سایت مقالات فارسی –
کلاسهبندی رادارهای کشف شده توسط سیستمهای جنگ الکترونیک- قسمت ۳
اکنونکه با ذکر مثالی ساده به این نتیجهگیری رسیدیم که باید در طرح خاص از روش چندپارامتری برای کلاسهبندی استفاده کنیم به چالش دیگری یا در حقیقت اصلیترین چالش این طرح میرسیم که وجود همپوشانی بازههای اعداد یک پارامتر (فرضاً پارامتر فرکانس) از یک رادار مشخص با سایر بازههای همان پارامتر از یک رادار مشخص دیگر است. بهعبارتدیگر به سه دلیل آورده شده در زیر بازههای اعداد برخی پارامترهای مهم دچار همپوشانی میشود که نیاز به کلاسهبندی دادهها در اینگونه سیستمها (سیستمهای شنود راداری) را بسیار ضروریتر میکند. این سه دلیل عبارتاند از: وجود الگوهای رفتاری برخی از پارامترهای رادار مانند فرکانس، نرخ تکرار پالس و پهنای پالس. وجود نویز در سیگنالهای دریافت شده که خود باعث ایجاد تغییر در مقادیر پارامترها میشود. عدم قطعیت در واحد پردازشگر سیستم که مشخصات پارامترها را استخراج میکند. مشکل دیگری نیز در اینجا وجود دارد و آن این است که به دلیل داشتن ماهیت نظامی اینگونه مباحث(جنگ الکترونیک)، یافتن منابعی برای تحلیل و آنالیز بیشتر اینگونه موضوعات بسیار محدود بوده و بایستی با تکیه بر تئوریهای کلاسیک موجود در مبحث کلاسهبندی از مقوله دادهکاوی که منابع فراوانتری دارند برای حل مسائل خود بهره برد. ساختار پایاننامه این پایان نامه به پنج فصل تقسیم شده است. فصل دوم به مروری اجمالی بر تحقیقات انجامشده اختصاص دارد. در فصل سوم ابزارهای هوش مصنوعی استفاده شده در شبیهسازیها معرفی میگردند. در فصل چهارم شبیهسازیها و نتایج بهدستآمده از آن ها ارائه خواهد شد. درنهایت، فصل پنجم به نتیجهگیری و کارهای آینده اختصاص دارد. مروری بر تحقیقات انجامشده فصل دوم مروری بر تحقیقات انجامشده در این فصل قصد داریم تا مروری خلاصه بر کارهای انجامگرفته تاکنون در مورد این مسئله داشته باشیم. همانطور که در فصل قبل گفته شد به دلیل حساسیت موضوع و داشتن کاربرد نظامی، منابع و مقالات بسیار کمی در این زمینه موجود میباشد و از میان همین مقالات موجود نیز تنها به بیان کلیات اکتفا شده است و جزییات انجام کار بیان نگردیده است. بهعنوانمثال در ]۸[ برای استخراج خصیصهها از تبدیل فوریه و PCA[13] استفاده شده و از طبقهبندی کننده Nearest Neighbor استفاده شده است. درمجموع ۸۵۰ داده مورد استفاده قرارگرفته که از این تعداد ۳۲۵ مورد برای آموزش و ۵۲۵ مورد برای تست در نظر گرفته شده است. نتایج نشان میدهد که کارایی خوبی برای تعداد محدودی داده آموزشی به دست میآید بهطوریکه کمتر از ۱۷ درصد خطا وجود دارد و در ادامه در ]۱۷[ از تجزیه wavelet برای انتخاب خصیصهها و سپس الگوریتم LVQ برای کلاسهبندی رادارها استفاده شده است و یا گودرز سعادتی مقدم و علی ناصری در مقالهای با عنوان “روشی جدید برای پردازش اطلاعات در سیستمهای شنود راداری”]۲[ از الگوریتم RBF استفاده کردهاند که در آن برای ارزیابی بخش شناسایی نوع رادار، دیتا تولیدی شامل پارامترهای PW ، PRI و RF بیست رادار عملی با مشخصات جدول ۲-۱ را به شبکه عصبی PNN[14] اعمال کرده و شبکه آموزش