Mobility tracking algorithms for cellular networks based on kalman filtering

Abstract

Bu tez çalısmasında özellikle hücresel ağlar için geçerli olan dinamik hareket takip sistemleri teorik ve pratik olarak derinlemesine incelenmiştir. Orjinal olarak taktiksel silah sistemlerinde hedefleri takip etmek için öne sürülen hareket durum modeli tartışılmaktadır. Bu modelde ivme(manevra), yarı Markov emir süreci ve zaman iniltili rastgele Gauss süreci ile modellenerek geniş bir hareket yelpazesi göz önünde tutulmaktadır. Doğrusal ve doğrusal olmayan gözlem modelleri sunulmaktadır. Doğrusal olmayan model için, hücresel haberleşme ağlarında kullanılan alınan sinyal şiddeti göstergesi modeli kullanılmaktadır. Bu modellere bağlı olarak takip algoritmaları sunulmakta ve Matlab'da simule edilmektedir. Algoritmalar, kullandıkları gözlem modelinin tipine ve yarı Markov manevra birimine bakış açılarına göre farklılık göstermekte ve uygun Kalman filtre türleri kullanmaktadır: geleneksel Kalman filtre, genişletilmiş Kalman filtre, sezisiz Kalman filtre veya uyarlanabilir Kalman filtre. Doğrusal ve doğrusal olmayan gözlem komut model algoritmaları ile doğrusal olmayan gözlem komut gürültü algoritmasının sezisiz Kalman filtre versiyonu bu tezde ortaya atılmıştır. Matlab simulasyonları ve simulasyonların karekök ortalama kare hata istatistikleri(ortalama değer ve standart sapma), emir sürecini ilave durum gürültüsü olarak değerlendirmenin emir sürecini çoklu model uyarlanabilir filtrenin model değişkeni olarak değerlendirmeye göre daha doğru ve verimli olduğunu göstermektedir. Doğrusal olmayan gözlem modelinin kullanıldığı durumlarda genişletilmiş ve sezisiz Kalman filtreler tahmini durum ve kovaryansların hesaplanmasında kullanılmaktadır. Sonuçlar göstermektedir ki alınan sinyal şiddeti göstergesi modelinin doğrusal olmayan yapısı, durum olasılığının Gauss olarak yakınsanmasında ve genişletilmiş ve sezisiz Kalman filtrelerin tahmini değerleri kestirmesinde ciddi sorunlar oluşturmaktadır(sezisiz Kalman filtre daha iyi sonuç vermektedir.). Hatta uyarlanabilir filtrenin olasılık fonksiyonunu Gauss olmaktan o derece uzaklaştırmaktadır ki filtre erkenden sonlanmak zorunda kalmaktadır.

This thesis is an in depth theoretical and practical survey of dynamic mobility tracking systems specifically for cellular networks. A user mobility state model that is originally proposed for tracking targets in tactical weapons systems is discussed. This mobility model captures a large range of mobility by modeling acceleration(manuever) as driven by a discrete semi-Markovian command process and a Gaussian time-correlated random process. Linear and nonlinear observation models are presented. For nonlinear model, received signal strength indicator model of a cellular communication network is considered. Based on these models, tracking algorithms are presented and simulated in Matlab. Algorithms differ in the type of observation model they use(linear or nonlinear) and in the way they treat semi-Markovian manuever component and they employ variants of the Kalman filter namely: traditional Kalman filter, extended Kalman filter, uscented Kalman filter or adaptive Kalman filter. Linear observation command mode algorithm, nonlinear observation command mode algorithm and unscented Kalman filter based version of nonlinear observation command noise algorithm are introduced in this thesis. Matlab simulations and root mean square error statistics of simulations represented by sample mean and standard deviation of a number of root mean square error values show that treating command process as an additional state noise is a more accurate approach than treating it as a model variable within a mutliple model adaptive estimator. Extended and unscented Kalman filters are used to calculate predicted states and covariances when nonlinear observation model is used. Simulations and root mean square error statistics of simulations show that nonlinear structure of received signal strength indicator model causes large Gaussian approximation errors for posterior state probability and state and covariance prediction errors in extended and unscented Kalman filters, but smaller in uscented Kalman filter. Moreover, nonlinearity pronounces non-Gausianity of likelihood function used in the adaptive estimator as much as to terminate the estimator prematurely.