In maritime surveillance, multi-sensor data differ to a great extent in their temporal resolution. Additionally, due to multi-level security and information management processing, many contact reports arrive hours after observations. This makes the contact report data usually available for batch processing. The dissimilar multi-source information environment results in contact reports with heteroscedastic and correlated errors (i.e. measurement errors characterized by normal probability distributions with non-constant and non-diagonal covariance matrices), while the obtained measurement errors may be relatively large. Hence, the appropriate choice of a trajectory estimation algorithm, which addresses the aforementioned issues of the surveillance data, will significantly contribute to increased awareness in the maritime domain. This thesis presents two novel batch single ship trajectory estimation algorithms employing Bayesian approaches to estimation: (1) a stochastic linear filtering algorithm and (2) a curve fitting algorithm which employs Bayesian statistical inference for nonparametric regression. The stochastic linear filtering algorithm employs a combination of two stochastic processes, namely the Integrated Ornstein-Uhlenbeck process (IOU) and the random walk (RW), process to describe the ship's motion. The assumptions on linear modeling and bivariate Gaussian distribution of measurement errors allow for the use of Kalman filtering and Rauch-Tung-Striebel optimal smoothing. In the curve fitting algorithm, the trajectory is considered to be in the form of a cubic spline with an unknown number of knots in two-dimensional Euclidean plane of longitude and latitude. The function estimate is determined from the data which are assumed Gaussian distributed. A fully Bayesian approach is adopted by defining the prior distributions on all unknown parameters: the spline coefficients, the number and the locations of knots. The calculation of the p / En surveillance maritime, les données multi-senseurs diffrent, dans une large mesure, en terme de leur résolution temporelle. De plus, en raison de la gestion du traitement d'information de sécurité multi-niveau, plusieurs rapports de contact sont reçus des heures après leur observation. Ceci rend les données des rapports de contact disponible pour traitement en lot. L'information multi-source provenant d'environnements dissimilaires, les rapports de contact ont des erreurs hétéroscédastiques et corrélées (i.e., des erreurs de mesure caractérisées par une distribution de probabilité normale et une matrice de covariance non constante et non diagonale), ainsi qu'une erreur de mesure pouvant être relativement large. En conséquence, le choix approprié d'un algorithme d'estimation de trajectoire adressant les problèmes susmentionnés de données de surveillance contribuera significativement à accroître la perception de situation dans le domaine maritime. Cette thèse présente deux nouveaux algorithmes pour l'estimation en lot de trajectoire de navire simple et employant une approche d'estimation bayésienne: (1) un algorithme de filtration linéaire stochastique, et (2) un algorithme de lissage de courbe réalisant une régression non-paramétrique par inférence statistique bayésienne. L'algorithme de filtration linéaire stochastique emploi la combinaison de deux processus stochastiques, c'est-à-dire le processus d'Ornstein-Uhlenbeck intégré (IOU) et le processus de marche aléatoire (RW), pour décrire le mouvement du navire. Les suppositions de modèle linéaire et de distribution gaussienne bivariée des erreurs de mesure permettent l'utilisation du filtre de Kalman et du lissage optimal de Rauch-Tung-Striebel. Dans l'algorithme de lissage de courbe, la trajectoire est considérée représentée par un spline cubique avec un nombre de noeuds inconnu dans le plan euclidien à deux dimensions, en longitude et latitude. L'estimation de f
| Identifer | oai:union.ndltd.org:LACETR/oai:collectionscanada.gc.ca:QMM.94978 |
| Date | January 2010 |
| Creators | Hadzagic, Melita |
| Contributors | Hannah Michalska (Internal/Supervisor) |
| Publisher | McGill University |
| Source Sets | Library and Archives Canada ETDs Repository / Centre d'archives des thèses électroniques de Bibliothèque et Archives Canada |
| Language | English |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation |
| Format | application/pdf |
| Coverage | Doctor of Philosophy (Department of Electrical and Computer Engineering) |
| Rights | All items in eScholarship@McGill are protected by copyright with all rights reserved unless otherwise indicated. |
| Relation | Electronically-submitted theses. |
Page generated in 0.0024 seconds