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- جمع‌ آوری داده‌ها 16

3-2- پیش‌پردازش داده‌ها 17

3-2-1- انتخاب و کاهش ویژگی‌ها با بهره گرفتن 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-ارزیابی روش‌های کلاسه‌بندی.. 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- نتیجه‌گیری و جمع‌بندی.. 59

5-2- پیشنهادات و كارهای آینده 59

فهرست منابع.. 60

فهرست جداول

جدول 2-1- مشخصات رادارهای موجود در آرشیو]2[ 12

جدول 2-2- مشخصات 3 رادار عملی جهت ارزیابی روش پیشنهادی]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

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 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

چکیده
همواره در یک محیط عملیاتی جنگ الکترونیک[1] پالس‌های متعددی از رادارهای فعال در منطقه موجود می‌باشد. یكی از روش‌های تشخیص تهدیدات هوایی، دریایی و زمینی، استفاده از تحلیل سیگنال راداری است كه 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.

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[1]، 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[.