همان‌طور که مشخص است نیروی انسانی نقش عمده‌ای در فرایند فوق‌الذکر دارد، هدف از انجام این پایان‌نامه کاهش نقش نیروی انسانی و خطاهایی است که می‌تواند از این منبع سرچشمه بگیرد. بنابراین و با در نظر گرفتن صورت‌مسئله یادشده، استفاده از الگوریتم‌های کلاسه‌بندی^[۹] در داده‌کاوی^[۱۰] ابزار مناسبی جهت تشخیص، تبیین و استخراج اطلاعات مطلوب از مجموعه داده جمع‌ آوری‌شده می‌باشد.

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

مسائل و مشکلات مربوط به موضوع

در حال حاضر فرایند جداسازی پالس‌های راداری معمولاً یک یا چند پارامتر مربوط به یک پالس(مانند شکل ۱-۱) 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.]۳[
شکل ۱-۱- نمایش یک پالس راداری]۲۰[
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 این موضوع در هنگامی‌که تعداد پالس‌ها زیاد شود روند ارزیابی و تشخیص رادار از روی چندین پارامتر پیچیده 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 الگوهای رفتاری متفاوت در یک یا چندین پارامتر خودشان در هرلحظه، دسته‌بندی‌های انجام شده بسیار متنوع و زیاد خواهند شد که باعث به وجود آمدن مشکلاتی در این زمینه می‌شود. علیرغم مسائل و مشکلات مربوط بهروش‌های تک‍پارامتری، این روش‌ها در محیط‌های ساده و نه‌چندان شلوغ و پیچیده نسبت به روش‌های چند پارامتری دارای سرعت بالاتری خواهند بود. در ادامه توضیح داده خواهد شد که روش تک‍پارامتری جوابگوی تمام الگوهای رفتاری رادارها (مانند Stagger, Jitter) نخواهد بود.
فرض کنید که بخواهیم مثلاً بر اساس فقط پارامتر فرکانس کلاسه‌بندی انجام شود. در این حالت فرض کنیم که سیستم پالس‌های چندین رادار را کشف کرده و اطلاعات آن‌ها را استخراج نموده است، تداخلی بین آن‌ها به وجود نیامده و الگوی رفتاری فرکانس همه آن‌ها نیز ثابت بوده باشد آنگاه ممکن است که این انتخاب روش برای کلاسه‌بندی مناسب باشد. ولی اگر الگوی رفتاری فرکانس پالس رادار دریافتی از نوع Agile یا از نوع Diversity باشد در این صورت به دلیل ماهیت همان الگوی رفتاری خروجی شامل چندین رادار می‌شود درصورتی‌که درواقع تمامی این فرکانس‌ها مربوط به یک رادار بوده است. با توجه به توضیحات گفته‌شده بالا همین موضوع برای پارامتر ^[۱۲]PRI نیز صادق است چراکه به علت تنوع الگوهای رفتاری PRI این مسئله نیز مشکلی به‌مانند فرکانس را به وجود می‌آورد (برخی از انواع الگوهای معروف و متداول PRI شامل: Stable, Jitter, Stagger, Dwell&Switch, Periodical است). بنابراین نیاز است تا برای کلاسه‌بندی سیگنال‌های راداری از روش چند‍پارامتری استفاده شود که در این صورت رادارها بر اساس چندین مشخصه پالس‌هایشان کلاسه‌بندی می‌شوند و باعث محدودتر شدن دسته‌ ها و درنتیجه بالاتر رفتن سرعت جستجوها و مقایسه‌ها در مراجعات بعدی خواهد شد.
اکنون‌که با ذکر مثالی ساده به این نتیجه‌گیری رسیدیم که باید در طرح خاص از روش چند‍پارامتری برای کلاسه‌بندی استفاده کنیم به چالش دیگری یا در حقیقت اصلی‌ترین چالش این طرح می‌رسیم که وجود همپوشانی بازه‌های اعداد یک پارامتر (فرضاً پارامتر فرکانس) از یک رادار مشخص با سایر بازه‌های همان پارامتر از یک رادار مشخص دیگر است. به‌عبارت‌دیگر به سه دلیل آورده شده در زیر بازه‌های اعداد برخی پارامترهای مهم دچار همپوشانی می‌شود که نیاز به کلاسه‌بندی داده‌ها در این‌گونه سیستم‌ها (سیستم‌های شنود راداری) را بسیار ضروری‌تر می‌کند. این سه دلیل عبارت‌اند از:
وجود الگوهای رفتاری برخی از پارامترهای رادار مانند فرکانس، نرخ تکرار پالس و پهنای پالس.
وجود نویز در سیگنال‌های دریافت شده که خود باعث ایجاد تغییر در مقادیر پارامترها می‌شود.
عدم قطعیت در واحد پردازشگر سیستم که مشخصات پارامترها را استخراج می‌کند.
مشکل دیگری نیز در اینجا وجود دارد و آن این است که به دلیل داشتن ماهیت نظامی این‌گونه مباحث(جنگ الکترونیک)، یافتن منابعی برای تحلیل و آنالیز بیشتر این‌گونه موضوعات بسیار محدود بوده و بایستی با تکیه بر تئوری‌های کلاسیک موجود در مبحث کلاسه‌بندی از مقوله داده‌کاوی که منابع فراوان‌تری دارند برای حل مسائل خود بهره برد.

