Simulações em duas dimensões de radar UWB - LEMag
Transcrição
Simulações em duas dimensões de radar UWB - LEMag
UFPA Simulações em duas dimensões de radar UWB aplicado à proteção residencial utilizando o método FDTD e Otimização por Enxame de Partículas Kellen Diane de Carvalho Gomes Segundo semestre de 2005 CENTRO TECNOLÓGICO UNIVERSIDADE FEDERAL DO PARÁ CAMPUS UNIVERSITÁRIO DO GUAMÁ BELÉM-PARÁ UNIVERSIDADE FEDERAL DO PARÁ CENTRO TECNOLÓGICO CURSO DE ENGENHARIA ELÉTRICA Kellen Diane de Carvalho Gomes Simulações em duas dimensões de radar UWB aplicado à proteção residencial utilizando o método FDTD e Otimização por Enxame de Partículas TRABALHO CURSO SUBMETIDO DE OBTENÇÃO AO ENGENHARIA DO GRAU COLEGIADO ELÉTRICA DE PARA ENGENHEIRO ELETRICISTA - OPÇÃO TELECOMUNICAÇÕES. Belém 2006 DO Simulações em duas dimensões de radar UWB aplicado à proteção residencial utilizando o método FDTD e Otimização por Enxame de Partículas Este trabalho foi julgado em 24/05/2006, adequado para a obtenção do grau de Engenheira Eletricista – Opção Telecomunicações, aprovado na sua forma final pela banca examinadora que atribuiu o conceito ___. ______________________________________________________________ Msc. Rodrigo Melo e Silva de Oliveira (ORIENTADOR) ______________________________________________________________ Prof. Dr. Rubem Gonçalves Farias (CO ORIENTADOR) ______________________________________________________________ Prof. Dr. Carlos Leonidas da S. S. Sobrinho (MEMBRO – UFPA) ________________________________________________ Prof. Dr. Orlando Fonseca (COORDENADOR DO CURSO DE ENGENHARIA ELÉTRICA) AGRADECIMENTOS Agradeço primeiramente a Deus por tudo o que eu tenho, por mais uma oportunidade de aprendizado e pela força que Ele me deu para superar os obstáculos ao longo da minha vida. Agradeço imensamente ao meu orientador, o mestre Rodrigo Melo e Silva de Oliveira, pela sua orientação, amizade e paciência. Ao Laboratório de Análise Numérica em Eletromagnetismo (LANE) que serviu de estrutura para que eu fizesse o meu trabalho. Ao pessoal do LANE que contribuiu no meu TCC e ao amigo Francisco Müller do LAPS que me ajudou muito em algumas horas difíceis. Ao Prof. Dr. Rubem Farias, meu co-orientador, e ao Prof. Dr. Carlos Leonidas Sobrinho por todas as informações e pela força que me deram na elaboração deste trabalho. A todos os meus amigos, dentro e fora da universidade. E, mais importante, aos meus pais, Edileusa Gomes e Messias Gomes que sempre acreditaram em mim e me apoiaram nas minhas decisões. À minha querida irmã Diana Gomes e ao grande amigo Arysson Oliveira pela amizade e motivação que me deram, pois talvez sem a ajuda deles, eu não teria conseguido terminar o meu trabalho. "Conhecimento real é saber a extensão da própria ignorância." Confúcio LISTA DE SÍMBOLOS t Tempo (em segundos) ∆t Incremento temporal ou período de amostragem (em segundos) ∆x, ∆y e ∆z Incremento ao longo dos eixos cartesianos x, y, z, respectivamente (em metros) i Índice indicador da posição da célula segundo o eixo cartesiano x j Índice indicador da posição da célula segundo o eixo cartesiano y k Índice indicador da posição da célula segundo o eixo cartesiano z n Índice das iterações no tempo ε Permissividade elétrica (farads/m) ε0 Permissividade elétrica do vácuo (8,854.10-12 farads/m) εr Permissividade elétrica relativa do material (ε/ε0) µ Permeabilidade magnética (H/m) µ0 Permeabilidade magnética do vácuo (4π.10-7 H/m) E Vetor intensidade de campo elétrico (V/m) H Vetor intensidade de campo magnético (A/m) E n1 Componente α do campo elétrico no instante atual E n Componente α do campo elétrico no instante passado H n1 Componente α do campo magnético no instante atual H n−1 Componente α do campo magnético no instante passado B Vetor densidade de fluxo magnético (T) D Vetor densidade de fluxo elétrico (C/m2) J Vetor densidade de corrente elétrica (A/m2) σ Condutividade elétrica (S/m) λ Comprimento de onda (metros) f freqüência (Hz) ∂ A ∂x derivada parcial de X i vetor posição da partícula i V i vetor de velocidade para a partícula i bi vetor posição melhor avaliado para a partícula i bG vetor posição melhor avaliado para o enxame Vmax vetor limite de velocidade estabelecido para o algoritmo A em relação a x Wm matriz diagonal com os pesos de memória Wc matriz diagonal com os pesos de cooperação Rnd() função que retorna um valor aleatório entre zero e um, com probabilidade uniforme Tx Posição do transmissor (xT , yT) Rxn Posição do receptor n (xRn, yRn) an Semi – eixo maior da elipse n bn Semi – eixo menor da elipse n Cn Centro da elipse n (xCn, yCn) αn Ângulo entre o eixo x e o eixo maior da elipse n dTPRn Distância entre o transmissor e o alvo somada à distância entre o alvo e o receptor n Fn(x,y) Função que descreve a elipse n SUMÁRIO 1 INTRODUÇÃO 2 1.1 CONSIDERAÇÕES INICIAIS 2 1.2 OBJETIVOS DO TRABALHO 5 1.3 COMPOSIÇÃO DO TRABALHO 5 1.4 REFERÊNCIAS 6 2 FUNDAMENTOS TEÓRICOS 7 2.1 O MÉTODO DAS DIFERENÇAS FINITAS NO DOMÍNIO DO TEMPO (FDTD) 7 2.1.1 Formulação matemática do FDTD 8 2.1.2 Equações de Maxwell em duas dimensões 13 2.1.3 Critério de estabilidade e precisão 14 2.1.4 Truncamento da malha por UPML 15 2.2 RADAR MULTI-ESTÁTICO COM TECNOLOGIA UWB 2.2.1 Introdução 2.2.2 Teoria de radar 2.2.3 Tecnologia UWB 2.2.4 Descrição do radar multi-estático 2.3 ENXAMES DE PARTÍCULAS (Particle Swarm Optimization – PSO) 2.3.1 Introdução 2.3.2 Desenvolvimento do algoritmo PSO 2.3.3 2.4 REFERÊNCIAS 3 METODOLOGIA E RESULTADOS 3.1 O AMBIENTE ANALISADO 3.2 DISCRETIZAÇÃO 3.3 PULSO DE EXCITAÇÃO 3.4 SIMULAÇÕES 3.4.1 Casos simulados 2.4 REFERÊNCIAS 4 CONCLUSÃO LISTA DE FIGURAS Figura 1 Transceptor baseado no kit de avaliação PulsON 200. Pag.4 Figura 2 Célula de Yee Pag.12 Figura 3 Esquema de um radar multi-estático Pag.21 Figura 4 Parâmetros da elipse Pag.23 Figura 5 Estimativa do alvo: meta do localizador baseado em PSO. Pag. Figura 6 Combinações para um radar com sete receptores Pag.29 Figura 7 Fluxograma do algoritmo PSO Pag.30 Figura 8 Layout da residência utilizada para simular o radar Pag.35 Figura 9 a) o pulso monociclo; b) espectro do pulso monociclo Pag.38 Figura 10 itx=55, jtx=700; irx2=245, jrx2=700; irx3=24, jrx3=560; iobj=286, jobj=340. Figura 11 itx=55, jtx=24; irx2=245, jrx2=24; irx3=24, jrx3=166; iobj=286, jobj=340. Figura 12 itx=140, jtx=30; irx2=500, jrx2=140; irx3=500, jrx3=580; irx4=20, jrx4=200; irx5=20, jrx5=560; irx6=220, jrx6=30; irx7=180, jrx7=700. Figura 13 itx=55, jtx=24; irx2=245, jrx2=24; irx3=24, jrx3=166; irx4=400, jrx4=140; irx5=493, jrx5=134; irx6=700, jrx6=364; irx7=24, jrx7=400. Figura 14 itx=700, jtx=364; irx2=450, jrx2=134; irx3=493, jrx3=572; irx4=245, jrx4=700; irx5=245, jrx5=24; irx6=700, jrx6=134; irx7=55, jrx7=700. Figura 15 itx=700, jtx=364; irx2=500, jrx2=134; irx3=600, jrx3=572; irx4=500, jrx4=572; irx5=730, jrx5=200; irx6=600, jrx6=134; irx7=400, jrx7=134. Figura 16 itx=140, jtx=30; irx2=500, jrx2=140; irx3=500, jrx3=580; irx4=20, jrx4=200; irx5=20, jrx5=560; irx6=220, jrx6=30; irx7=180, jrx7=700. Figura 17 itx=55, jtx=24; irx2=245, jrx2=24; irx3=24, jrx3=166; irx4=400, jrx4=140; irx5=493, jrx5=134; irx6=700, jrx6=364; irx7=24, jrx7=400. Figura 