| dc.description.abstract | På havbotnen rundt om i verda finns det eit nettverk av fiberoptiske kablar. Ved å kombinera desse kablane med ein teknologi kalla distribuert akustisk måling, kan det kanskje vera mogleg å bruka data frå kablane til å spora skip. Å spora eit skip vil seia å estimera tilstanden til skipet ved fleire tidssteg, der tilstanden til eit skip i dette tilfellet er posisjonen og farten til skipet. Målet med dette prosjektet er å spora eit skip basert på simulert og reell data frå fiberoptiske kablar.
Medan skipet flyttar seg på havoverflata lagar det vibrasjonar som vert måla med distribuert akustisk måling. Vibrasjonane kan bli representert av direktebølgjer, som igjen er representert av gangtidskurver og energikurver. Slike kurver har blitt henta ut frå det reelle datasettet, men frå analyse av desse kurvene viste det seg at dei ikkje oppfører seg slik ein kunne forventa. Simulert data er laga av kurver for gangtid og energi som er gitt av likningane for direktebølgjer, i tillegg til normalfordelt støy.
Gangtidskurvene og energikurvene har blitt brukt som input til to statistiske metodar kalla sekvensiell viktigheitsomsampling og ensemble Kalman partikkelfilter. Begge desse metodane er partikkelfilter som for kvart tidssteg brukar partiklar, som er eit utval av moglege skipstilstandar, til å estimera fordelinga av skipstilstanden gitt målt data frå det aktuelle tidssteget og tidlegare tidssteg. For å samanlikna resultata frå dei to metodane har tre ulike evalueringsmål blitt nytta. Desse måla er rota av den gjennomsnittlege kvadratiske feilen, minimal effektiv utvalsstorleik og gjennomsnittleg kontinuerleg rangert sannsynspoengsum.
For simulert data har metodane blitt brukt til å spora eit skip i fire ulike simuleringssituasjonar, og i alle situasjonane var resultata best for ensemble Kalman partikkelfilteret. Resultata for denne metoden er gode; for dei fleste tidsstega er både posisjonen og farten til skipet estimert på ein god måte med lite feil og lite varians. I tillegg er den effektive utvalsstorleiken rimeleg. I alle situasjonane har den sekvensielle viktigheitsomsamplingsmetoden problem med forfall grunna låg effektiv utvalsstorleik.
For det reelle datasettet er ikkje resultata like gode som for simulert data. På grunn av dei gode resultata for ensemble Kalman partikkelfilteret for simulert data, er det antatt at grunnen til at resultata ikkje er like gode for reelle data som for simulert data at kvaliteten av det reelle datasettet og kvaliteten av kurveuthentingsmetodane ikkje er bra nok.
Frå vidare analyse av prestasjonen til metodane er det kome fram til at ensemble Kalman partikkelfilteret er ein meir robust metode enn den sekvensielle viktigheitsomsamplingsmetoden. Resultata frå ensemble Kalman partikkelfilteret vert til ei viss grad ikkje påverka på ein negativ måte dersom valet av parametrar ikkje er optimalt, eller om metoden brukar få partiklar til å estimera fordelinga av tilstanden til skipet.
Basert på dei gode resultata for simulert data kan det konkluderast med at det ein gong i framtida kanskje kan vera mogleg å bruka ensemble Kalman partikkelfilteret saman med data frå fiberoptiske kablar til å spora skip. For at dette skal kunna skje, må kvaliteten av det reelle datasettet og kvaliteten av dataprosesseringa forbetrast. Det er også ein fordel om metoden vert utvikla slik at det er mogleg å spora fleire skip på same tid. | |
| dc.description.abstract | On the ocean floor around the world there is a network of fiber optic cables, and combined with a technology called distributed acoustic sensing, it may be possible to utilize data from these cables for ship tracking. Tracking a ship means to estimate the state of the ship at several time steps, where the state of the ship at a time step is given by the position and the velocity of the ship at that time step. The goal of this project is to track a ship based on simulated and real fiber optic cable data.
As the ship travels on the surface of the ocean, it creates vibrations that are measured using distributed acoustic sensing and fiber optic cables. These vibrations can be represented using direct waves, and curves of travel time and energy of a direct wave have been extracted from the real fiber optic cable data. However, it turned out that these extracted curves do not behave as expected. The simulated data consists of travel time and energy curves that are given by the equations of a direct wave, in addition to normally distributed noise.
The curves of travel time and energy have been used as input for two statistical methods, sequential importance resampling and the ensemble Kalman particle filter. Both of these methods are particle filters that at each time step use particles, which are samples of possible states of the ship, to estimate the distribution of the state of the ship given the measured data from the current and the previous time steps. Three evaluation metrics are used to compare the methods. These metrics are root mean square error, minimal effective sample size and mean continuous ranked probability score.
For the simulated data the methods are used to track a ship for four different simulation cases, and for all cases the ensemble Kalman particle filter has the best performance. The results for the ensemble Kalman particle filter for the simulation cases are good; at most time steps both the position and the velocity of the ship is well estimated with low bias and low variance, and the effective sample size is reasonable. For all cases, the sequential importance resampling method struggles with degeneracy.
For the real data the results are not as good as the results for the simulated data. Because of the good performance of the ensemble Kalman particle filter for the simulated data, it is assumed that the reason for the inferior results for the real data is the quality of the data, along with the extraction procedures that are used to extract the travel time and energy curves from the data.
From further analysis of the performance of the methods, it is clear that the ensemble Kalman particle filter is more robust than the sequential importance resampling method. To a certain degree, the performance of the ensemble Kalman particle filter is not significantly affected by choosing parameters that are not optimal, and the results from the ensemble Kalman particle filter are not negatively affected by using only a small amount of particles for the estimation procedures.
Based on the good results for the simulated data, it might be possible to use the ensemble Kalman particle filter for ship tracking based on fiber optic cable data at some point in the future. However, the quality and the processing of the data must be improved. In addition, the method needs to be developed such that it is possible to track several ships at the same time. | |
