کلاسه‌بندی رادارهای کشف شده توسط سیستم‌های جنگ الکترونیک WORD
 همواره در یک محیط عملیاتی جنگ الکترونیک[1] پالس‌های متعددی از رادارهای فعال در منطقه موجود می‌باشد. یکی از روش‌های تشخیص تهدیدات هوایی، دریایی و زمینی، استفاده از تحلیل سیگنال راداری است که توسط این‌گونه تهدیدات حمل می‌شوند. ازآنجایی‌که رادار به عنوان یکی از مهم‌ترین حسگرها[2] در این حوزه مورد استفاده قرار می‌گیرد، لذا شناسایی دقیق و سریع رادارهای موجود در یک منطقه عملیاتی از اهمیت ویژه‌ای برخوردار است. برای شناسایی رادارها، واحد پردازش اطلاعات نقش مهمی را بر عهده دارد که یکی از بخش‌های مهم این واحد، کلاسه‌بندی رادارهای کشف شده می‌باشد. در این تحقیق از الگوریتم SVM[3] برای این منظور استفاده شده است که با توجه به نتایج به‌دست‌آمده از شبیه‌سازی‌ها و مقایسه آن با چند روش دیگر، الگوریتم مذکور بهترین کارایی را دارد. فهرست مطالب عنوان صفحه فصل 1- مقدمه1 1-1- پیشگفتار2 1-2- اهداف پایان‌نامه3 1-3- مسائل و مشکلات مربوط به موضوع5 1-4- ساختار پایان‌نامه7 فصل 2- مروری بر تحقیقات انجام‌شده9 فصل 3- مراحل انجام کار14 3-1- جمع‌آوری داده‌ها16 3-2- پیش‌پردازش داده‌ها17 3-2-1- انتخاب و کاهش ویژگی‌ها با استفاده از PCA18 3-3- الگوریتم‌های کلاسه‌بندی مورد استفاده21 3-3-1- شبکه عصبی پرسپترون چند لایه(MLP)21 3-3-2- شبکه عصبی شعاع مبنا24 3-3-3- بردار ماشین تکیهگاه(SVM)29 3-4-ارزیابی روش‌های کلاسه‌بندی43 فصل 4- شبیه‌سازی44 4-1- مقدمه45 4-2- انتخاب ویژگی‌ها45 4-3- شبیه‌سازی با پرسپترون چند لایه46 4-4- شبیه‌سازی با بردار ماشین تکیهگاه48 4-5- شبیه‌سازی با شبکه عصبی شعاع مبنا53 فصل 5- نتیجه‌گیری و پیشنهادات58 5-1- نتیجه‌گیری و جمع‌بندی59 5-2- پیشنهادات و کارهای آینده59 فهرست منابع60 فهرست جداول عنوان صفحه جدول 2-1- مشخصات رادارهای موجود در آرشیو]2[12 جدول 2-2- مشخصات3رادارعملیجهتارزیابیروشپیشنهادی]2[12 جدول 3-1- مشخصات رادارهای مورد استفاده16 جدول 3-2- دو رادار نمونه17 جدول 3-3- انواع توابع هسته برای بردار ماشین تکیهگاه41 جدول 4-1- پرسپترون چند لایه با یک لایه مخفی و تعداد نرونهای مختلف46 جدول 4-2- پرسپترون چند لایه با دو لایه مخفی و تعداد نرونهای مختلف47 جدول 4-3- نتایج شبیه‌سازی بردار ماشین تکیهگاه با تابع هسته خطی49 جدول 4-4- نتایج شبیه‌سازی با تابع هسته چند جمله‌ای درجه دو برای بردار ماشین تکیهگاه بخش اول50 جدول 4-5- نتایج شبیه‌سازی با تابع هسته چند جمله‌ای درجه دو برای بردار ماشین تکیهگاه بخش دوم51 جدول 4-6- نتایج شبیه‌سازی با تابع هسته چند جمله‌ای درجه دو برای بردار ماشین تکیهگاه بخش سوم51 جدول 4-7- نتایج شبیه‌سازی با تابع هسته شعاع مبنا(RBF) برای بردار ماشین تکیهگاه52 جدول 4-8- نتایج شبیه‌سازی با تابع هسته سیگموئید برای بردار ماشین تکیهگاه52 جدول 4-9- نتایج شبیه‌سازی با تابع شعاع مبنا و استفاده از یک سیکما برای همه54 جدول 4-10- نتایج شبیه‌سازی با تابع شعاع مبنا و استفاده از یک سیکما مجزا برای هر واحد55 جدول 4-11- نتایج شبیه‌سازی با تابع شعاع مبنا و استفاده از یک سیکما برای هر واحد و هر ویژگی56 جدول 4-12- مقایسه کارایی کلاسه‌بندی شعاع مبنا برای حالت‌های مختلف استفاده از سیکما و CGD57 فهرست شکل‌ها و تصاویر عنوان صفحه شکل 1-1- نمایش یک پالس راداری]20[5 شکل 2-1- خروجی شبکه RBF بعد از یادگیری رادارهای آرشیو و شناسایی رادارهای جدید]2[11 شکل 3-1- گسسته سازی مقادیر پارامترها17 شکل 3-2- مدل نرون22 شکل 3-3- شبکه پیشخور دو لایه 22 