18 itx=700, jtx=364; irx2=450, jrx2=134; irx3=493, jrx3=572; irx4=245, jrx4=700; irx5=245, jrx5=24; irx6=700, jrx6=134; irx7=55, jrx7=700. Figura 19 itx=700, jtx=364; irx2=500, jrx2=134; irx3=600, jrx3=572; irx4=500, jrx4=572; irx5=730, jrx5=200; irx6=600, jrx6=134; irx7=400, jrx7=134. Figura 20 itx=140, jtx=30; irx2=500, jrx2=140; irx3=500, jrx3=580; irx4=20, jrx4=200; irx5=20, jrx5=560; irx6=220, jrx6=30; irx7=180, jrx7=700. Figura 21 itx=55, jtx=24; irx2=245, jrx2=24; irx3=24, jrx3=166; irx4=400, jrx4=140; irx5=493, jrx5=134; irx6=700, jrx6=364; irx7=24, jrx7=400. Figura 22 itx=700, jtx=364; irx2=450, jrx2=134; irx3=493, jrx3=572; irx4=245, jrx4=700; irx5=245, jrx5=24; irx6=700, jrx6=134; irx7=55, jrx7=700. Figura 23 itx=700, jtx=364; irx2=500, jrx2=134; irx3=600, jrx3=572; irx4=500, jrx4=572; irx5=730, jrx5=200; irx6=600, jrx6=134; irx7=400, jrx7=134. Figura 24 itx=700, jtx=364; irx2=450, jrx2=134; irx3=493, jrx3=572; irx4=245, jrx4=700; irx5=245, jrx5=24; irx6=700, jrx6=134; irx7=55, jrx7=700. Figura 25 itx=700; jtx=364; irx2=500, jrx2=134; irx3=600, jrx3=572; irx4=500, jrx4=572; irx5=730, jrx5=200; irx6=600, jrx6=134; irx7=400, jrx7=134. Figura 26 itx=700, jtx=364; irx2=55, jrx2=700; irx3=245, jrx3=700; irx4=24, jrx4=560; irx5=24, jrx5=350; irx6=24, jrx6=200; irx7=150, jrx7=24. Figura 27 itx=770, jtx=364; irx2=55, jrx2=700; irx3=245, jrx3=700; irx4=24, jrx4=560; irx5=24, jrx5=350; irx6=24, jrx6=200; irx7=150, jrx7=24. Figura 28 itx=770, jtx=364; irx2= 493, jrx2= 134; irx3= 493, jrx3=572. RESUMO Radares multi-estáticos são utilizados para localizar um intruso em um ambiente indoor por meio de simulações numéricas utilizando o método das diferenças finitas no domínio do tempo (FDTD) em duas dimensões, para simular a onda se propagando no ambiente em uma frequência máxima de 2 GHz e com um pulso do tipo monociclo gaussiano. Usam-se radares com três e com sete receptores para a obtenção dos registros de campo. Para estimar a posição do alvo, usou-se o método de otimização Enxame de Partículas. Apresentam-se os resultados, fazem-se as considerações a respeito do que foi simulado, e finalmente, fazem-se as considerações finais. Capítulo 1 INTRODUÇÃO 1.2 CONSIDERAÇÕES INICIAIS Reservatórios de água, usinas elétricas e outras infra-estruturas críticas são vulneráveis a ataques terroristas e a assaltos. Para proteger essas infra – estruturas, é preciso monitorar todo o perímetro em volta para detectar um acesso não autorizado. Isso pode ser difícil e dispendioso [1]. Além de se querer proteger esses ambientes, existe também uma crescente preocupação com a segurança residencial. As pessoas estão cada vez mais temerosas com relação à violência, procurando, dessa forma, sistemas de defesa e monitoramento. Sensores de intrusão externos têm uma menor probabilidade de detectar intrusos e uma maior taxa de alarmes falsos do que os sensores internos. Isso é devido a muitos fatores incontroláveis, como vento, chuva, movimento de animais e humanos exteriormente, bem como de outras fontes que incluem interferência eletrônica. Esses fatores exigem o uso de dois ou mais sensores para assegurar uma efetiva detecção de intrusos [1]. Sensores de microondas, como os radares Doppler, não têm uma resolução de alcance suficiente por serem radares de faixa estreita, limitando o uso desses sensores para rastrear ambientes. Com isso, sistemas RF UWB foram testados recentemente e determinou-se que estes podem superar tais deficiências. Com as pesquisas, conseguiu-se um sensor com excepcional resolução que não depende de efeitos Doppler, pois detectam uma intrusão através de mudanças da resposta a um pulso do ambiente [1]. Com isso, o uso de radares UWB tem despertado cada vez mais interesse na comunidade científica e na indústria eletrônica [2, 3] por proporcionarem rastreamento preciso, tanto para o caso 1 indoor como para o outdoor [4]. Além disso, o pulso UWB é transmitido em baixa potência, fazendo com que não haja interferência com outros sistemas Wi-Fi já existentes. A outra vantagem do sinal UWB é que, por utilizar pulsos estreitos, este tem maior robustez com respeito a interferência de multi-percursos. Dentre as aplicações comerciais, uma das empresas pioneiras em implementar a tecnologia UWB foi a Time Domain, que desenvolveu o sistema PulsON [3]. A Time Domain é a primeira empresa a receber a certificação de um produto de comunicação UWB. O produto com a marca PulsON consiste em uma plataforma para ajudar no desenvolvimento de produtos para o mercado consumidor, incluindo comunicação sem fio, rastreamento e radar [4]. A Figura 1 mostra um rádio desenvolvido a partir desse produto. Fig. 1: Transceptor baseado no kit de avaliação PulsON 200 [3]. O radar UWB aqui analisado foi o multi-estático. Foram utilizadas duas configurações de radar: uma com três receptores e outra com sete receptores. Para a simulação da propagação dos pulsos no ambiente estudado, fez-se uso do método das diferenças finitas no domínio do tempo (FDTD) [5]. O 2 pulso usado para as simulações foi o monociclo gaussiano que é o mesmo utilizado pelo sistema PulsON. A estimativa de localização do alvo feita pelo radar é realizada através do método de otimização Enxame de Partículas (PSO-Particle Swarm Optimization) [6], utilizado para a resolução de um sistema de equações não – lineares. 1.2 OBJETIVOS DO TRABALHO O trabalho se propõe a estimar a localização de um intruso que esteja em um ambiente indoor através de softwares desenvolvidos neste trabalho. Neste caso, a mesma residência usada por Kondylis [7] foi analisada através de simulações numéricas, utilizando o método FDTD em duas dimensões. A detecção do intruso é feita pelo uso de radares multi-estáticos, os quais foram posicionados na parte externa da residência, em duas configurações diferentes: utilizando três e sete receptores, de forma que se verificou a eficiência do sistema UWB. Neste trabalho, aplicou-se uma técnica de otimização para a estimativa da posição do intruso, denominada Enxame de Partículas. Avaliou-se a robustez da técnica e verificou-se a sua boa aplicabilidade para o problema aqui proposto. 1.3 COMPOSIÇÃO DO TRABALHO Organizou-se o texto da seguinte forma: Capítulo 2: Análise teórica do método FDTD, do funcionamento do radar multi-estático e sobre o método PSO (Enxame de Partículas); Capítulo 3: Abordagem dos resultados das simulações dos radares multi-estáticos; Capítulo 4: Conclusão 3 1.4 REFERÊNCIAS [1] P. Withington, H. Fluhler, e S. Nag, “Enhancing Homeland Security with Advanced UWB Sensors,” IEEE Microwave Magazine, vol. 4, pp. 51-58, 2003. [2] “XtremeSpectrum”, http://xtremespectrum.com, acessado em Maio/2006. [3] “Time Domain”, http://timedomain.com, acessado em Maio/2006. [4] M. GHAVAMI, L. MICHAEL, e R. KOHNO, Ultra Wide Band Signals and Systems in Communication Engineering, John Wiley & Sons, 2004. [5] A. Taflove e S. C. Hagness, Computational Electrodynamics The Finite - Difference Time Domain Method, Artech House Inc., 2000. [6] V. Miranda, Computação Evolucionária Fenotípica, notas de aula, versão 2.0, Março 2005. [7] G. D. Kondylis, “On Indoor Wireless Channel Characterization and the Design of Interference Aware Medium Access Control Protocols for Packet Swichted Networks,” University of California, Tese de Doutorado, 2000. 