👈فول فایل فور یو ff4u.ir 👉

کلاسه‌بندی رادارهای کشف شده توسط سیستم‌های جنگ الکترونیک WORD

ارتباط با ما

دانلود


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 صفحه
فصل 1- مقدمه1
1-1- پیشگفتار2
1-2- اهداف پایان‌نامه3
1-3- مسائل و مشکلات مربوط به موضوع5
1-4- ساختار پایان‌نامه7
فصل 2- مروری بر تحقیقات انجام‌شده9
فصل 3- مراحل انجام کار14
3-1- جمع‌آوری داده‌ها16
3-2- پیش‌پردازش داده‌ها17
3-2-1- انتخاب و کاهش ویژگی‌ها با استفاده از PCA18
3-3- الگوریتم‌های کلاسه‌بندی مورد استفاده21
3-3-1- شبکه عصبی پرسپترون چند لایه(MLP)21
3-3-2- شبکه عصبی شعاع مبنا24
3-3-3- بردار ماشین تکیه‍گاه(SVM)29
3-4-ارزيابي روش‌هاي کلاسه‌بندي43
فصل 4- شبیه‌سازی44
4-1- مقدمه45
4-2- انتخاب ویژگی‌ها45
4-3- شبیه‌سازی با پرسپترون چند لایه46
4-4- شبیه‌سازی با بردار ماشین تکیه‌گاه48
4-5- شبیه‌سازی با شبکه عصبی شعاع مبنا53
فصل 5- نتیجه‌گیری و پیشنهادات58
5-1- نتيجه‌گيري و جمع‌بندي59
5-2- پيشنهادات و كارهاي آینده59
فهرست منابع60
 فهرست جداول
 عنوان صفحه
جدول 2-1- مشخصات رادارهای موجود در آرشیو]2[12
جدول 2-2- مشخصات3رادارعملیجهتارزیابیروشپیشنهادي]2[12
جدول 3-1- مشخصات رادارهای مورد استفاده16
جدول 3-2- دو رادار نمونه17
جدول 3-3- انواع توابع هسته برای بردار ماشین تکیه‌گاه41
جدول 4-1- پرسپترون چند لایه با یک لایه مخفی و تعداد نرونهای مختلف46
جدول 4-2- پرسپترون چند لایه با دو لایه مخفی و تعداد نرونهای مختلف47
جدول 4-3- نتایج شبیه‌سازی بردار ماشین تکیه‌گاه با تابع هسته خطی49
جدول 4-4- نتایج شبیه‌سازی با تابع هسته چند جمله‌ای درجه دو برای بردار ماشین تکیه‌گاه بخش اول50
جدول 4-5- نتایج شبیه‌سازی با تابع هسته چند جمله‌ای درجه دو برای بردار ماشین تکیه‌گاه بخش دوم51
جدول 4-6- نتایج شبیه‌سازی با تابع هسته چند جمله‌ای درجه دو برای بردار ماشین تکیه‌گاه بخش سوم51
جدول 4-7- نتایج شبیه‌سازی با تابع هسته شعاع مبنا(RBF) برای بردار ماشین تکیه‌گاه52
جدول 4-8- نتایج شبیه‌سازی با تابع هسته سیگموئید برای بردار ماشین تکیه‌گاه52
جدول 4-9- نتایج شبیه‌سازی با تابع شعاع مبنا و استفاده از یک سیکما برای همه54
جدول 4-10- نتایج شبیه‌سازی با تابع شعاع مبنا و استفاده از یک سیکما مجزا برای هر واحد55
جدول 4-11- نتایج شبیه‌سازی با تابع شعاع مبنا و استفاده از یک سیکما برای هر واحد و هر ویژگی56
جدول 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[5
شکل 2-1- خروجی شبکه RBF بعد از یادگیري رادارهاي آرشیو و شناسایی رادارهاي جدید]2[11
شکل 3-1- گسسته سازی مقادیر پارامترها17
شکل 3-2- مدل نرون22
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 ورودی27
شکل3-7- منحنی نمایش تابع پاسخ با تابع انتقال(تحریک) نرون شعاع با یک ورودی27
شکل3-8- نرون شعاعی با دو ورودی28
شکل 3-9- منحنی نمایش تابع پاسخ یا تابع انتقال(تحریک) نرون شعاع با دو ورودی28
شکل 3-10- نمایی از استفاده از ضرایب لاگرانژ30
شکل 3-11- نمایش ماکزیمم کردن حاشیه بین دو کلاس32
شکل 3-12 نمایش بردارهای پشتیبان برای جدا کردن داده‌ها33
شکل 3-13 نمایی از ابر صفحه جداکننده مجموعه نقاط در الگوریتم SVM34
شکل 3-14- نمایش حاشیه امن در الگوریتم SVM37
شکل 3-15- داده‌های غیرقابل جداسازی با یک خط39
شکل 3-16- تبدیل فضای ویژگی‌ها به فضای با ابعاد بیشتر39
 فصل اول
مقدمه
 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[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 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 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 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[

👇 تصادفی👇

دانلود پاورپوینت زندگی نامه و آثار معروف لوکوربوزیهقدم صفر مدیریت کانال تلگرام و شبکه های اجتماعیسورس سرور ویدیودانلود فصل پنجم برآورد تقاضا اقتصاد مدیریت کتاب ایوان داگلاس14 - دانلود طرح توجیهی: تولید دستمال مرطوب - 86 صفحهنمونه سوالات تخصصی رشته کارشناسی ارشد الهیات فلسفه و کلام اسلامی گرایش فلسفه -حکمت متعالیه 4 کد درس:1219011طرح نهایی مرمت حفاظت محوطه باستانی شوشمقاله 102- عوامل بزهكاری جواناندانلود پایان نامه آماده درباره بررسی رابطه عزت نفس مدیران بر رضایت شغلی کارکنان فرمت word-ورد 86 صفحه ✅فایل های دیگر✅

#️⃣ برچسب های فایل کلاسه‌بندی رادارهای کشف شده توسط سیستم‌های جنگ الکترونیک WORD

کلاسه‌بندی رادارهای کشف شده توسط سیستم‌های جنگ الکترونیک WORD

دانلود کلاسه‌بندی رادارهای کشف شده توسط سیستم‌های جنگ الکترونیک WORD

خرید اینترنتی کلاسه‌بندی رادارهای کشف شده توسط سیستم‌های جنگ الکترونیک WORD

👇🏞 تصاویر 🏞