داده میشود. نقاط دایره (آبیرنگ) در شکل ۲-۱ نمودار مربوط به دستهبندی بیست رادار را نشان میدهد. بعد از آموزش اطلاعات بیست رادار جدول ۲-۱ به شبکه، میتوان با معرفی بردارهای ورودی جدید، کلاس مربوط به آن ها را تشخیص داد. بدین منظور بردار ورودی جدید به شبکه PNN اعمال میگردد و نتایج آن موردبررسی قرار میگیرد به صورتی که به هر رادار موجود در آرشیو نزدیکتر باشد آن رادار بهعنوان رادار موردنظر اعلام میگردد. برای نشان دادن این موضوع رشته پالس ۳ رادار عملی مطابق جدول ۲-۲ با اعمال ۵% خطا و ۵% پالس گمشده تولید و به شبکه عصبی PNN اعمال شد. نتایج حاصل از اعمال رشته پالسهای سه رادار جدول ۲-۲ به شبکه عصبی PNN در شکل ۲-۱ با علامت ستاره (قرمزرنگ) نشان داده شده است. شکل ۲-۱- خروجی شبکه RBF بعد از یادگیری رادارهای آرشیو و شناسایی رادارهای جدید]۲[ جدول ۲-۱- مشخصات رادارهای موجود در آرشیو]۲[ جدول ۲-۲- مشخصات ۳ رادار عملی جهت ارزیابی روش پیشنهادی]۲[ همچنین این روش با روشهای کلاسیکی که از تابع فاصله و شباهت یا همسانی مانند اقلیدسی، ماهالانویس، همینگ و کسینوسی که در فضای ویژگیها اقدام به شناسایی رادار میکنند ]۱۰[ مقایسه شده است که درنتیجه آن، هر ۵ روش با موفقیت نوع رادار را شناسایی میکنند اما با توجه به آنکه روش ارائه شده در این مقاله از شبکه عصبی استفاده میکند بنابراین دارای پیچیدگی محاسباتی کمتر، قابلیت پیادهسازی موازی، تحملپذیری خطای بالا و سرعت بالا میباشد و در حالت کلی برآیند دقت الگوریتم پیشنهادی ۸۹٫۴۲۲% است. مراحل انجام کار فصل سوم مراحل انجام کار هدف کلاسهبندی دادهها، سازماندهی و تخصیص دادهها به کلاسهای مجزا میباشد. در این فرایند بر اساس دادههای توزیع شده، مدل اولیهای ایجاد میگردد. سپس این مدل برای کلاسهبندی دادههای جدید مورد استفاده قرار میگیرد، بهاینترتیب با بهکارگیری مدل بهدستآمده، تعلق دادههای جدید به کلاس معین قابل پیشگویی میباشد. در فرایند کلاسهبندی، اشیا موجود به کلاسهای مجزا با مشخصه های تفکیکشده (ظروف جداگانه) طبقهبندی و بهصورت یک مدل معرفی میگردند. سپس با در نظر گرفتن ویژگیهای هر طبقه، شیء جدید به آن ها تخصیص یافته، برچسب و نوع آن پیشگویی میگردد. در کلاسهبندی، مدل ایجادشده بر پایهی یکسری دادههای آموزشی، (اشیا دادههایی که برچسب کلاس آن ها مشخص و شناخته شده است) حاصل میآید. مدل بهدستآمده در اشکال گوناگون مانند درختهای تصمیم، فرمولهای ریاضی و شبکههای عصبی قابل نمایش میباشد. الگوی عمومی برای الگوریتمهای آموزش از طریق مثال با فرایند کلاسهبندی به چهار مرحله تقسیم میشوند: جمع آوری دادهها پیشپردازش دادهها اعمال الگوریتمهای کلاسهبندی ارزیابی الگوریتمهای اعمال شده در ادامه توضیحات مربوط به هر یک از مراحل یاد شده آورده شده است. جمع آوری دادهها در این مرحله دادههای مرتبط از پایگاه داده سیستمهای مختلف جمع آوری شده که در این فاز اطلاعات ۱۷ رادار، پس از تائید کارشناسان مربوطه مورد استفاده قرار گرفت و مطابق جدول زیر میباشد. جدول ۳-۱- مشخصات رادارهای مورد استفاده
برای دانلود متن کامل پایان نامه به سایت jemo.ir مراجعه نمایید.