4 Capítulo 2 FUNDAMENTOS TEÓRICOS 2.1 O MÉTODO DAS DIFERENÇAS FINITAS NO DOMÍNIO DO TEMPO (FDTD) Recentemente, os modelos numéricos têm atraído mais atenção dos pesquisadores em áreas de rádio propagação em ambientes indoor e em aplicações de sistemas de comunicação wireless. Com os avanços tecnológicos da atualidade, a análise de sistemas complexos se tornou necessária, havendo necessidade de técnicas confiáveis para realizar tais análises. Antes das técnicas numéricas, os problemas eletromagnéticos no cenário acadêmico eram resolvidos apenas por meios analíticos e experimentais. Os modelos analíticos geralmente contém muitas limitações enquanto que os métodos experimentais nem sempre são viáveis, o que dificultou os estudos de casos. Em face a tais problemas, iniciou-se uma vasta pesquisa no campo numérico, de forma que, inicialmente, os métodos numéricos não puderam ser tão aplicados devido ao alto custo computacional vigente. Os métodos numéricos, dentre eles o método das diferenças finitas, foram desenvolvidos para resolver problemas mais complexos, os quais não eram possíveis de serem resolvidos pelos métodos analíticos. Assim, as técnicas numéricas ganharam cada vez mais importância no meio científico. A técnica das diferenças finitas no domínio do tempo (FDTD) foi desenvolvida primeiramente por Yee em 1966 [1] e aperfeiçoada por Taflove em 1980 [2]. Yee desenvolveu uma solução numérica para os problemas de espalhamento eletromagnético baseado nas equações rotacionais de Maxwell. 5 A solução que Yee obteve foi pela substituição dos termos relativos às derivadas parciais das equações de Maxwell em relação ao espaço e ao tempo por aproximações algébricas, fundamentadas pela definição de derivada centrada. A partir da discretização das equações através do método FDTD, tornou-se possível o cálculo dos campos elétrico e magnético de forma direta numericamente, gerando solução de onda completa. O método permite o estudo da onda em todo o seu espectro de freqüências e em diversos tipos de ambientes com diferentes geometrias propensas a reflexões, difrações e refrações (espalhamento). Para estudos sobre radares usando pulsos UWB, é muito conveniente o uso do método FDTD, uma vez que ele calcula o campo em todos os pontos do domíno de análise, incluíndo os pontos de recepção, de uma só vez. É interessante notar que o esforço computacional não depende do número de obstáculos presentes no ambiente. 2.1.1 Formulação matemática do método FDTD O método FDTD é formulado a partir da discretização das equações diferenciais de Maxwell, aproximando-se as derivadas por aproximações de diferenças centradas. Para meios isotrópicos, as equações de Maxwell na forma diferencial são dadas por =− ∇× E e = ∇× H B = H nas quais e = E D ∂ B ∂t ∂D J , ∂t (2.1) (2.2) representam os vetores densidade de fluxo elétrico e magnético, respectivamente, é a permeabilidade magnética e é a permissividade elétrica. Expandindo as equações (2.1) e (2.2) em coordenadas retangulares, obtém-se, respectivamente: 6 ∂H x 1 = ∂t ∂H y 1 = ∂t ∂H z 1 = ∂t e ∂ E y ∂ Ez − ∂z ∂y ∂ Ez ∂ Ex − ∂x ∂z ∂ Ex ∂ E y − ∂y ∂x , (2.3a) , (2.3b) , (2.3c) ∂Ex 1 ∂ Hz ∂ H y = − − E x ∂t ∂ y ∂z ∂Ey 1 ∂H x ∂ Hz = − − E y ∂t ∂z ∂x ∂Ez 1 ∂H y ∂ H x = − − E z ∂t ∂ x ∂y , (2.4a) , (2.4b) , (2.4c) nas quais Ex, Ey e Ez são as componentes do campo elétrico E e Hx , Hy e Hz são as componentes do campo magnético H. A notação de Yee para representar os pontos (x,y,z) na malha discreta é: (2.5) x , y , z ⇒i x , j y , k z Dessa forma, pode-se aproximar uma função contínua F por uma forma discreta no tempo e espaço por: F x , y , z , t ≈F i x , j y , k z , n t = Fn(i,j,k), (2.6) sendo ∆x, ∆y, ∆z os incrementos espaciais e ∆t é o incremento temporal, enquanto que i, j, k e n são índices inteiros. Para o caso unidimensional, a derivada ∂ f x / ∂ x é aproximada por ∂ f x f x x − f x − x = , ∂x 2 x que é a definição de derivada centrada. 7 (2.7) Aplicando as definições acima ( equação (2.7) ), obtêm-se as equações básicas do eletromagnetismo na forma discreta no tempo e no espaço. As equações (2.3a)-(2.3c), utilizadas para calcular as componentes do campo magnético são reescritas em sua forma discreta da seguinte maneira: [ n n n n t E y i , j1 /2, k1− E y i , j1/ 2,k E z i , j1,k 1 / 2−E z i , j , k1/ 2 − z y /2 n−1 /2 H n1 x i , j1/ 2,k 1/ 2−H x i , j1/ 2, k1/ 2= ] (2.8a) H n1 /2 y i1 /2, j , k1/ 2 −H [ n n n n t E z i1, j , k1/ 2− E z i , j , k1 /2 E x i1/ 2, j ,k 1−E x i1/ 2, j , k = − x z n−1/ 2 y i1/ 2, j ,k 1/ 2 ] (2.8b) e H n1 /2 z i1 /2, j 1/ 2,k −H [ n n n n t E xi 1/ 2, j1, k−E x i1 /2, j , k E y i1, j 1 / 2,k −E yi , j1 /2, k = − y x n−1 /2 z i1 /2, j1/ 2,k ] (2.8c) Para o campo elétrico, as equações (2.4a)-(2.4c) ), são dadas, em sua forma discreta, por: t Ex n 11 =Ex n 1 i , j ,k i , j ,k 2 2 [ Hz 1 2 1 1 i , j , k 2 2 n −Hz 1 2 1 1 i , j − ,k 2 2 n y Hy − 1 2 1 1 i , j ,k 2 2 n −Hy 1 2 1 1 i , j , k − 2 2 n z ] Ex − t n 1 1 i , j , k 2 Ex n i 1 ,j ,k 2 2 , (2.9a) t Ey =Ey 1 1 i , j , k i, j , k 2 2 n 1 n [ Hx n 1 2 i, j 1 −Hx 1 ,k 2 2 z n 1 2 1 1 i , j , k − 2 2 Hz − 1 2 1 1 i , j , k 2 2 n −Hz x 1 2 1 1 i − , j ,k 2 2 n ] − t Ey n 1 i , j 1 ,k 2 Ey 2 n i , j 1 ,k 2 , (2.9b) e 8 t Ez 1 = Ez 1 i , j ,k i , j ,k 2 2 n1 n [ Hy 1 2 1 1 i , j , k 2 2 n − Hy x 1 2 1 1 i− , j ,k 2 2 n Hx − n 1 2 1 − Hx 1 i, j , k 2 2 y n 1 2 1 1 i, j− , k 2 2 ] − t Ez n1 Ez 1 i , j ,k 2 2 n 1 i, j, k 2 ⋅ (2.9c) Para visualizar espacialmente o que acontece, a Fig.2 mostra a célula de Yee: Fig. 2: A célula de Yee. Observando a célula, percebe-se facilmente como foram expandidas as equações (2.3a) – (2.4c) na sua forma discreta, tendo-se em mente o rotacional e a derivada centrada (eq. (2.7)). 9 As componentes de E H e são perpendiculares entre si, deslocadas de meio incremento temporal e de meio incremento espacial. Dessa forma, em uma iteração, um dos campos é calculado para, em seguida, atualizar-se o outro. Esse esquema de atualização é o chamado leapfrog, de forma a representar numericamente o fenômeno da propagação eletromagnética. 