing and Communications Challenges 3. AISC, vol. 102, pp. 157–164. Springer, Heidelberg (2011). https://doi.org/10.1007/978-3-642-23154-4_18CrossRef

17.

Mazurek, P.: Parallel distributed downsampled spatio-temporal track-before-detect algorithm. In: 2014 19th International Conference on Methods and Models in Automation and Robotics (MMAR), pp. 119–124, September 2014

18.

Mazurek, P.: Preprocessing using maximal autocovariance for spatio-temporal track-before-detect algorithm. In: Choras, R.S. (ed.) Image Processing and Communications Challenges 5. AISC, vol. 233, pp. 45–54. Springer, Heidelberg (2014). https://doi.org/10.1007/978-3-319-01622-1_6CrossRef

19.

Mazurek, P.: Noise objects tracking using multiple order statistics and spatio-temporal track-before-detect algorithm. In: Choraś, R. (ed.) IP&C 2016. AISC, vol. 525, pp. 112–119. Springer, Cham (2017). https://doi.org/10.1007/978-3-319-47274-4_13CrossRef

20.

Metropolis, N.: The Beginning of the Monte Carlo Method. Los Alamos Science (1987). http://library.lanl.gov/la-pubs/00326866.pdf

21.

Sanders, J., Kandrot, E.: CUDA by Example: An Introduction to General-Purpose GPU Programming. Addison-Wesley, Upper Saddle River (2010)

22.

Scott, T.A., Nilanjan, R.: Biomedical Image Analysis: Tracking. Morgan & Claypool, San Rafael (2005)

23.

Spall, J.C.: Introduction to Stochastic Search and Optimization: Estimation, Simulation, and Control. Willey, Hoboken (2003)CrossRef

24.

Stone, L., Barlow, C., Corwin, T.: Bayesian Multiple Target Tracking. Artech House, Norwood (1999)MATH

25.

Torstensson, J., Trieb, M.: Particle Filtering for Track Before Detect Applications. Master’s thesis, Division of Automatic Control, Department of Electrical Engineering, Linköping University (2005)

26.

Zhang, T., Li, M., Zuo, Z., Yang, W., Sun, X.: Moving dim point target detection with three-dimensional wide-to-exact search directional filtering. Pattern Recogn. Lett. 28, 246–253 (2007)CrossRef

Titel: Monte Carlo Analysis of Local Cross–Correlation ST–TBD Algorithm
verfasst von: Przemyslaw Mazurek
Robert Krupinski
Verlag: Springer International Publishing
Buch: Computational Science – ICCS 2019
Print ISBN: 978-3-030-22733-3

Electronic ISBN: 978-3-030-22734-0

Copyright-Jahr: 2019
DOI: https://doi.org/10.1007/978-3-030-22734-0_5

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

Premium Partner