منابع تحقیق با موضوع شبکه عصبی، پردازش اطلاعات، هوش مصنوعی

این زمینه می‌شود. علیرغم مسائل و مشکلات مربوط بهروش‌های تک‍پارامتری، این روش‌ها در محیط‌های ساده و نه‌چندان شلوغ و پیچیده نسبت به روش‌های چند پارامتری دارای سرعت بالاتری خواهند بود. در ادامه توضيح داده خواهد شد كه روش تک‍پارامتري جوابگوی تمام الگوهاي رفتاري رادارها (مانند Stagger, Jitter) نخواهد بود.
فرض کنید که بخواهیم مثلاً بر اساس فقط پارامتر فرکانس کلاسه‌بندی انجام شود. در این حالت فرض كنيم كه سيستم پالس‌های چندین رادار را كشف كرده و اطلاعات آن‌ها را استخراج نموده است، تداخلي بين آن‌ها به وجود نيامده و الگوي رفتاري فرکانس همه آن‌ها نیز ثابت بوده باشد آنگاه ممکن است كه این انتخاب روش براي کلاسه‌بندی مناسب باشد. ولی اگر الگوي رفتاري فرکانس پالس رادار دریافتی از نوع Agile یا از نوع Diversity باشد در این صورت به دلیل ماهيت همان الگوي رفتاري خروجي شامل چندین رادار می‌شود درصورتی‌که درواقع تمامی این فرکانس‌ها مربوط به یک رادار بوده است. با توجه به توضيحات گفته‌شده بالا همین موضوع برای پارامتر 12PRI نیز صادق است چراکه به علت تنوع الگوهای رفتاري PRI این مسئله نیز مشکلي به‌مانند فركانس را به وجود می‌آورد (برخی از انواع الگوهاي معروف و متداول PRI شامل: Stable, Jitter, Stagger, Dwell&Switch, Periodical است). بنابراین نیاز است تا برای کلاسه‌بندی سیگنال‌های راداری از روش چند‍پارامتري استفاده شود که در این صورت رادارها بر اساس چندین مشخصه پالس‌هایشان کلاسه‌بندی می‌شوند و باعث محدودتر شدن دسته‌ها و درنتیجه بالاتر رفتن سرعت جستجوها و مقایسه‌ها در مراجعات بعدی خواهد شد.
اکنون‌که با ذكر مثالي ساده به اين نتیجه‌گیری رسيديم كه بايد در طرح خاص از روش چند‍پارامتري براي کلاسه‌بندی استفاده كنيم به چالش ديگري يا در حقيقت اصلی‌ترین چالش اين طرح می‌رسیم كه وجود همپوشاني بازه‌های اعداد يك پارامتر (فرضاً پارامتر فركانس) از يك رادار مشخص با ساير بازه‌های همان پارامتر از يك رادار مشخص ديگر است. به‌عبارت‌دیگر به سه دليل آورده شده در زير بازه‌های اعداد برخي پارامترهاي مهم دچار همپوشاني می‌شود كه نياز به کلاسه‌بندی داده‌ها در این‌گونه سیستم‌ها (سیستم‌های شنود راداري) را بسيار ضروری‌تر می‌کند. اين سه دليل عبارت‌اند از:
وجود الگوهاي رفتاري برخي از پارامترهاي رادار مانند فركانس، نرخ تكرار پالس و پهناي پالس.
وجود نويز در سیگنال‌های دريافت شده كه خود باعث ايجاد تغيير در مقادير پارامترها می‌شود.
عدم قطعيت در واحد پردازشگر سيستم كه مشخصات پارامترها را استخراج می‌کند.
مشکل دیگری نيز در اینجا وجود دارد و آن اين است که به دلیل داشتن ماهیت نظامی این‌گونه مباحث(جنگ الکترونیک)، یافتن منابعی برای تحلیل و آناليز بيشتر این‌گونه موضوعات بسیار محدود بوده و بایستی با تكيه بر تئوری‌های کلاسیک موجود در مبحث کلاسه‌بندی از مقوله داده‌کاوی که منابع فراوان‌تری دارند براي حل مسائل خود بهره برد.
ساختار پایان‌نامه
این پایاننامه 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 آن‌ها 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 ]8[ برای استخراج خصیصه‌ها از تبدیل فوریه و PCA13 استفاده شده و از طبقه‌بندی کننده Nearest Neighbor استفاده شده است. درمجموع 850 داده مورد استفاده قرارگرفته که از این تعداد 325 مورد برای آموزش و 525 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 17 درصد خطا وجود دارد و در ادامه در ]17[ 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”]2[ از الگوریتم RBF استفاده کرده‌اند که در آن براي ارزیابی بخش شناسایی نوع رادار، دیتا تولیدي شامل پارامترهاي PW ، PRI و RF بیست رادار عملی با مشخصات جدول 2-1 را به شبکه عصبی PNN14 اعمال کرده و شبکه آموزش داده می‌شود. نقاط دایره (آبی‌رنگ) در شکل 2-1 نمودار مربوط به دسته‌بندی بیست رادار را نشان می‌دهد. بعد از آموزش اطلاعات بیست رادار جدول 2-1 به شبکه، می‌توان با معرفی بردارهاي ورودي جدید، کلاس مربوط به آن‌ها را تشخیص داد. بدین منظور بردار ورودي 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. براي نشان دادن این موضوع رشته پالس 3 رادار عملی مطابق جدول 2-2 با اعمال 5% خطا و 5% پالس گمشده تولید و به شبکه عصبی PNN اعمال شد. نتایج حاصل از اعمال رشته پالس‌های سه رادار جدول 2-2 به شبکه عصبی PNN در شکل 2-1 با علامت ستاره (قرمزرنگ) نشان داده شده است.
