@article { author = {R. Danaee, M.}, title = {An MCMC-baesd Particle Filter for Multitarget Tracking within Raw Measurements}, journal = {Journal of Advanced Defense Science & Technology}, volume = {7}, number = {1}, pages = {81-94}, year = {2016}, publisher = {Imam Hussein University}, issn = {2676-2935}, eissn = {2980-8022}, doi = {}, abstract = {This paper examines multitarget tracking within raw measurements which has always been considered to be a hassle. This was achieved by separating the state space model of each target into linear and nonlinear subspaces. Then, the Rao–Blackwellization principle was utilized to derive the optimum importance density for special kind of sensor which generates both split and merged measurements within a pixelized observation area. To relieve the complexity associated with the achieved optimum importance, the Gibbs sampler, the well-known sampler from MCMC family, is used to sample from the optimal importance density. The synthetic multitarget tracking scenario using raw data will then be used to show that our new Gibbs sampling method could reach a compromise between accuracy of tracking and computational expense. The proposed idea is motivating to be used in applications where sampling from the optimum proposal density is practically impossible. }, keywords = {Multitarget tracking,Gibbs Sampler,Rao–Blackwellization,Optimal Importance Density,Particle Filter}, title_fa = {فیلترذره مبتنی برMCMC به منظور ردگیری چندهدفه در میان مشاهدات خام و آشکارنشده}, abstract_fa = {در این مقاله به مسئله پرچالش ردگیری چندهدفه در میان داده­های آشکارنشده پرداخته می­شود. برای انجام این کار، ابتدا با تقسیم فضای حالت به دو زیر فضای خطی و غیرخطی و با به­کارگیری اصل Rao–Blackwellization، چگالی اهمیتی بهینه را برای نوع خاصی از مدل سنسور، که مشاهدات منشعب و در هم ادغام­شده را برای ناحیه مشاهده مشبک­شده تولید می­نماید، به­دست آمد. در ادامه، برای کاهش پیچیدگی محاسباتی نمونه برداری از چگالی اهمیتی بهینه، از معروف­ترین نمونه­بردار خانواده MCMC یعنی نمونه­بردار Gibbs برای نمونه­برداری از چگالی اهمیتی بهینه استفاده شد و سپس با مقایسه عملکرد این دو در یک محیط ردگیری چندهدفه و در میان مشاهدات خام و آشکارنشده، نشان داده شد که نمونه­بردار Gibbs به مبادله­ای بین کاهش حجم محاسبات و میزان دقت در ردگیری دست می­یابد. ایده مطرح­شده را می­توان به­عنوان جایگزین برای مواقعی که نمونه­برداری از چگالی اهمیتی بهینه عملا غیرممکن است، استفاده نمود.}, keywords_fa = {ردگیری چندهدفه,نمونه بردار Gibbs,اصل Rao–Blackwellization,چگالی اهمیتی بهینه,فیلتر ذره ای}, url = {https://adst.ihu.ac.ir/article_204177.html}, eprint = {https://adst.ihu.ac.ir/article_204177_f766a1838f1b97ce4ad72fd4b485c53a.pdf} }