با بکارگیری c4i یک نیروی کوچک نظامی، بسیار موثرتر از نیروهای متعارف و قراردادی عمل خواهد کرد. هنگامی که سیستم های c4i از یکپارچگی لازم برخوردار باشند تبادل اطلاعات بین آنها بخوبی صورت پذیرفته و کمک می کند تا نیروهای نظامی با بهره گیری از برتری در عوامل سرعت، انسجام، وحدت و هماهنگی ، بر دشمن فائق آیند. 1- شاخص های استخراج شده باعث افزایش روند توسعه c4i در سازمان می شوند. 2- با تحلیل شاخص ها می توان متولیانی برای امکان سنجی طرحهای عملیاتی تعیین نمود. 3- فرماندهان در برنامه ریزی راهبردی وضعیت آتی سازمان می توانند از این شاخص ها کمک بگیرند. 4- با انجام این تحقیق می توان معیارهای لازم جهت نظارت دقیق بر عملکرد واحد های نظامی در انجام عملیاتها رابدست آورد. 5- بوسیله شاخص های ارزیابی بدست آمده می توان اقدامات اجرایی مرتبط با رفع چالش های توسعه را برنامه ریزی و مدیریت نمود.

در این پایان نامه، الگوریتمی جدید برای جداسازی کور منابع غیر ایستان و باند وسیع در شبکه های حس گر بی سیم ارایه می کنیم. این منابع، در حوزه زمان-فرکانس دارای انرژی متمرکز هستند. از جمله این منابع می توان به سیگنال های fm اشاره کرد. در کاربردهایی نظیر رادار، سونار و مسایل آکوستیکی زیرآبی، به کرات با چنین سیگنال هایی مواجه می شویم. از آن جایی که تحلیل زمان- فرکانس در پردازش سیگنال، دارای اهمیت بسیار می باشد و از جمله روش های قدرتمند در جداسازی منابع غیر ایستان تحلیل در حوزه زمان-فرکانس است، از تبدیل چیرپلت در این الگوریتم استفاده می شود. چیرپلت ها کلاسی از سیگنال ها هستند که شامل گوسین هایی هستند که در زمان و فرکانس جابهجا شده، مقایس و چیرپ شده اند. در این روش، در هر سنسور، تبدیل چیرپلت را روی سیگنال دریافتی از منابع اعمال می کنیم و در واقع، سیگنال های غیر ایستان و شبه چیرپ را به صورت جمع چند چیرپلت نمایش می دهیم. سپس از پارامترهای چیرپلت و یکی از روش های خوشه بندی برای جداسازی منابع استفاده می کنیم. از آن جایی که فاز سیگنال ها در سنسورهای مختلف، مبین اطلاعات مکانی می باشد، می توان با الگوریتم ارایه شده، زاویه ورود به سنسورها را بدست آورد، بدون این که نیازی به تجزیه svd داشته باشیم. در روش ارایه شده ، با فرض استقلال منابع، منابع با تعداد بیشتر از تعداد بیشتر از تعداد سنسورها را می توانیم از یکدیگر جدا کنیم. به عبارت دیگر، تنها دو سنسور کافی است که هر تعداد دلخواه منابع را از یکدیگر جدا کنید. باید توجه داشت که هر چه تعداد سنسورها بیشتر باشد، جداسازی و تخمین زاویه ورود دقیق تر خواهد بود. در این الگوریتم، با فرض وجود کانال sparse بین منابع و سنسورها، ضرایب کانال fir را نیز با استفاده از تخمین چیرپلت، می توانیم تخمین بزنیم.