2.1.2 Equações de Maxwell em duas dimensões Nos casos analisados neste trabalho, considerou-se o problema em duas dimensões. Para isso, assumiu-se que as componentes do campo não dependem da coordenada z. Neste trabalho, foi utilizado o modo Tmz, no qual há apenas as componentes Hx , Hy e Ez , relacionadas por: (2.10) (2.11) ∂H x 1 ∂ Ez =− ∂t ∂y ∂ H y 1 ∂ Ez = ∂t ∂x e ∂Ez 1 ∂H y ∂ H x = − − E z ∂t ∂ x ∂y (2.12) Na forma discreta, tais equações são dadas por H n1 /2 x i , j1/ 2 −H n−1 / 2 x i , j1 /2 [ ] (2.13a) [ ] (2.13b) n n − t E z i , j 1 −E z i , j = y /2 n−1 /2 H n1 y i1 /2, j −H y i1 /2, j= n n − t E z i1, j −E z i , j x e 10 E n1 z i , j =E n z i , j t [ H n 1 2 1 yi , j 2 −H n 1 2 1 y i− , j 2 x H − n 1 2 1 −H x i , j 2 n 1 2 1 x i , j− 2 y ] n E n1 z i , j E z i , j − t ⋅ 2 (2.14) 2.1.3 Critério de estabilidade e precisão Para que o código computacional apresente resultados fisicamente consistentes, devem ser tratadas a precisão e a estabilidade, de tal forma que se garanta um resultado mais próximo possível da realidade. Na propagação de ondas usando o método FDTD, a precisão e a estabilidade estão ligadas às dimensões da célula de Yee e à discretização temporal. A solução numérica deve estar próxima da solução exata. No caso do FDTD, essa precisão é assegurada se o maior incremento espacial da malha for igual ou menor que a décima parte do menor comprimento da onda propagante [3]. Para tal, adota-se o seguinte critério: x , y , z min 10 (2.15) O passo temporal é dado pela condição de Courant (2.16): t 1 c 1 /2x 1 /2y 1 /2z (2.16) Um algoritmo numérico é tanto melhor quanto menor for seu erro. Dentre os erros, temos os de arredondamento (roundoff) e os relativos à discretização. Os erros de discretização são inseridos quando o refinamento da malha não está satisfatório devido à escolha inadequada dos incrementos espaciais e temporal (equações (2.15) e (2.16)). Já os erros de roundoff acontecem quando a malha está refinada demais e aproximações surgem devido ao computador utilizado, interferindo na solução. 11 As condições de estabilidade e precisão são fundamentais nos modelos numéricos devido à redução da dispersão numérica que provoca efeitos não físicos, como a distorção dos pulsos. 2.1.4 Truncamento da malha por UPML Com o advento das técnica FDTD para analisar o eletromagnetismo, surgiu uma nova preocupação: era necessário que se truncasse o domínio de análise, de forma a simular uma câmara anecóica. A truncagem do domínio é extremamente importante porque, caso contrário, seria necessária uma quantidade infinita de memória e de processamento computacional, o que tornaria o método impraticável. As condições de fronteira absorventes (ABC) surgiram para resolver tais problemas, simulando a propagação para o infinito. Assim, uma dessas técnicas ABC é a UPML [4] que é constituída por material uniaxialmente anisotrópico e dividida em camadas com casamento perfeito de impedâncias, sendo finalizada por um plano condutor perfeito. Esta técnica foi utilizada neste trabalho. 2.2 RADAR MULTI-ESTÁTICO COM TECNOLOGIA UWB 2.2.1 Introdução O sistema de monitoramento de ambientes é uma das grandes utilidades dos radares. Normalmente, o que se usa para tal são os sensores de microonda, como os radares Doppler. Infelizmente, os radares Doppler requerem que a área protegida seja limpa de obstáculos e folhagem, os quais podem criar cobertura de sombras e alarmes falsos. Essa exigência requer um sistema dispendioso [5]. 12 Esses sensores têm uma debilidade significante. O movimento de objetos grandes no lado de fora do raio de interesse pode criar falsos alarmes devido aos radares de faixa estreita terem uma resolução de capacidade insuficiente para distinguir entre um alvo pequeno e próximo e o raio de um alvo grande e distante. Com todo esse inconveniente, o uso dos sensores de microonda fica limitado. Então, para superar essas deficiências, está se avaliando o uso de sensores RF UWB [5]. Esses radares UWB emitem ondas, geralmente, em freqüência relativamente baixa, entre 100 MHz e 3 GHz [5], resultando em um sistema com excepcional resolução e com uma habilidade para penetrar em muitos materiais comuns. Tais sensores detectam uma intrusão medindo as mudanças da resposta do ambiente ao pulso. Os sensores UWB têm sido usados há algum tempo nas aplicações dos radares capazes de penetrar no solo, como os GPRs (ground-penetrating radars). O GPR é uma ferramenta efetiva para localização de objetos enterrados, até mesmo objetos que são similares fisicamente ao solo. Várias pesquisas estão buscando novos modelos de aquisição de imagem que possam auxiliar policiais e bombeiros a localizar pessoas escondidas ou desaparecidas dentro de prédios, por exemplo. A tecnologia aliada ao radar usado neste trabalho é a de UWB, a qual é uma tecnologia de rádio freqüência (RF) com uma largura de banda muito grande. O sistema UWB é composto por um ou mais pares de rádios transmissores e receptores que podem emitir e receber pulsos eletromagnéticos extremamente curtos, que podem ter duração menor que 1 ns. O interesse inicial da tecnologia foi para aplicações de radares militares, de modo que poderiam penetrar através de uma cobertura muito densa através do chão, mas hoje em dia não se pensa somente na tecnologia UWB para a utilização de radares mas também em outras aplicações interessantes, como na área médica, onde os monitores UWB podem verificar diretamente as contrações cardíacas em vez de captar seus impulsos elétricos; segurança em construções civis, identificando a presença de vigas de ferro, fios e canos dentro das paredes; segurança em automóveis, aplicando sistemas de prevenção de 13 colisões e medida de posicionamento correto do air bag; segurança doméstica, através da detecção de invasões e tantos outros. 2.2.2 Idéia básica do funcionamento do Radar O radar, pela sua concepção, é utilizado para a determinação da posição de um alvo. O tipo de radar tratado neste trabalho foi o multiestático. De uma forma geral, o sistema é composto por um transceptor e por alguns receptores. A detecção é obtida através da reflexão das ondas eletromagnéticas no alvo. Primeiramente os receptores capturam registros de referência do ambiente vazio e estes são comparados aos registros obtidos com o intruso na residência. Os instantes em que se observam as diferenças dos sinais são decisivos e estes são utilizados para a definição de um círculo (centrado no transceptor) e de elipses (com um dos focos no transceptor e o outro no receptor). A solução do sistema formado por essas curvas é a estimativa da posição do objeto. É assim, basicamente, que funciona o radar usado neste trabalho. 2.2.3 Descrição do radar multi-estático O radar multi-estático é constituído de um único transmissor estático e vários receptores também estáticos. O radar multi-estático que se analisou é formado de um transmissor e três receptores, ou de um radar mono-estático (transmissor e receptor na mesma posição) e dois radares bi-estáticos (transmissor e receptor em posições distantes entre si). Inicialmente, posiciona-se o transceptor e receptores no ambiente de análise. Em seguida, utiliza-se o método FDTD para se obterem os registros da resposta do ambiente (componente Ez). Esses registros são obtidos primeiramente com a emissão do pulso sem o alvo no ambiente e depois com o alvo. Calculados os registros no tempo, faz-se a diferença entre eles e adiciona-se o ruído 14 gaussiano (AWGN). Com esses dados, o passo seguinte é estimar a localização do alvo. Essa estimativa de localização do alvo é feita através do método de otimização Enxame de Partículas (PSO). A técnica Enxame de Partículas se mostrou muito eficiente na obtenção das estimativas da posição do intruso. Antes da estimativa de localização da posição do alvo através da técnica de enxame, existe um formalismo geométrico importante para o cálculo dos parâmetros do radar multi-estático. A Fig. 2 ilustra o funcionamento do radar multi-estático. O transmissor Tx e o receptor Rx1 funcionam como um radar mono-estático. Já o transmissor Tx com os receptores Rx2 e Rx3 funcionam como dois radares bi-estáticos. Combinando os três resultados, a posição será onde as três formas se interceptarem. A curva de localização do alvo onde o transmissor Tx e o receptor Rx estão num mesmo ponto, é um circulo. Nos demais conjuntos transmissor e receptor determinam como curva de localização do alvo uma elipse, com o transmissor e o receptor como focos. Como ilustrado na Fig.3. 