منابع تحقیق با موضوع شبیه‌سازی، پرسپترون چند لایه، شبکه عصبی

ای 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 اين تحقيق از الگوریتم SVM3 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- مقدمه 1
1-1- پیشگفتار 2
1-2- اهداف پایان‌نامه 3
1-3- مسائل و مشکلات مربوط به موضوع 5
1-4- ساختار پایان‌نامه 7
فصل 2- مروری بر تحقیقات انجام‌شده 9
فصل 3- مراحل انجام کار 14
3-1- جمع‌آوری داده‌ها 16
3-2- پیش‌پردازش داده‌ها 17
3-2-1- انتخاب و کاهش ویژگی‌ها با استفاده از PCA 18
3-3- الگوریتم‌های کلاسه‌بندی مورد استفاده 21
3-3-1- شبکه عصبی پرسپترون چند لایه(MLP) 21
3-3-2- شبکه عصبی شعاع مبنا 24
3-3-3- بردار ماشین تکیه‍گاه(SVM) 29
3-4-ارزيابي روش‌هاي کلاسه‌بندي 43
فصل 4- شبیه‌سازی 44
4-1- مقدمه 45
4-2- انتخاب ویژگی‌ها 45
4-3- شبیه‌سازی با پرسپترون چند لایه 46
4-4- شبیه‌سازی با بردار ماشین تکیه‌گاه 48
4-5- شبیه‌سازی با شبکه عصبی شعاع مبنا 53
فصل 5- نتیجه‌گیری و پیشنهادات 58
5-1- نتيجه‌گيري و جمع‌بندي 59
5-2- پيشنهادات و كارهاي آینده 59
فهرست منابع 60
فهرست جداول
عنوان صفحه
جدول 2-1- مشخصات رادارهای موجود در آرشیو]2[ 12
جدول 2-2- مشخصات 3 رادار عملی جهت ارزیابی روش پیشنهادي]2[ 12
جدول 3-1- مشخصات رادارهای مورد استفاده 16
جدول 3-2- دو رادار نمونه 17
جدول 3-3- انواع توابع هسته برای بردار ماشین تکیه‌گاه 41
جدول 4-1- پرسپترون چند لایه با یک لایه مخفی و تعداد نرونهای مختلف 46
جدول 4-2- پرسپترون چند لایه با دو لایه مخفی و تعداد نرونهای مختلف 47
جدول 4-3- نتایج شبیه‌سازی بردار ماشین تکیه‌گاه با تابع هسته خطی 49
جدول 4-4- نتایج شبیه‌سازی با تابع هسته چند جمله‌ای درجه دو برای بردار ماشین تکیه‌گاه بخش اول 50
جدول 4-5- نتایج شبیه‌سازی با تابع هسته چند جمله‌ای درجه دو برای بردار ماشین تکیه‌گاه بخش دوم 51
جدول 4-6- نتایج شبیه‌سازی با تابع هسته چند جمله‌ای درجه دو برای بردار ماشین تکیه‌گاه بخش سوم 51
جدول 4-7- نتایج شبیه‌سازی با تابع هسته شعاع مبنا(RBF) برای بردار ماشین تکیه‌گاه 52
جدول 4-8- نتایج شبیه‌سازی با تابع هسته سیگموئید برای بردار ماشین تکیه‌گاه 52
جدول 4-9- نتایج شبیه‌سازی با تابع شعاع مبنا و استفاده از یک سیکما برای همه 54
جدول 4-10- نتایج شبیه‌سازی با تابع شعاع مبنا و استفاده از یک سیکما مجزا برای هر واحد 55
جدول 4-11- نتایج شبیه‌سازی با تابع شعاع مبنا و استفاده از یک سیکما برای هر واحد و هر ویژگی 56
جدول 4-12- مقایسه کارایی کلاسه‌بندی شعاع مبنا برای حالت‌های مختلف استفاده از سیکما و CGD 57
فهرست شکل‌ها و تصاویر
عنوان صفحه
شکل 1-1- نمایش یک پالس راداری]20[ 5
شکل 2-1- خروجی شبکه RBF بعد از یادگیري رادارهاي آرشیو و شناسایی رادارهاي جدید]2[ 11
شکل 3-1- گسسته سازی مقادیر پارامترها 17
شکل 3-2- مدل نرون 22
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 ورودی 27
شکل3-7- منحنی نمایش تابع پاسخ با تابع انتقال(تحریک) نرون شعاع با یک ورودی 27
شکل3-8- نرون شعاعی با دو ورودی 28
شکل 3-9- منحنی نمایش تابع پاسخ یا تابع انتقال(تحریک) نرون شعاع با دو ورودی 28
شکل 3-10- نمایی از استفاده از ضرایب لاگرانژ 30
شکل 3-11- نمایش ماکزیمم کردن حاشیه بین دو کلاس 32
شکل 3-12 نمایش بردارهای پشتیبان برای جدا کردن داده‌ها 33
شکل 3-13 نمایی از ابر صفحه جداکننده مجموعه نقاط در الگوریتم SVM 34
شکل 3-14- نمایش حاشیه امن در الگوریتم SVM 37