ساختار پایان‌نامه

این پایان نامه به پنج فصل تقسیم شده است. فصل دوم به مروری اجمالی بر تحقیقات انجام‌شده اختصاص دارد. در فصل سوم ابزارهای هوش مصنوعی استفاده شده در شبیه­سازی­ها معرفی می­گردند. در فصل چهارم شبیه­سازی­ها و نتایج به‌دست‌آمده از آن‌ها ارائه خواهد شد. درنهایت، فصل پنجم به نتیجه ­گیری و کارهای آینده اختصاص دارد.

مروری بر تحقیقات انجام‌شده

فصل دوم
مروری بر تحقیقات انجام‌شده
در این فصل قصد داریم تا مروری خلاصه بر کارهای انجام‌گرفته تاکنون در مورد این مسئله داشته باشیم.
همان‌طور که در فصل قبل گفته شد به دلیل حساسیت موضوع و داشتن کاربرد نظامی، منابع و مقالات بسیار کمی در این زمینه موجود می‌باشد و از میان همین مقالات موجود نیز تنها به بیان کلیات اکتفا شده است و جزییات انجام کار بیان نگردیده است.
به‌عنوان‌مثال در ]۸[ برای استخراج خصیصه‌ها از تبدیل فوریه و PCA^[13] استفاده شده و از طبقه‌بندی کننده Nearest Neighbor استفاده شده است. درمجموع ۸۵۰ داده مورد استفاده قرارگرفته که از این تعداد ۳۲۵ مورد برای آموزش و ۵۲۵ مورد برای تست در نظر گرفته شده است. نتایج نشان می‌دهد که کارایی خوبی برای تعداد محدودی داده آموزشی به دست می‌آید به‌طوری‌که کمتر از ۱۷ درصد خطا وجود دارد و در ادامه در ]۱۷[ از تجزیه wavelet برای انتخاب خصیصه‌ها و سپس الگوریتم LVQ برای کلاسه‌بندی رادارها استفاده شده است و یا گودرز سعادتی مقدم و علی ناصری در مقاله‌ای با عنوان “روشی جدید برای پردازش اطلاعات در سیستم‌های شنود راداری"]۲[ از الگوریتم RBF استفاده کرده‌اند که در آن برای ارزیابی بخش شناسایی نوع رادار، دیتا تولیدی شامل پارامترهای PW ، PRI و RF بیست رادار عملی با مشخصات جدول ۲-۱ را به شبکه عصبی PNN^[14] اعمال کرده و شبکه آموزش داده می‌شود. نقاط دایره (آبی‌رنگ) در شکل ۲-۱ نمودار مربوط به دسته‌بندی بیست رادار را نشان می‌دهد. بعد از آموزش اطلاعات بیست رادار جدول ۲-۱ به شبکه، می‌توان با معرفی بردارهای ورودی جدید، کلاس مربوط به آن‌ها را تشخیص داد. بدین منظور بردار ورودی جدید به شبکه PNN اعمال می‌گردد و نتایج آن موردبررسی قرار می‌گیرد به صورتی که به هر رادار موجود در آرشیو نزدیک‌تر باشد آن رادار به‌عنوان رادار موردنظر اعلام می‌گردد. برای نشان دادن این موضوع رشته پالس ۳ رادار عملی مطابق جدول ۲-۲ با اعمال ۵% خطا و ۵% پالس گمشده تولید و به شبکه عصبی PNN اعمال شد. نتایج حاصل از اعمال رشته پالس‌های سه رادار جدول ۲-۲ به شبکه عصبی PNN در شکل ۲-۱ با علامت ستاره (قرمزرنگ) نشان داده شده است.
شکل ۲-۱- خروجی شبکه RBF بعد از یادگیری رادارهای آرشیو و شناسایی رادارهای جدید]۲[
جدول ۲-۱- مشخصات رادارهای موجود در آرشیو]۲[
جدول ۲-۲- مشخصات ۳ رادار عملی جهت ارزیابی روش پیشنهادی]۲[
همچنین این روش با روش‌های کلاسیکی که از تابع فاصله و شباهت یا همسانی مانند اقلیدسی، ماهالانویس، همینگ و کسینوسی که در فضای ویژگی‌ها اقدام به شناسایی رادار می‌کنند ]۱۰[ مقایسه شده است که درنتیجه آن، هر ۵ روش با موفقیت نوع رادار را شناسایی می‌کنند اما با توجه به آن‌که روش ارائه شده در این مقاله از شبکه عصبی استفاده می‌کند بنابراین دارای پیچیدگی محاسباتی کمتر، قابلیت پیاده‌سازی موازی، تحمل‌پذیری خطای بالا و سرعت بالا می‌باشد و در حالت کلی برآیند دقت الگوریتم پیشنهادی ۸۹٫۴۲۲% است.

