همواره در یک محیط عملیاتی جنگ الکترونیک[1] پالسهای متعددی از رادارهای فعال در منطقه موجود میباشد. يكي از روشهای تشخيص تهديدات هوايي، دريايي و زميني، استفاده از تحليل سيگنال راداري است كه توسط اینگونه تهديدات 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 اين تحقيق 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 صفحهفصل 1- مقدمه11-1- پیشگفتار21-2- اهداف پایاننامه31-3- مسائل و مشکلات مربوط به موضوع51-4- ساختار پایاننامه7فصل 2- مروری بر تحقیقات انجامشده9فصل 3- مراحل انجام کار143-1- جمعآوری دادهها163-2- پیشپردازش دادهها173-2-1- انتخاب و کاهش ویژگیها با استفاده از PCA183-3- الگوریتمهای کلاسهبندی مورد استفاده213-3-1- شبکه عصبی پرسپترون چند لایه(MLP)213-3-2- شبکه عصبی شعاع مبنا243-3-3- بردار ماشین تکیهگاه(SVM)293-4-ارزيابي روشهاي کلاسهبندي43فصل 4- شبیهسازی444-1- مقدمه454-2- انتخاب ویژگیها454-3- شبیهسازی با پرسپترون چند لایه464-4- شبیهسازی با بردار ماشین تکیهگاه484-5- شبیهسازی با شبکه عصبی شعاع مبنا53فصل 5- نتیجهگیری و پیشنهادات585-1- نتيجهگيري و جمعبندي595-2- پيشنهادات و كارهاي آینده59فهرست منابع60 فهرست جداول عنوان صفحهجدول 2-1- مشخصات رادارهای موجود در آرشیو]2[12جدول 2-2- مشخصات3رادارعملیجهتارزیابیروشپیشنهادي]2[12جدول 3-1- مشخصات رادارهای مورد استفاده16جدول 3-2- دو رادار نمونه17جدول 3-3- انواع توابع هسته برای بردار ماشین تکیهگاه41جدول 4-1- پرسپترون چند لایه با یک لایه مخفی و تعداد نرونهای مختلف46جدول 4-2- پرسپترون چند لایه با دو لایه مخفی و تعداد نرونهای مختلف47جدول 4-3- نتایج شبیهسازی بردار ماشین تکیهگاه با تابع هسته خطی49جدول 4-4- نتایج شبیهسازی با تابع هسته چند جملهای درجه دو برای بردار ماشین تکیهگاه بخش اول50جدول 4-5- نتایج شبیهسازی با تابع هسته چند جملهای درجه دو برای بردار ماشین تکیهگاه بخش دوم51جدول 4-6- نتایج شبیهسازی با تابع هسته چند جملهای درجه دو برای بردار ماشین تکیهگاه بخش سوم51جدول 4-7- نتایج شبیهسازی با تابع هسته شعاع مبنا(RBF) برای بردار ماشین تکیهگاه52جدول 4-8- نتایج شبیهسازی با تابع هسته سیگموئید برای بردار ماشین تکیهگاه52جدول 4-9- نتایج شبیهسازی با تابع شعاع مبنا و استفاده از یک سیکما برای همه54جدول 4-10- نتایج شبیهسازی با تابع شعاع مبنا و استفاده از یک سیکما مجزا برای هر واحد55جدول 4-11- نتایج شبیهسازی با تابع شعاع مبنا و استفاده از یک سیکما برای هر واحد و هر ویژگی56جدول 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[5شکل 2-1- خروجی شبکه RBF بعد از یادگیري رادارهاي آرشیو و شناسایی رادارهاي جدید]2[11شکل 3-1- گسسته سازی مقادیر پارامترها17شکل 3-2- مدل نرون22شکل 3-3- شبکه پیشخور دو لایه 22شکل 3-4- توابع محرک رایج در شبکه عصبی پرسپترون چند لایه(MLP)24شکل3-5- لایه پنهان(اوزان مرتبط با مرکز خوشه، تابع خروجی معمولاً گوسین)26شکل3-6- نرون شعاعی با یک ورودی27شکل3-7- منحنی نمایش تابع پاسخ با تابع انتقال(تحریک) نرون شعاع با یک ورودی27شکل3-8- نرون شعاعی با دو ورودی28شکل 3-9- منحنی نمایش تابع پاسخ یا تابع انتقال(تحریک) نرون شعاع با دو ورودی28شکل 3-10- نمایی از استفاده از ضرایب لاگرانژ30شکل 3-11- نمایش ماکزیمم کردن حاشیه بین دو کلاس32شکل 3-12 نمایش بردارهای پشتیبان برای جدا کردن دادهها33شکل 3-13 نمایی از ابر صفحه جداکننده مجموعه نقاط در الگوریتم SVM34شکل 3-14- نمایش حاشیه امن در الگوریتم SVM37شکل 3-15- دادههای غیرقابل جداسازی با یک خط39شکل 3-16- تبدیل فضای ویژگیها به فضای با ابعاد بیشتر39 فصل اولمقدمه 1-1- پیشگفتاردر 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 سیستمهایشناساییراداردارايچهارجزءاصلی شاملآنتن، گیرنده،پردازشگر(شامل پردازش سيگنال و داده)ونمایشگرمیباشد 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 جهت[5]، زمان دریافت پالس[6]، فرکانس، عرض پالس[7] و دامنه پالس[8] 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. 1-2- اهداف پایاننامهبا 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 کلاسهبندی[9] در دادهکاوی[10] 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 ECM[11] برای اینگونه تجهیزات نظامی دارای جایگاه خاصی میباشد 1-3- مسائل و مشکلات مربوط به موضوعدر 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[