15 Fig. 3: Esquema de um Radar multi-estático. Os principais parâmetros da elipse são mostrados na Fig. 4. O ponto T indica o transceptor, o ponto R indica o receptor e o ponto P representa o alvo. A equação da elipse é da forma: Fn ( x, y ) = An2 ( x, y ) + Bn2 ( x, y ) − Cn2 = 0 (2.17) Com An, Bn e Cn definidos da seguinte forma: ( ) ( ) An ( x, y ) = an y − yCn cos α n − x − xCn senα n ( ) ( ) Bn ( x, y ) = bn x − xCn cos α n + y − yCn senα n Cn = anbn , 16 , (2.18) e (2.19) (2.20) em que a é o semi-eixo maior da elipse, b é o semi-eixo menor, xc e yc são as coordenadas do centro C da elipse e α é o ângulo entre o eixo coordenado x e o eixo maior da elipse. O índice n indica o receptor utilizado. Tais parâmetros são calculados por: xCn = 1 xT + xRn , 2 (2.21) yCn = 1 yT + yRn , 2 (2.22) 1 dTPRn , 2 (2.23) 1 2 2 dTPR − dTR , n n 2 (2.24) ( ( an = bn = dTRn = (x T ) − xRn ) ) +(y 2 T − yRn yT − yRn α n = arctg xT − xR , n ) 2 , (2.25) (2.26) em que xT e yT são as coordenadas do transceptor T, xR e yR são as coordenadas do receptor R e dTR é a distância entre o transceptor T e o receptor R. 17 Fig. 4: Parâmetros da elipse. Os parâmetros da equação da elipse são obtidos a partir da localização do transceptor e do receptor, e da distância percorrida pelo pulso entre o transmissor, o alvo e o receptor, que chamou-se de dTPR.. A distância dTPR é a soma dos segmentos TP com PR . Pode-se perceber isso facilmente com a Fig. 4. Essa distância é obtida a partir do cálculo da diferença entre os registros no tempo pois é com esse tempo e com a velocidade inicialmente conhecida calculada por [6], encontra - se essa distância. Como já foi dito, com os parâmetros da elipse calculados parte-se para a estimativa de localização do alvo através do método de otimização Enxame de Partículas, o qual será detalhado a seguir. 18 2.3 OTIMIZAÇÃO POR ENXAMES DE PARTÍCULAS (PARTICLE SWARM OPTIMIZATION PSO) 2.3.1 Introdução A busca de soluções eficientes em problemas de otimização tem motivado os pesquisadores a encontrarem soluções em concepções de meta-heurísticas. Heurística, ou “arte de encontrar”, constitui uma classe de algoritmos utilizada para a obtenção de soluções aproximadas em problemas de otimização combinatória, de forma a alcançar uma solução satisfatória. Tais classes incluem os algoritmos genéticos e fenotípicos [7]. Esses algoritmos heurísticos tiveram sua inspiração em fenômenos naturais, como a evolução de Darwin, que descreve a evolução das espécies, e no comportamento de grupos de indivíduos de diversas espécies , respectivamente. Dentre os métodos surgidos a partir da observação da natureza, está o método Enxame de Partículas (Particle Swarm Optimization - PSO) [7] (pertencente à classe fenotípica), que se deriva do comportamento de enxames de insetos, bando de pássaros e outros grupos. A otimização por Enxame de Partículas é uma nova técnica semi-estocástica de computação evolucionária baseada no movimento e inteligência das partículas. O seu desenvolvimento se deve a James Kennedy e Russel Eberhardt em 1995 [7]. Para se entender melhor a técnica, imagina – se um enxame de abelhas num campo. As abelhas são as chamadas partículas na linguagem PSO. O objetivo delas é localizar um lugar com maior densidade de flores de um certo tipo, por exemplo. Sem o conhecimento prévio do campo, as abelhas começam a se movimentar aleatoriamente com velocidades variadas procurando as flores. Cada abelha se lembra da localização em que achou as melhores flores e também sabe, por comunicação, a localização na qual o grupo encontrou as melhores flores. As abelhas exploram o ambiente e informam 19 às outras dos seus melhores achados. Então as abelhas voam em direção à área de maior concentração de boas flores fazendo com que todo o enxame seja atraído pelo melhor local. As partículas atuam sob três influências que se combinam vetorialmente, que são: hábito ou inércia, memória e cooperação. A inércia faz com que a partícula continue seguindo a mesma direção de anteriormente. A memória leva a partícula em direção a melhor posição até então encontrada por ela. Já a cooperação, empurra a partícula na direção do melhor ponto do espaço até ao momento descoberto pelo enxame. 2.3.2 Desenvolvimento do algoritmo PSO A obtenção de uma solução utilizando PSO se dá pelo movimento de um grupo de partículas explorando o espaço de decisões, de dimensão K, que coincide com o numero de variáveis do problema. O modelo simples de otimização por enxame de partículas é descrito a seguir. Dada uma população de n partículas e sendo cada partícula i correspondente a uma opção de solução, tem – se, para cada partícula i: um vetor de posição X i ; um vetor de velocidade V i ; um vetor de memória bi correspondente à melhor posição encontrada até o seu momento atual; X i ; um valor da função de aptidão relativo à posição atual um valor da função de aptidão relativo à melhor posição bi encontrada pela partícula. Em uma dada iteração, uma partícula i muda a sua posição de equação (2.27) 20 X i para Xi novo conforme a Xinovo = X i V novo i na qual V inovo (2.27) , é a nova velocidade da partícula i, que é dada por (2.28) V inovo =V i Rnd . Wmi bi− X i Rnd .Wc i bG− X i , (2.28) na qual Wmi é a matriz diagonal de pesos do termo de memória da partícula i; Wci é a matriz diagonal de pesos do termo de cooperação da partícula i; bi corresponde à melhor solução (posição no espaço) encontrada pela partícula i durante a sua vida; bG corresponde à melhor solução (posição no espaço) encontrada pelo enxame até ao momento; Rnd() retorna um número aleatório sorteado com distribuição uniforme no intervalo [0,1]. Os pesos e os números aleatórios afetam os termos da equação da velocidade, modificando-a em cada iteração, de modo que há uma perturbação na trajetória da cada partícula. Essa perturbação é importante para se conseguir uma solução global ótima, pois permite ao algoritmo evitar ótimos locais. No modelo PSO simples, os pesos são definidos a priori. As velocidades V i iniciais são limitadas de forma explícita ao intervalo [-Vmax , Vmax], para evitar a divergência, e iniciadas de forma aleatória. Para completar a definição de PSO, é importante citar alguns aspectos, tais como: Controle das velocidades – definir um valor adequado para Vmax Tamanho do enxame – definir o número n de partículas adequado Valor dos pesos – definir um conjunto de pesos adequado 21 Atualização síncrona ou assíncrona – definir se cada partícula é atraída pelo último ótimo global ou se a atualização do ótimo global ocorre apenas ao fim de um movimento de todas as partículas, ou seja, ao fim de cada iteração. 