جدول ۲-۱- مشخصات رادارهای موجود در آرشیو]۲[ ۱۲
جدول ۲-۲- مشخصات ۳ رادار عملی جهت ارزیابی روش پیشنهادی]۲[ ۱۲
جدول ۳-۱- مشخصات رادارهای مورد استفاده ۱۶
جدول ۳-۲- دو رادار نمونه ۱۷
جدول ۳-۳- انواع توابع هسته برای بردار ماشین تکیه‌گاه ۴۱
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
جدول ۴-۱- پرسپترون چند لایه با یک لایه مخفی و تعداد نرونهای مختلف ۴۶
جدول ۴-۲- پرسپترون چند لایه با دو لایه مخفی و تعداد نرونهای مختلف ۴۷
جدول ۴-۳- نتایج شبیه‌سازی بردار ماشین تکیه‌گاه با تابع هسته خطی ۴۹
جدول ۴-۴- نتایج شبیه‌سازی با تابع هسته چند جمله‌ای درجه دو برای بردار ماشین تکیه‌گاه بخش اول ۵۰
جدول ۴-۵- نتایج شبیه‌سازی با تابع هسته چند جمله‌ای درجه دو برای بردار ماشین تکیه‌گاه بخش دوم ۵۱
جدول ۴-۶- نتایج شبیه‌سازی با تابع هسته چند جمله‌ای درجه دو برای بردار ماشین تکیه‌گاه بخش سوم ۵۱
جدول ۴-۷- نتایج شبیه‌سازی با تابع هسته شعاع مبنا(RBF) برای بردار ماشین تکیه‌گاه ۵۲
جدول ۴-۸- نتایج شبیه‌سازی با تابع هسته سیگموئید برای بردار ماشین تکیه‌گاه ۵۲
جدول ۴-۹- نتایج شبیه‌سازی با تابع شعاع مبنا و استفاده از یک سیکما برای همه ۵۴
جدول ۴-۱۰- نتایج شبیه‌سازی با تابع شعاع مبنا و استفاده از یک سیکما مجزا برای هر واحد ۵۵
جدول ۴-۱۱- نتایج شبیه‌سازی با تابع شعاع مبنا و استفاده از یک سیکما برای هر واحد و هر ویژگی ۵۶
جدول ۴-۱۲- مقایسه کارایی کلاسه‌بندی شعاع مبنا برای حالت‌های مختلف استفاده از سیکما و CGD 57
فهرست شکل‌ها و تصاویر
عنوان صفحه
شکل ۱-۱- نمایش یک پالس راداری]۲۰[ ۵
شکل ۲-۱- خروجی شبکه RBF بعد از یادگیری رادارهای آرشیو و شناسایی رادارهای جدید]۲[ ۱۱
شکل ۳-۱- گسسته سازی مقادیر پارامترها ۱۷
شکل ۳-۲- مدل نرون ۲۲
شکل ۳-۳- شبکه پیشخور دو لایه ۲۲
شکل ۳-۴- توابع محرک رایج در شبکه عصبی پرسپترون چند لایه(MLP) 24
شکل۳-۵- لایه پنهان(اوزان مرتبط با مرکز خوشه، تابع خروجی معمولاً گوسین) ۲۶
شکل۳-۶- نرون شعاعی با یک ورودی ۲۷
شکل۳-۷- منحنی نمایش تابع پاسخ با تابع انتقال(تحریک) نرون شعاع با یک ورودی ۲۷
شکل۳-۸- نرون شعاعی با دو ورودی ۲۸
شکل ۳-۹- منحنی نمایش تابع پاسخ یا تابع انتقال(تحریک) نرون شعاع با دو ورودی ۲۸
شکل ۳-۱۰- نمایی از استفاده از ضرایب لاگرانژ ۳۰
شکل ۳-۱۱- نمایش ماکزیمم کردن حاشیه بین دو کلاس ۳۲
شکل ۳-۱۲ نمایش بردارهای پشتیبان برای جدا کردن داده‌ها ۳۳
شکل ۳-۱۳ نمایی از ابر صفحه جداکننده مجموعه نقاط در الگوریتم SVM 34
شکل ۳-۱۴- نمایش حاشیه امن در الگوریتم SVM 37
شکل ۳-۱۵- داده‌های غیرقابل جداسازی با یک خط ۳۹
شکل ۳-۱۶- تبدیل فضای ویژگی‌ها به فضای با ابعاد بیشتر ۳۹
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 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 ]۵[ ]۶[ ]۹[ ]۱۱[.
به‌طورکلی سیستم‌های شناسایی رادار دارای چهار جزء اصلی شامل آنتن، گیرنده، پردازشگر(شامل پردازش سیگنال و داده) و نمایشگر می‌باشد و عمل کلاسه‌بندی و تفکیک رادارها در قسمت نمایشگر این سیستم‌ها با مقایسه با آرشیو اطلاعات راداری انجام می‌شود]۱۹[.
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[۵]، زمان دریافت پالس[۶]، فرکانس، عرض پالس[۷] و دامنه پالس[۸] است]۱۴[ ]۱۶[ ]۱۷[ که با جمع آوری 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.
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.