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. يكي از روشهای تشخيص تهديدات هوايي، دريايي و زميني، استفاده از تحليل سيگنال راداري است كه توسط اینگونه تهديدات 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 اين تحقيق 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 صفحهفصل 1- مقدمه11-1- پیشگفتار21-2- اهداف پایاننامه31-3- مسائل و مشکلات مربوط به موضوع51-4- ساختار پایاننامه7فصل 2- مروری بر تحقیقات انجامشده9فصل 3- مراحل انجام کار143-1- جمعآوری دادهها163-2- پیشپردازش دادهها173-2-1- انتخاب و کاهش ویژگیها با استفاده از PCA183-3- الگوریتمهای کلاسهبندی مورد استفاده213-3-1- شبکه عصبی پرسپترون چند لایه(MLP)213-3-2- شبکه عصبی شعاع مبنا243-3-3- بردار ماشین تکیهگاه(SVM)293-4-ارزيابي روشهاي کلاسهبندي43فصل 4- شبیهسازی444-1- مقدمه454-2- انتخاب ویژگیها454-3- شبیهسازی با پرسپترون چند لایه464-4- شبیهسازی با بردار ماشین تکیهگاه484-5- شبیهسازی با شبکه عصبی شعاع مبنا53فصل 5- نتیجهگیری و پیشنهادات585-1- نتيجهگيري و جمعبندي595-2- پيشنهادات و كارهاي آینده59فهرست منابع60 فهرست جداول عنوان صفحهجدول 2-1- مشخصات رادارهای موجود در آرشیو]2[12جدول 2-2- مشخصات3رادارعملیجهتارزیابیروشپیشنهادي]2[12جدول 3-1- مشخصات رادارهای مورد استفاده16جدول 3-2- دو رادار نمونه17جدول 3-3- انواع توابع هسته برای بردار ماشین تکیهگاه41جدول 4-1- پرسپترون چند لایه با یک لایه مخفی و تعداد نرونهای مختلف46جدول 4-2- پرسپترون چند لایه با دو لایه مخفی و تعداد نرونهای مختلف47جدول 4-3- نتایج شبیهسازی بردار ماشین تکیهگاه با تابع هسته خطی49جدول 4-4- نتایج شبیهسازی با تابع هسته چند جملهای درجه دو برای بردار ماشین تکیهگاه بخش اول50جدول 4-5- نتایج شبیهسازی با تابع هسته چند جملهای درجه دو برای بردار ماشین تکیهگاه بخش دوم51جدول 4-6- نتایج شبیهسازی با تابع هسته چند جملهای درجه دو برای بردار ماشین تکیهگاه بخش سوم51جدول 4-7- نتایج شبیهسازی با تابع هسته شعاع مبنا(RBF) برای بردار ماشین تکیهگاه52جدول 4-8- نتایج شبیهسازی با تابع هسته سیگموئید برای بردار ماشین تکیهگاه52جدول 4-9- نتایج شبیهسازی با تابع شعاع مبنا و استفاده از یک سیکما برای همه54جدول 4-10- نتایج شبیهسازی با تابع شعاع مبنا و استفاده از یک سیکما مجزا برای هر واحد55جدول 4-11- نتایج شبیهسازی با تابع شعاع مبنا و استفاده از یک سیکما برای هر واحد و هر ویژگی56جدول 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[5شکل 2-1- خروجی شبکه RBF بعد از یادگیري رادارهاي آرشیو و شناسایی رادارهاي جدید]2[11شکل 3-1- گسسته سازی مقادیر پارامترها17شکل 3-2- مدل نرون22شکل 3-3- شبکه پیشخور دو لایه 22شکل 3-4- توابع محرک رایج در شبکه عصبی پرسپترون چند لایه(MLP)24شکل3-5- لایه پنهان(اوزان مرتبط با مرکز خوشه، تابع خروجی معمولاً گوسین)26شکل3-6- نرون شعاعی با یک ورودی27شکل3-7- منحنی نمایش تابع پاسخ با تابع انتقال(تحریک) نرون شعاع با یک ورودی27شکل3-8- نرون شعاعی با دو ورودی28شکل 3-9- منحنی نمایش تابع پاسخ یا تابع انتقال(تحریک) نرون شعاع با دو ورودی28شکل 3-10- نمایی از استفاده از ضرایب لاگرانژ30شکل 3-11- نمایش ماکزیمم کردن حاشیه بین دو کلاس32شکل 3-12 نمایش بردارهای پشتیبان برای جدا کردن دادهها33شکل 3-13 نمایی از ابر صفحه جداکننده مجموعه نقاط در الگوریتم SVM34شکل 3-14- نمایش حاشیه امن در الگوریتم SVM37شکل 3-15- دادههای غیرقابل جداسازی با یک خط39شکل 3-16- تبدیل فضای ویژگیها به فضای با ابعاد بیشتر39 فصل اولمقدمه 1-1- پیشگفتاردر 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 سیستمهایشناساییراداردارايچهارجزءاصلی شاملآنتن، گیرنده،پردازشگر(شامل پردازش سيگنال و داده)ونمایشگرمیباشد 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 جهت[5]، زمان دریافت پالس[6]، فرکانس، عرض پالس[7] و دامنه پالس[8] 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. 1-2- اهداف پایاننامهبا 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 کلاسهبندی[9] در دادهکاوی[10] 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 ECM[11] برای اینگونه تجهیزات نظامی دارای جایگاه خاصی میباشد 1-3- مسائل و مشکلات مربوط به موضوعدر 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[