2.3.3 Estimando a posição do alvo com a técnica PSO Após as simulações utilizando o método FDTD, podem ser determinados os parâmetros das três curvas que formam o sistema não linear a ser resolvido. No caso ideal, ilustrado pela Fig. 3, as duas elipses e o círculo se interceptam num mesmo ponto, sendo este a estimativa da posição. Todavia, de uma forma geral, isso não ocorre, sendo que, com mais freqüência, a situação ilustrada pela Fig. 5 deve ser solucionada. Assim, o objetivo do enxame de partículas é localizar um ponto que esteja a uma distância mínima das três curvas simultaneamente, como ilustrado pela Fig. 5. Seguindo esta idéia, a funçãoobjetivo utilizada aqui, para o localizador PSO, é dada por Fi = diCmin + diE1min + diE2min na qual X i ; • Fi é a avaliação da posição • diCmin é a minima distância de X i para o círculo ; • diE1min é a minima distância de X i para o primeira elipse ; • diE2min é a minima distância de X i para o Segunda elipse ; 22 (2.29) Transceptor Receptor 2 Receptor 1 Estimativa Fig. 5: Estimativa do alvo: meta do localizador baseado em PSO. Dessa forma, o PSO age como um minimizador da função-objetivo (2.29). É importante observar que a situação mostrada pela Fig. 3 também é contemplada pelo algoritmo PSO automaticamente. Para o presente trabalho, os seguintes pesos foram utilizados para todas as partículas: • Wm = 0,0001 • Wc = 0,0001 • VMAX =0,01. A obtenção desses valores foi realizada de forma empírica. O ruído AWGN, adicionado à diferença normalizada entre os registros dos receptores obtidos na presença e ausência do alvo, é calculado a partir de duas amostras independentes da variável aleatória uniforme fornecida pela função rand(). Uma amostra R do ruído AWGN é fornecida por R= σ a 2 ln(1 /(1 − rand ) cos(2π rand ) 23 (2.30) na qual σa = 0,02, para as presentes simulações. A técnica do enxame de partículas foi utilizada em dois casos diferentes: o primeiro foi para a análise de radares com três receptores e o segundo para um sistema de radares com sete receptores. A única diferença entre esses dois casos é que para o caso com sete receptores foi necessário se fazer uma combinação de três em três receptores (sempre incluindo-se o transceptor), resultando em quinze combinações diferentes que resultam em quinze respostas diferentes para cada combinação. Após a obtenção das 15 possíveis soluções, são calculados o desvio padrão e a média para cada coordenada (x,y), vistas como variáveis aleatórias, de forma que apenas as soluções que estejam dentro da faixa centrada na média e limitada pelo desvio padrão são levadas em conta na média final. Pode – se visualizar essa combinação na Figura 5. Fig. 6: Combinações para um radar com sete receptores. 24 A estrutura básica do algoritmo PSO é mostrado a abaixo: Fig. 7: Fluxograma do algoritmo PSO. Na inicialização da população, n partículas (indivíduos) são geradas aleatoriamente, sendo que cada um dos indivíduos representa uma possível solução para o problema. O cálculo da função de aptidão para uma partícula i é feito levando-se em consideração a mínima distância entre a partícula (um par x,y) e as elipses, de modo que tomam-se três distâncias. A primeira distância é em relação ao círculo do transceptor, a segunda é a distância para a elipse do receptor 2 e a terceira distância é relacionada à elipse do receptor 3. Obtidas essas distâncias, o valor da aptidão é a soma das três, de forma que o algoritmo busca a mínima distância (processo de 25 minimização). Continuam-se as iterações até que se chegue a um limiar de 0,2. A melhor solução encontrada para o enxame é a solução fornecida pelo algoritmo. Para os problemas solucionados neste trabalho, utilizaram-se os seguintes parâmetros: número total de partículas = 50; velocidade máxima = 0,01; pesos de memória pesos de cooperação = 0,0001; número máximo de iterações = 6000; = 0,0001; É interessante notar que métodos matemáticos mais complexos podem ser usados para solucionar os sistemas não lineares. Porém, optou-se pelo PSO devido a maior simplicidade da sua formulação. 26 2.4 REFERÊNCIAS [1] K. Yee, “Numerical Solution of Initial Boundary Value Problems Involving Maxwell’s Equations in Isotropic Media,” IEEE Trans. Antennas and Propagation, vol. 14, pp. 302-307, 1966. [2] A. Taflove e S. C. Hagness, Computational Electrodynamics The Finite - Difference Time Domain Method, Artech House Inc., 2000. [3] A. Taflove, e M. Brodwin, “Numerical Solutions of Steady – State Electromagnetic Scattering Problems Using the Time – Dependent Maxwell's Equations,” IEEE Trans. Microwave Theory Techn., pp. 623 – 630, 1975. [4] S. D. Gedney, “An Anisotropic Perfectly Matched Layer – Absorbing Medium for the Truncation of FDTD Lattices,” IEEE Trans. Antennas Propagat., vol. AP-44, pp. 1630- 1639, 1996. [5] P. Withington, H. Fluhler, e S. Nag, “Enhancing Homeland Security with Advanced UWB Sensors,” IEEE Microwave Magazine, vol. 4, pp. 51-58, 2003. [6] F. C. B. F. Müller. “Simulação por técnica FDTD de radar multi-estático com pulsos de banda ultra larga para ambiente indoor,” Universidade Federal do Pará, Dissertação de Mestrado em Engenharia Elétrica, 2005. [7] V. Miranda, Computação Evolucionária Fenotípica, notas de aula, versão 2.0, Março 2005. [8] M. GHAVAMI, L. MICHAEL, e R. KOHNO, Ultra Wide Band Signals and Systems in Communication Engineering, John Wiley & Sons, 2004. [9] M. E. C. Garcia, “Rede de radares de alta resolução para proteção de ambientes indoor,” Universidade Federal do Pará, Trabalho de conclusão de curso em Engenharia Elétrica, 2006. [10] J. Robinson, e Y. Rahmat-Samii, “Particle Swarm Optimization in Electromagnetics,” IEEE Trans. Antennas and Propagation, vol. 52, pp. 397-407, 2004. [11] N. Franken, e A.P. Engelbrecht, “Particle Swarm Optimization Approaches to Coevolve Strategies for the Iterated Prisioner's Dilemma,” IEEE Trans. On Evolutionary Computation , vol. 9, pp. 562-579, 2005. [12 ] R. M. S. Oliveira, “Estudo Tridimensional da Propagação Eletromagnética em Canais Outdoor Através do Método de Implementação B-FDTD com Processamento Paralelo,” Universidade Federal do Pará, Dissertação de Mestrado em Engenharia Elétrica, Outubro de 2004. 27 CAPÍTULO 3 METODOLOGIA E RESULTADOS 3.1 O AMBIENTE ANALISADO O ambiente utilizado para as simulações é o mesmo utilizado por Kondylis [1], mostrado na Fig. 7. Com este cenário, analisaram-se situações de radar com três receptores e com sete receptores, colocando-se o alvo em diferentes posições com espalhadores. O incremento espacial utilizado é ∆ = 1,5 cm. A residência tem dois tipos de parede, ou seja, com características elétricas e dimensões diferentes. Nas paredes externas, a permissividade elétrica relativa é εr = 5 e nas internas a permissividade relativa é de εr = 4,2. A condutividade é a mesma para as duas paredes que é σ = 0,02 S/m. A espessura das paredes é de 25,5 cm para as externas e de 15 cm para as internas. No restante do ambiente, a permissividade elétrica relativa é igual à unidade e a condutividade é nula, exceto nas paredes absorventes que delimitam a região de análise. 