مراحل انجام کار

فصل سوم
مراحل انجام کار
هدف کلاسه‌بندی داده‌ها، سازمان‌دهی و تخصیص داده‌ها به کلاس‌های مجزا می‌باشد. در این فرایند بر اساس داده‌های توزیع شده، مدل اولیه‌ای ایجاد می‌گردد. سپس این مدل برای کلاسه‌بندی داده‌های جدید مورد استفاده قرار می‌گیرد، به‌این‌ترتیب با به‌کارگیری مدل به‌دست‌آمده، تعلق داده‌های جدید به کلاس معین قابل پیشگویی می‌باشد.
در فرایند کلاسه‌بندی، اشیا موجود به کلاس‌های مجزا با مشخصه‌ های تفکیک‌شده (ظروف جداگانه) طبقه‌بندی و به‌صورت یک مدل معرفی می‌گردند. سپس با در نظر گرفتن ویژگی‌های هر طبقه، شی‌ء‌ جدید به آن‌ها تخصیص یافته، برچسب و نوع آن پیشگویی می‌گردد.
در کلاسه‌بندی، مدل ایجادشده بر پایه‌ی یکسری داده‌های آموزشی، (اشیا داده‌هایی که برچسب کلاس آن‌ها مشخص و شناخته شده است) حاصل می‌آید. مدل به‌دست‌آمده در اشکال گوناگون مانند درخت‌های تصمیم، فرمول‌های ریاضی و شبکه‌های عصبی قابل نمایش می‌باشد.
الگوی عمومی‌ برای الگوریتم‌های آموزش از طریق مثال با فرایند کلاسه‌بندی به چهار مرحله تقسیم می‌‌شوند:
جمع‌ آوری داده‌ها
پیش‌پردازش داده‌ها
اعمال الگوریتم‌های کلاسه‌بندی
ارزیابی الگوریتم‌های اعمال شده
در ادامه توضیحات مربوط به هر یک از مراحل یاد شده آورده شده است.

جمع‌ آوری داده‌ها

در این مرحله داده‌های مرتبط از پایگاه داده سیستم‌های مختلف جمع‌ آوری شده که در این فاز اطلاعات ۱۷ رادار، پس از تائید کارشناسان مربوطه مورد استفاده قرار گرفت و مطابق جدول زیر می‌باشد.
جدول ۳-۱- مشخصات رادارهای مورد استفاده