شکل 3-15- داده‌های غیرقابل جداسازی با یک خط 39
شکل 3-16- تبدیل فضای ویژگی‌ها به فضای با ابعاد بیشتر 39
مقدمه
فصل اول
مقدمه
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 ESM4، 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 سیستم‌های شناسایی رادار داراي چهار جزء اصلی شامل آنتن، گیرنده، پردازشگر(شامل پردازش سيگنال و داده) و نمایشگر می‌باشد و عمل کلاسه‌بندی و تفکیک رادارها در قسمت نمايشگر این سیستم‌ها با مقايسه با آرشيو اطلاعات راداري 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 جهت5، زمان دریافت پالس6، فرکانس، عرض پالس7 و دامنه پالس8 است]14[ ]16[ ]17[ که با جمع‌آوري تعداد زيادي از اين ركوردها و مؤلفه‌های مشخصه مي‌توان يك مجموعه داده مرجع و كارآمد تشكيل داد كه براي شناسايي، پيش‌بيني، دسته‌بندي و برچسب‌گذاری رادارها از آن استفاده مي‌شود.
اهداف پایان‌نامه
با توجه به گستردگي آماري داده‌ها و انواع رادارهاي موجود، مسئله برچسب‌گذاری رادارهای استخراج شده، چالشي جدي است. در صورت اكتشاف پارامترهای عملیاتی يك رادار توسط سیستم‌های شنود راداری موجود در يك منطقه عملياتي، مي‌بايست بر اساس پایگاه داده موجود، نام و نوع آن رادار تشخيص داده شود تا بتوان عمليات مناسبي را جهت غیرفعال كردن آن رادار انجام داد. در حال حاضر برای انجام این کار از پردازش‌هاي قياسي استفاده می‌شود تا رکوردی که بیشترین شباهت با رادار کشف شده توسط نرم‌افزار دارد مشخص گردد که برای انجام این کار از يك مدل رياضي خيلي ساده‌انگارانه خطي استفاده می‌شود كه بر اساس آن توسط نیروی خبره، یک ضريب به هر پارامتر آن رادار اختصاص می‌یابد و با عملیات ریاضی خیلی ساده‌ای، راداری که بیشترین شباهت به رادار مکشوفه دارد استخراج می‌شود و بنابراين فرآيندي زمان‌بر و کم‌دقت است و همچنين به سطح تخصص و تجربه فرد خبره نيز 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 كه مشخص است نيروي انساني نقش عمده‌ای در فرآيند فوق‌الذکر دارد، هدف از انجام اين پایان‌نامه كاهش نقش نيروي انساني و خطاهايي است كه مي‌تواند از اين منبع سرچشمه بگيرد. بنابراين و با در نظر گرفتن صورت‌مسئله یادشده، استفاده از الگوریتم‌های کلاسه‌بندی9 در داده‌کاوی10 ابزار مناسبي جهت تشخيص، تبيين و استخراج اطلاعات مطلوب از مجموعه داده جمع‌آوری‌شده مي‌باشد.
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 ECM11 برای این‌گونه تجهیزات نظامی دارای جایگاه خاصی می‌باشد
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[
شکل 1-1- نمایش یک پالس راداری]20[
اما در عملیات کلاسه‌بندی راداری ما مجبوریم تا چندین پارامتر از آن پالس کشف شده را مورد مقایسه و ارزیابی قرار دهیم برخلاف روش تک‍پارامتری که سرعت بالایی دارد روش دوم یا چند‍پارامتری پیچیدگی کار را بالابرده که در این صورت سرعت تحت‌الشعاع دقت سیستم قرار خواهد گرفت. علاوه بر اين موضوع در هنگامی‌که تعداد پالس‌ها زياد شود روند ارزيابي و تشخيص رادار از روي چندين پارامتر پيچيده می‌گردد.
البته می‌توانیم بر اساس روش تک‍پارامتری کلاسه‌بندی را انجام دهیم ولی در این صورت به علت وجود تعداد رادارهای زیاد در یک منطقه و پیشرفت روزافزون رادارها در ارسال الگوهاي رفتاري متفاوت در يك يا چندين پارامتر خودشان در هرلحظه، دسته‌بندی‌های انجام شده بسیار متنوع و زیاد خواهند شد که باعث به وجود آمدن مشکلاتی در

دیدگاهتان را بنویسید

Close Menu