28 Fig. 8: Layout da residência utilizada para as simulações. Modelou-se o alvo como sendo um cilindro de 24 cm de raio, de modo a tentar representar um corpo humano. Escolheram-se também características elétricas parecidas com as de um corpo humano, ou seja, permissividade elétrica relativa de εr = 50 e condutividade σ = 1,43 S/m [2]. Na malha analisada, é muito importante destacar a técnica de paredes absorventes. Elas são utilizadas nos extremos do domínio computacional para simular a propagação para fora do ambiente, evitando reflexões irreais no ambiente. A técnica de paredes absorventes utilizada foi a de Camadas Perfeitamente Casadas com Anisotropia Uniaxial (Uniaxial Perfectly Matched Layers – UPML) [3], , como foi visto no Capítulo 2. As características da UPML são: espessura d = 10 células, condutividade máxima σmax = 15 S/m e a ordem polinomial usada que descreve a atenuação dos campos é m = 4. 29 3.2 DISCRETIZAÇÃO A malha numérica tem 790 células no eixo x e 754 células no eixo y. Cada célula possui 1,5 cm de aresta (∆x = ∆y = ∆), o que equivale a aproximadamente um décimo do comprimento de onda da freqüência de 2 GHz. A discretização temporal é obtida por meio dos incrementos espaciais, de modo que se garanta a estabilidade numérica do método. O seu valor foi calculado por: t=0,7 na qual c é a velocidade da luz no vácuo. , c 2 (3.1) 3.3 O PULSO DE EXCITAÇÃO O pulso utilizado para excitar o ambiente é o monociclo gaussiano, mostrado na Figura 8. Esse é o mesmo pulso usado pelo sistema PulsON [4] e é dado pela função: p( t ) = − Ap ( t − t0 ) 2 2e ( ) t − t exp − , 0 τ2 τ2 (3.2) na qual e = 2,71828 e Ap é a amplitude de pico do monociclo, t0 é o tempo no qual ocorre a amplitude máxima, e τ é a constante de decaimento no tempo. A partir da transformada de Fourier, obtém-se o monociclo gaussiano no domínio da freqüência: P( f ) = Apτ 2 [ ] πe 2 exp 1 − ( π τ f ) exp( − j 2π t 0 f ) , 2 (3.3) com sua freqüência de pico sendo determinada por: f0 = 1 2π 2 1 . τ 30 (3.4) Amplitude (V/m) 1 0 -1 0 2 (a) 4 Tempo (ns) Espectro (dB) 0 -10 -20 -30 -40 0,0 0,5 (b) 1,0 1,5 Frequencia (GHz) Fig. 9: Pulso monociclo: (a) domínio do tempo; (b) espectro. 31 2,0 3.4 SIMULAÇÕES Utilizou-se, para as simulações da propagação do pulso, o método FDTD para o caso bidimensional no modo TMz, usando-se as equações (2.13) – (2.14). O código FDTD foi implementado em linguagem Java, pois a mesma mostrou-se muito mais rápida que a versão em Fortran utilizada em [2] e [5]. Além disso, o sistema operacional Slackware Linux 10.2 (Kernel 2.6.6) também se mostrou mais eficiente na questão velocidade, contribuindo para que cada simulação fosse executada em menos de dez minutos em um processador AMD Athlon XP 2600+ com 256 MB de memória RAM. No mesmo computador, o código em Fortran precisou de aproximadamente 40 minutos. Utilizando – o no Windows XP, leva – se uma hora para completar a simulação. Para se estimar a localização do intruso, utilizou-se o método de Otimização Enxame de Partículas (PSO), que foi implementado em Fortran 77, e, depois, para visualização do resultado da estimativa de localização com e sem o ruído e as posições do transmissor e receptores, é usado o programa Gnuplot. O estimador é executado em aproximadamente dois segundos (três receptores) no microcomputador mencionado. Para uma mesma localização de alvo, obtiveram-se os resultados para diferentes configurações de radar, tanto para o caso de três receptores como para os de sete. Para uma melhor análise, compararam-se os resultados com os trabalhos feitos anteriormente por [2] e por [5]. Para constatar-se a eficiência dos radares, simularam-se várias situações com três receptores e sete receptores, mas serão mais enfatizados os casos de sete receptores. Verificou-se que os radares de três e sete receptores de maneira que eles conseguiram detectar o alvo no cômodo correto na maioria dos casos. 32 Foram verificados os casos mais críticos, nos quais as situações de radar com três receptores não tenham sido eficientes e para situações nas quais nem casos com sete receptores realizaram a detecção de forma adequada. As simulações foram feitas colocando-se o alvo em diferentes cômodos da casa analisando-se a detecção para diferentes configurações de radares. Nas figuras 9 – 27, (itx, jtx) = (irx1, jrx1) é o ponto onde se localiza o transceptor, (irx n, jrxn) é o ponto onde foi posto o receptor n e (iobj, jobj) é a localização real do alvo. 3.4.1 Os casos simulados Nas Figuras 10 e 11, mostram-se, para uma mesma posição do alvo, duas configurações diferentes de radar com três receptores. Os dois radares obtiveram resultados diferentes. Como se pode ver, o radar da Figura 10 obteve um melhor resultado que o da Figura 11. Isso se dá porque o sinal, para chegar a um dos receptores, passa por mais paredes do que no caso da Fig. 10, o que ocasiona um maior atraso na sua propagação influenciando na precisão da localização. Nas Figuras 12 - 15, ilustram – se quatro diferentes configurações de radar com sete receptores para uma mesma localização de alvo célula (600,300). Em todos os casos, obteve-se uma boa estimativa de localização, exceto o caso da Figura 15, que fugiu um pouco das estimativas obtidas nos outros casos, chegando a sair do cômodo onde se encontra o alvo. Percebe-se essa falha na estimativa devido ao fato de que é uma situação de radar em que o sinal atravessa muitas paredes para se chegar na maioria dos receptores. Nesse caso, só para um receptor o sinal atravessa uma única parede. Para outros receptores, o sinal chega depois de ter passado por pelo menos duas paredes, verificando – se assim a influência das paredes no desempenho do radar. Nestas configurações, a estimativa sem o ruído é sempre melhor do que com o ruído, o que já era esperado. Apesar de, para o caso da Figura 14, 33 estimou – se o cômodo errado, percebe-se que essa estimativa está mais próxima do alvo do que quando foi usado o ruído. Nas Figuras 16 – 19, usaram-se os mesmos radares empregados anteriormente, mas com diferente posição do alvo. O alvo está na célula (500, 452). Nessa situação, obtiveram-se resultados bastante satisfatórios em todas as configurações de radar. Um outro caso analisado foi colocando – se o alvo na célula (154,166). Analisando a eficiência dos radares vistos nas Figuras 20 – 23, pode-se dizer que se obtiveram resultados satisfatórios. Todos os radares acertaram os cômodos mesmo com o ruído. Para os casos mostrados pelas Figuras 24 - 26, colocou-se o alvo bem próximo ao transmissor, numa posição crítica, célula (668,364). Esta simulação foi feita para três receptores em [5], porém não se obtiveram resultados satisfatórios. A estimativa para o caso de três receptores se deu fora da casa. Dessa forma, simularam-se algumas configurações de radar com sete receptores para tentar resolver o problema, mas também não se obtiveram boas estimativas. Continuava – se a estimar a posição no lado de fora da casa, como se vê nas Figuras 24 – 26. Tendo em vista esses resultados, afastou-se o transmissor da parede e, assim, conseguiu-se uma melhor estimativa para o radar com sete receptores, como é visto na Figura 27. Assim foi feito para o radar com três receptores e também se conseguiu melhorar a estimativa do radar, como é visto na Figura 28. A partir desses resultados, observou-se que, para um alvo posicionado próximo ao transmissor, não se resolve o problema da estimativa aumentando – se o número de receptores ou modificando a configuração do radar, pois essa é uma situação muito crítica que independe dos receptores. Esse problema de estimativa se dá porque, para o caso do alvo próximo ao transmissor, existe uma situação de campo próximo, um campo praticamente estático, reduzindo a eficiência do sistema. 