شکل 3-4- توابع محرک رایج در شبکه عصبی پرسپترون چند لایه(MLP)24 شکل3-5- لایه پنهان(اوزان مرتبط با مرکز خوشه، تابع خروجی معمولاً گوسین)26 شکل3-6- نرون شعاعی با یک ورودی27 شکل3-7- منحنی نمایش تابع پاسخ با تابع انتقال(تحریک) نرون شعاع با یک ورودی27 شکل3-8- نرون شعاعی با دو ورودی28 شکل 3-9- منحنی نمایش تابع پاسخ یا تابع انتقال(تحریک) نرون شعاع با دو ورودی28 شکل 3-10- نمایی از استفاده از ضرایب لاگرانژ30 شکل 3-11- نمایش ماکزیمم کردن حاشیه بین دو کلاس32 شکل 3-12 نمایش بردارهای پشتیبان برای جدا کردن داده‌ها33 شکل 3-13 نمایی از ابر صفحه جداکننده مجموعه نقاط در الگوریتم SVM34 شکل 3-14- نمایش حاشیه امن در الگوریتم SVM37 شکل 3-15- داده‌های غیرقابل جداسازی با یک خط39 شکل 3-16- تبدیل فضای ویژگی‌ها به فضای با ابعاد بیشتر39 فصل 1- مقدمهفصل اول مقدمه 1-1- پیشگفتار در دنیای امروزی، اطلاعات به عنوان یکی از فاکتورهای تولیدی مهم پدیدار شده است. درنتیجه تلاش برای استخراج اطلاعات از داده‌ها توجه بسیاری از افراد دخیل در صنعت اطلاعات را به خود جلب نموده است. پیشرفتهای حاصله در علم اطلاع‌رسانی و فناوری اطلاعات، فنون و ابزارهای جدیدی را برای غلبه بر رشد مستمر و تنوع بانک‌های اطلاعاتی تأمین می‌کنند. این پیشرفت‌ها هم در بعد سخت‌افزاری و هم نرم‌افزاری حاصل‌شده‌اند. داده‌کاوی یکی از پیشرفتهای اخیر در راستای فن‌آوری‌های مدیریت داده‌هاست. داده‌کاوی مجموعه‌ای از فنون است که به شخص امکان می‌دهد تا ورای داده‌پردازی معمولی حرکت کند و به استخراج اطلاعاتی که در انبوه داده‌ها مخفی و یا پنهان است کمک می‌کند. سیستم‌های پشتیبان الکترونیکی یا ESM[4]، سیستم‌های منفعل هستند که تشعشع امواج تولیدی را از بسیاری از سیستم‌ها، دریافت و ویژگی‌های هر یک از پالس‌های دریافت شده را اندازه‌گیری می‌کنند و سپس پالس‌هایی که متعلق به ساتع کننده‌ای مشابه باشند را برای تعیین و استخراج پارامترها و ویژگی‌های رادار کشف شده دسته‌بندی می‌کنند و هدف آن جستجو، ره‌گیری، مکان‌یابی و تحلیل سیگنال‌های راداری در دیده‌بانی و مراقبت از منطقه نظامی می‌باشد ]5[]6[]9[]11[. به‌طورکلی سیستم‌هایشناساییراداردارایچهارجزءاصلی شاملآنتن، گیرنده،پردازشگر(شامل پردازش سیگنال و داده)ونمایشگرمی‌باشد و عمل کلاسه‌بندی و تفکیک رادارها در قسمت نمایشگر این سیستم‌ها با مقایسه با آرشیو اطلاعات راداری انجام می‌شود]19[. در یک محیط جنگ الکترونیک، رشته پالس‌های مربوط به رادارهای فعال در محیط با هم ادغام شده و توسط گیرنده‌های سیستم شنود راداری دریافت می‌شوند. این رشته پالس‌ها دارای ویژگی‌های متفاوتی هستند که آن‌ها را از هم مجزا می‌سازند. این ویژگی‌ها با توجه به نوع رادار و تهدیدها، متفاوت خواهد بود. ویژگی‌های مربوط به هر رادار با چند پارامتر اصلی مشخص می‌شوند که این پارامترها شامل جهت[5]، زمان دریافت پالس[6]، فرکانس، عرض پالس[7] و دامنه پالس[8] است]14[]16[]17[ که با جمع‌آوری تعداد زیادی از این رکوردها و مؤلفه‌های مشخصه می‌توان یک مجموعه داده مرجع و کارآمد تشکیل داد که برای شناسایی، پیش‌بینی، دسته‌بندی و برچسب‌گذاری رادارها از آن استفاده می‌شود. 1-2- اهداف پایان‌نامه با توجه به گستردگی آماری داده‌ها و انواع رادارهای موجود، مسئله برچسب‌گذاری رادارهای استخراج شده، چالشی جدی است. در صورت اکتشاف پارامترهای عملیاتی یک رادار توسط سیستم‌های شنود راداری موجود در یک منطقه عملیاتی، می‌بایست بر اساس پایگاه داده موجود، نام و نوع آن رادار تشخیص داده شود تا بتوان عملیات مناسبی را