در این پایان نامه، الگوریتمی جدید برای رهگیری توام چند هدف در شبکه های حس گر بی سیم ارایه می کنیم. این الگوریتم مبتنی بر تبدیل چیرپلت می باشد. به عبارت دیگر برای تخمین تاخیر و فرکانس داپلر مربوط به هر هدف، در هر حس گر، از تبدیل چیرپلت استفاده می شود. بر روی سیگنال دریافتی در هر یک از حس گرها، تبدیل چیرپلت اعمال شده و به کمک معیار همبستگی تعداد هدف ها و همچنین چیرپلت های متناظر در تمام حس گرها مشخص می گردد. در این الگوریتم از روشی جدید برای حذف کلاتر در محیط هایی که نسبت سیگنال به کلاتر پایینی دارند. استفاده می شود. با توجه به این که تبدیل چیرپلت خاصیت حذف نویز دارد، شرایط به وجود آمده پس از اعمال تبدیل چیرپلت، ما را به سوی استفادهاز روش های تخصیص داده ای سوق می دهد که پیچیدگی محاسباتی کمی دارند.از دیگر مزایای این الگوریتم قابلیت رهگیری در هر نوع توزیع نویز محیط می باشد. در این الگوریتم، پس از استخراج پارامترهای تاخیر و داپلر از سیگنال تجزیه شده به چیرپلت های نظیر در هر یک از حس گرها، با توجه به داده های اندازه گیری (تاخیر و داپلر)، برای رهگیری از فیلتر کالمن استفاده می شود. در ابتدا برای مسیرهایی که در مقیاس متر بوده و خطای خطی سازی در آنها زیاد نمی باشد، از فیلتر کالمن تعمیم یافته استفاده می شود. لازم به ذکر است که با توجه به حساس بودن فیلتر کالمن تعمیم یافته به شرایط اولیه، روش کمترین مربع خطا برای تخمین شرایط اولیه، مورد استفاده قرار می گیرد. برای رهگیری مسیرهایی که در مقیاس کیلومتر می باشند، از فیلتر کالمن unscented استفاده می شود. با توجه به استفاده ترکیبی از فیلتر کالمن تعمیم یافته و فیلتر کالمن unscented این الگوریتم قابلیت رهگیری هدف را تا مقیاس کمتر از یک متر دارا می باشد.

بحث مدلسازی ترافیک شبکه در طول دو دهه اخیر مورد توجه بسیار زیاد مهندسان ترافیک قرار گرفته است. به همین خاطر، همیشه سعی بر این بود که مدلهای ترافیکی علاوه بر صحت و دقت لازم -جهت ارایه نتایج صحیح محاسبات کارآیی- از لحاظ تحلیلی نیز ساده باشند. مدلهای ترافیکی، پس از کشف پدیده خود-همسانی در شبکه ها، دچار تحولات عمده ای شدند و الگوهای خود-همسان به تدریج جایگزین الگوهای مارکوف شدند. در عین حال، محققان به علت محاسبات سنگین ریاضیاتی مدلهای خود-همسان در سیستمهای صف، علاقمند به استفاده از مدلهای مارکوف نیز بودند. اما پرسش این بود که آیا این مدلها با حضور پدیده مذکور قادر به تطبیق یافتن بر ترافیک شبکه هستند؟ برای پاسخ دادن به این سوال بایستی جوانب زیادی را در نظر گرفت که در این پایان نامه آن را بررسی می کنیم. اما به طور ضمنی می توان گفت که جواب مثبت است. یکی از مدلهای غیر خود-همسان که توانایی مدلسازی ترافیک خود-همسان شبکه را دارد و همواره مورد توجه پژوهشگران بوده است، فرآیند mmpp می باشد. به عبارت دیگر، این مدل می تواند ترافیکهای رگباری موجود در شبکه های داده و ویدیو را تولید کند. در این پایان نامه، صحت و دقت انطباق mmpp بر ترافیک صوت، داده و ویدیو را بررسی و کارآیی فرآیند ورود mmpp به شبکه atm را تحت مدل صف mmpp/d/1 ارزیابی می کنیم. همچنین، روشهایی به منظور بهبود عملکرد تطبیق mmpp به منظور واقعی تر نمودن نتایج پیشنهاد شده است و الگوریتمهایی نیز برای کاهش فضای حالت mmpp در کاربردهای عملی مهندسی ترافیک بررسی شده است.

چکیده ندارد.