کاربرد الگوریتم music در تکنیک معکوس زمانی به منظور مکان یابی اهداف

الگوریتم music الگوریتمی مطرح در تصویربرداری مایکروویو برای مکان یابی اهداف (پراکنده گرها) می باشد. این الگوریتم نسبت به بازتاب های چندگانه بین پراکنده گرها مستحکم بوده و تفکیک پذیری خوبی در مکان یابی آن ها ارائه می دهد. الگوریتم music جهت مکانیابی دقیق به تعیین صحیح تعداد پراکنده گرها نیاز دارد. تشخیص تعداد پراکنده گرها، بر مبنای تعیین تعداد مقادیر ویژه فضای سیگنال انجام می پذیرد، که این کار در صورت عدم وجود نویز به راحتی با نگاه کردن به مقادیر ویژه ماتریس داده ها و جداسازی آن ها امکان پذیر است. وجود نویز و بازتاب های چندگانه بین پراکنده گرها باعث می شود تا مقادیر ویژه فضای نویز و فضای سیگنال به هم نزدیک شده و تشخیص تعداد پراکنده گرها را با مشکل مواجه نماید. تحت این شرایط بکارگیری روش های تخمین می تواند موثر واقع شود. لذا در این پایان نامه، با توجه به عملکرد خوب تخمین گر mdl در تخمین تعداد منابع جهت تعیین راستای ورود سیگنال، روش های مبتنی بر آن برای حل مشکل مذکور،مورد بررسی و مطالعه قرار گرفته است. در این پایان نامه به بررسی سه تخمین گر mdl, wong mdl, rmdl جهت تخمین تعداد پراکنده گرها در داده های تصویربرداری مایکروویو می پردازیم. شبیه سازی های انجام شده عملکرد مطلوب mdl را برای داده های شبیه سازی شده تصویربرداری مایکروویو در حالت حضور نویز سفید گوسی نشان می دهد. جهت بهبود عملکرد mdl در snrهای پایین، در حضور نویز سفید گوسی، از روش wong mdl استفاده نمودیم و با انجام شبیه سازی های مربوطه، در این حالت بهبود در تخمین تعداد پراکنده گرها نسبت به mdl برای snrهای پایین مشاهده کردیم. از طرفی از آنجا که عملکرد mdl و wong mdl در حضور نویز غیر سفید با مشکل مواجه می شود، تخمین گر rmdl که یک تخمین گر مستحکم در برابر غیر سفید بودن نویز است، برای حل این مشکل استفاده می شود. براساس شبیه سازی های انجام شده نشان می دهیم که برای نویز غیر سفید rmdl عملکرد مطلوبی در تخمین تعداد پراکنده گرها نسبت به mdl و wong mdl دارد و همچنین مشکل این دو تخمین گر را در snrهای بالا برای تعداد مشاهدات کم برطرف می کند. عملکرد سه تخمین گر فوق برای داده های شبیه سازی شده بررسی شد و شبیه سازی های انجام شده نشان دهنده عملکرد مطلوب آنها برروی داده های شبیه سازی شده می باشد. ولی مشاهده شد که با توجه به شرایط موجود در داده های واقعی از جمله غیرسفید بودن نویز و کم بودن تعداد مشاهدات، این روش ها برروی داده های واقعی عملکرد مطلوبی ندارند. به منظور تخمین تعداد پراکنده گرها در داده های واقعی، روش mdl تصحیح شده را بیان نمودیم که در آن ضریب قسمت جریمه mdl را با استفاده از شبیه سازی بدست آوردیم. شبیه سازی های انجام شده تأیید کننده عملکرد مطلوب این روش در تخمین تعداد پراکنده گرها در داده های واقعی می باشد.