جهت غیرفعال کردن آن رادار انجام داد. در حال حاضر برای انجام این کار از پردازش‌های قیاسی استفاده می‌شود تا رکوردی که بیشترین شباهت با رادار کشف شده توسط نرم‌افزار دارد مشخص گردد که برای انجام این کار از یک مدل ریاضی خیلی ساده‌انگارانه خطی استفاده می‌شود که بر اساس آن توسط نیروی خبره، یک ضریب به هر پارامتر آن رادار اختصاص می‌یابد و با عملیات ریاضی خیلی ساده‌ای، راداری که بیشترین شباهت به رادار مکشوفه دارد استخراج می‌شود و بنابراین فرآیندی زمان‌بر و کم‌دقت است و همچنین به سطح تخصص و تجربه فرد خبره نیز بستگی دارد و علاوه بر آن رادارهای بسیار متنوع و متفاوتی وجود دارد که برای هرکدام از آن‌ها باید ضرایب متفاوتی را اعمال کرد. همان‌طور که مشخص است نیروی انسانی نقش عمده‌ای در فرآیند فوق‌الذکر دارد، هدف از انجام این پایان‌نامه کاهش نقش نیروی انسانی و خطاهایی است که می‌تواند از این منبع سرچشمه بگیرد. بنابراین و با در نظر گرفتن صورت‌مسئله یادشده، استفاده از الگوریتم‌های کلاسه‌بندی[9] در داده‌کاوی[10] ابزار مناسبی جهت تشخیص، تبیین و استخراج اطلاعات مطلوب از مجموعه داده جمع‌آوری‌شده می‌باشد. در سیستم‌های مخابراتی نظامی تکنیک‌های پیشرفتهای برای شنود و پردازش سیگنال‌های بلادرنگ بکار می‌رود که برای تصمیم‌گیری‌های مربوط به عملیات جنگ الکترونیک و سایر عملیات تاکتیکی حیاتی‌اند. امروزه ضرورت سیستم‌های هوشمند با تکنیک‌های پردازش سیگنال مدرن، به‌خوبی احساس می‌شود. وظیفه اصلی چنین سیستم‌هایی شناخت رادارهای موجود در محیط عملیاتی و طبقه‌بندی آن‌ها بر اساس آموخته‌های قبلی سیستم و انجام عملیات لازمه با سرعت بالا و بلادرنگ می‌باشد بخصوص در مواردی که سیگنال دریافت شده مربوط به یک تهدید آنی مانند موشک است و باید سیستم‌های جنگ الکترونیک در کوتاه‌ترین زمان ممکن پاسخ لازم را به عنوان هشداردهنده بدهند. هدفی که به دنبال آن هستیم استفاده از نتایج این تحقیق در کلاسه‌بندی اطلاعات استخراج شده توسط سیستم‌های شنود راداری می‌باشد که این امر بعد از مرحله پیش‌پردازش سیگنال ورودی و انتخاب صحیح الگوریتم‌های دسته‌بندی، محقق می‌شود. عملیات پیش‌پردازش می‌تواند دربرگیرنده حذف نویز ، تخمین فرکانس حامل، توان سیگنال و نویز، همسان‌سازی و... می‌باشد که به دلیل وجود مباحث مخابراتی از بحث ما خارج می‌باشد. پس از پردازش و استخراج مشخصات سیگنال ورودی و ذخیره‌سازی در بانک اطلاعاتی سیستم نوبت به تشخیص نوع رادار کشف شده با تکیه‌بر اطلاعات موجود و آموزش قبلی سیستم است. در این راستا مطالعه روش‌های معتبر کلاسه‌بندی داده‌ها در یک قالب مشخص، و از میان آن‌ها انتخاب روش بهینه حائز اهمیت برای سیستم‌های شنود می‌باشد. ازآنجایی‌که آیتم زمان در چنین سیستم‌هایی بسیار مهم و حیاتی است بنابراین انتخاب روشی مؤثر، بهینه و سریع به‌منظور کلاسه‌بندی و هدایت روش‌های ECM[11] برای این‌گونه تجهیزات نظامی دارای جایگاه خاصی می‌باشد 1-3- مسائل و مشکلات مربوط به موضوع در حال حاضر فرآیند جداسازی پالس‌های راداری معمولاً یک یا چند پارامتر مربوط به یک پالس(مانند شکل 1-1) را در نظر می‌گیرند. به طور مثال برای جداسازی پالس‌ها در گیرنده و نسبت‍دادن آن به راداری مشخص و معلوم، در حالات تک پارامتری، پارامتر زمان دریافت پالس مورد استفاده قرار می‌گیرد. در حالات دوم، پارامترهای دیگر نیز مورد استفاده قرار می‌گیرند. لذا با توجه به مطالب ذکرشده روش‌های جداسازی پالس‌ها به دو روش تک‍پارامتری و چند‍پارامتری تقسیم می‌شوند.]3[ جهت کپی مطلب از ctrl+A استفاده نمایید نماید |