شکل 2-1- خروجی شبکه RBF بعد از یادگیري رادارهاي آرشیو و شناسایی رادارهاي جدید]2[
جدول 2-1- مشخصات رادارهای موجود در آرشیو]2[
جدول 2-2- مشخصات 3 رادار عملی جهت ارزیابی روش پیشنهادي]2[
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 ]10[ مقایسه شده است که درنتیجه آن، هر 5 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 89.422% است.
مراحل انجام کار
فصل سوم
مراحل انجام کار
هدف کلاسه‌بندي داده‌ها، سازمان‌دهی و تخصيص داده‌ها به كلاس‌هاي مجزا مي‌باشد. در اين فرآيند بر اساس داده‌هاي توزيع شده، مدل اوليه‌اي ايجاد مي‌گردد. سپس اين مدل براي کلاسه‌بندي داده‌هاي جديد مورد استفاده قرار مي‌گيرد، به‌این‌ترتیب با به‌کارگیری مدل به‌دست‌آمده، تعلق داده‌هاي جديد به كلاس معين قابل پيشگويي مي‌باشد.
در فرآيند کلاسه‌بندي، اشيا موجود به كلاس‌هاي مجزا با مشخصه‌هاي تفكيك‌شده (ظروف جداگانه) طبقه‌بندي و به‌صورت يك مدل معرفي مي‌گردند. سپس با در نظر گرفتن ويژگي‌هاي هر طبقه، شی‌ء‌ جديد به آن‌ها تخصيص يافته، برچسب و نوع آن پيشگويي می‌گردد.
در کلاسه‌بندي، مدل ایجادشده بر پايه‌ي یکسری داده‌هاي آموزشي، (اشيا داده‌هايي كه برچسب كلاس آن‌ها مشخص و شناخته شده است) حاصل می‌آید. مدل به‌دست‌آمده در اشكال گوناگون مانند درخت‌هاي تصميم، فرمول‌هاي رياضي و شبكه‌هاي عصبي قابل نمايش مي‌باشد.
الگوي عمومي‌ براي الگوريتم‌هاي آموزش از طريق مثال با فرآيند كلاسه‌بندي به چهار مرحله تقسيم مي‌‌شوند:
جمع‌آوری داده‌ها
پيش‌پردازش داده‌ها
اعمال الگوریتم‌های كلاسه‌بندي
ارزیابی الگوریتم‌های اعمال شده
در ادامه توضیحات مربوط به هر یک از مراحل یاد شده آورده شده است.
جمع‌آوری داده‌ها
در اين مرحله داده‌های مرتبط از پايگاه داده سیستم‌های مختلف جمع‌آوری شده که در این فاز اطلاعات 17 رادار، پس از تائید کارشناسان مربوطه مورد استفاده قرار گرفت و مطابق جدول زیر می‌باشد.
جدول 3-1- مشخصات رادارهای مورد استفاده
Name
PRI
PW
Freq
Radar 1
66 – 67
0.6 – 0.7
9345 – 9405
Radar 2
3.1 – 3.4
1.2 – 1.5
9690 – 9770
Radar 3
4.2 – 4.3
1.3 – 1.5
9664 – 9665
Radar 4
3.1 – 3.4
1.5 – 1.7
8600 – 10600
Radar 5
5.8 – 6
1.7 – 1.9
9300 – 10840
Radar 6
5.7 – 6
1.6 – 1.8
9300 – 10840
Radar 7
3315 – 3340
1 – 3
15500 – 15600
Radar 8
1900 – 2000
2 – 2.6
9365 – 9385
Radar 9
3029 – 3031
0.4 – 2
8700 – 9400
Radar 10
680 – 780
8.4 – 8.5
9150 – 9450
Radar 11
1000 – 1109
1 – 1.2
8900 – 9000
Radar 12
2008 – 2008.8
0.8 – 1
9604 – 9750
Radar 13
33 – 90
1 – 8
3175 – 3425
Radar 14
37.4 – 39.4
0.9 – 1.3
3349 – 3350
Radar 15
1666 – 1672
0.1 – 0.5
8000 – 10000
Radar 16
2630 – 2632
1.9 – 2.1
3230 – 3290
Radar 17
2700
5.8 – 6.2
1250 – 1350
پیش‌پردازش داده‌ها
با توجه به این‌که اطلاعات رسیده مورد بررسی و تائید افراد خبره در این حوزه رسیده بود بنابراین با مشکلاتی همچون missing value، duplicate value و … روبرو نبودیم و تنها چالش موجود بر سر راه این بود که با توجه به این که مثلاً فرمت رادارها به‌صورت جدول 3-1 است.
جدول 3-2- دو رادار نمونه
Frequency
(Freq)
Pulse Width
(PW)
Pulse Repetition Interval
(PRI)
Radar Name
(Label)
2000~2200
0.1~0.4
2~4
R1
9340~9348
2~6
133~200
R2
یعنی مقادیر فیلدهای Freq، PW و PRI به‌صورت بازه ذکرشده‌اند و اطلاعاتی از مقادیر دقیق آن‌ها و یا توزیع داده‌ها در دست نیست که بتوان میانگین، ان

دیدگاهتان را بنویسید

Close Menu