34 Em praticamente todos os casos simulados neste trabalho, a estimativa sem o ruído foi bem melhor do que com o ruído. Porém houve casos em que a estimativa sem ruído foi menos precisa do que as com ruído, como mostrado nas Figuras 18 e 28. No entanto, isso foi raro e é de difícil análise, devido ao fato de que o ruído é um sinal aleatório e, além disso, existem muitos espalhadores no ambiente com diferentes diâmetros, assim como a quantidade de receptores, que em algumas situações, pode dificultar a estimativa. Fig. 10: itx=55, jtx=700; irx2=245, jrx2=700; irx3=24, jrx3=560; iobj=286, jobj=340. 35 Fig. 11: itx=55, jtx=24; irx2=245, jrx2=24; irx3=24, jrx3=166; iobj=286, jobj=340. Fig. 12: itx=140, jtx=30; irx2=500, jrx2=140; irx3=500, jrx3=580; irx4=20, jrx4=200; irx5=20, jrx5=560; irx6=220, jrx6=30; irx7=180, jrx7=700. 36 Fig. 13: itx=55, jtx=24; irx2=245, jrx2=24; irx3=24, jrx3=166; irx4=400, jrx4=140; irx5=493, jrx5=134; irx6=700, jrx6=364; irx7=24, jrx7=400. Fig. 14: itx=700, jtx=364; irx2=450, jrx2=134; irx3=493, jrx3=572; irx4=245, jrx4=700; irx5=245, jrx5=24; irx6=700, jrx6=134; irx7=55, jrx7=700. 37 Fig. 15: itx=700, jtx=364; irx2=500, jrx2=134; irx3=600, jrx3=572; irx4=500, jrx4=572; irx5=730, jrx5=200; irx6=600, jrx6=134; irx7=400, jrx7=134. Fig. 16: itx=140, jtx=30; irx2=500, jrx2=140; irx3=500, jrx3=580; irx4=20, jrx4=200; irx5=20, jrx5=560; irx6=220, jrx6=30; irx7=180, jrx7=700. 38 Fig. 17: itx=55, jtx=24; irx2=245, jrx2=24; irx3=24, jrx3=166; irx4=400, jrx4=140; irx5=493, jrx5=134; irx6=700, jrx6=364; irx7=24, jrx7=400. Fig. 18: itx=700, jtx=364; irx2=450, jrx2=134; irx3=493, jrx3=572; irx4=245, jrx4=700; irx5=245, jrx5=24; irx6=700, jrx6=134; irx7=55, jrx7=700. 39 Fig. 19: itx=700, jtx=364; irx2=500, jrx2=134; irx3=600, jrx3=572; irx4=500, jrx4=572; irx5=730, jrx5=200; irx6=600, jrx6=134; irx7=400, jrx7=134. Fig. 20: itx=140, jtx=30; irx2=500, jrx2=140; irx3=500, jrx3=580; irx4=20, jrx4=200; irx5=20, jrx5=560; irx6=220, jrx6=30; irx7=180, jrx7=700. 40 Fig. 21: itx=55, jtx=24; irx2=245, jrx2=24; irx3=24, jrx3=166; irx4=400, jrx4=140; irx5=493, jrx5=134; irx6=700, jrx6=364; irx7=24, jrx7=400. Fig. 22: itx=700, jtx=364; irx2=450, jrx2=134; irx3=493, jrx3=572; irx4=245, jrx4=700; irx5=245, jrx5=24; irx6=700, jrx6=134; irx7=55, jrx7=700. 41 Fig. 23: itx=700, jtx=364; irx2=500, jrx2=134; irx3=600, jrx3=572; irx4=500, jrx4=572; irx5=730, jrx5=200; irx6=600, jrx6=134; irx7=400, jrx7=134. Fig. 24: itx=700, jtx=364; irx2=450, jrx2=134; irx3=493, jrx3=572; irx4=245, jrx4=700; irx5=245, jrx5=24; irx6=700, jrx6=134; irx7=55, jrx7=700. 42 Fig. 25: itx=700, jtx=364; irx2=500, jrx2=134; irx3=600, jrx3=572; irx4=500, jrx4=572; irx5=730, jrx5=200; irx6=600, jrx6=134; irx7=400, jrx7=134. Fig. 26: itx=700, jtx=364; irx2=55, jrx2=700; irx3=245, jrx3=700; irx4=24, jrx4=560; irx5=24, jrx5=350; irx6=24, jrx6=200; irx7=150, jrx7=24. 43 Fig. 27: itx=770, jtx=364; irx2=55, jrx2=700; irx3=245, jrx3=700; irx4=24, jrx4=560; irx5=24, jrx5=350; irx6=24, jrx6=200; irx7=150, jrx7=24. Fig. 28: itx=770, jtx=364; irx2= 493, jrx2= 134; irx3= 493, jrx3=572. 44 3.5 REFERÊNCIAS [1] G. D. Kondylis, “On Indoor Wireless Channel Characterization and the Design of Interference Aware Medium Access Control Protocols for Packet Swichted Networks,” University of California, Tese de Doutorado, 2000. [2] F. C. B. F. Müller. “Simulação por técnica FDTD de radar multi - estático com pulsos de banda ultra larga para ambiente indoor,” Universidade Federal do Pará, Dissertação de Mestrado em Engenharia Elétrica, 2005. [3] S. D. Gedney, “An Anisotropic Perfectly Matched Layer – Absorbing Medium for the Truncation of FDTD Lattices,” IEEE Trans. Antennas Propagat., vol. AP-44, pp. 1630 1639, 1996. [4] “Time Domain”, http://timedomain.com, acessado em Maio/2006. [5] M. E. C. Garcia, “Rede de radares de alta resolução para proteção de ambientes indoor,” Universidade Federal do Pará, Trabalho de conclusão de curso em Engenharia Elétrica, 2006. 45 Capítulo 4 CONCLUSÃO O objetivo deste trabalho foi realizar estimativas de localização de um intruso dentro de um ambiente indoor empregando simulações numéricas utilizando o método FDTD com pulsos UWB e o método de otimização Enxame de Partículas. Essas ferramentas foram eficientes ao propósito do trabalho. O método FDTD foi utilizado por ser de relativamente fácil implementação e por ser possível calcular de forma direta respostas a pulsos UWB no ambiente desejado. A localização do intruso foi feita utilizando radares multi-estáticos com dois tipos diferentes de configurações: três e sete receptores. Deu-se ênfase às simulações com sete receptores. Inicialmente, faz-se uma abordagem teórica do método FDTD, em seguida explica-se o funcionamento do radar multi-estático com pulsos UWB e, finalmente, mostra-se como é feita a estimativa de localização pela técnica Enxame de Partículas. Com todos os recursos necessários, fazem-se as simulações em um ambiente indoor, do qual se conhecem as suas características elétricas. O nível de discretização é determinado a partir da freqüência mais alta gerada pelo pulso. Simularam-se várias situações de diferentes configurações de radar e com diferentes posições do alvo. Com os resultados obtidos, observa-se que, na maioria deles, tanto utilizando – se três receptores como sete, obtiveram-se boas estimativas. Houve um caso crítico quando se colocou o alvo próximo ao transceptor. Nessa situação, concluiu-se que a boa estimativa independe do número de receptores, pois tanto com três como com sete não se obtêm bons resultados. Uma solução para esse caso seria colocar o transmissor afastado da parede, como foi feito, e foram obtidos 46 resultados bem mais precisos. Outras alternativas seriam uma versão móvel do transmissor, varrendo o ambiente ao redor ou se usar uma rede de transceptores. Verificou-se que a técnica Enxame de Partículas funciona para tal aplicação de forma bastante eficiente, pois com ela sempre encontra-se uma estimativa dentro do espaço das possíveis soluções (ponto mais próximo às três curvas). Como trabalhos futuros, sugerem-se simulações de um ambiente em três dimensões e técnicas para diferenciar o tipo de alvo detectado utilizando métodos para reconhecimento de padrões, como as Redes Neurais Artificiais (RNAs). 47