%36تخفیف

دانلود پروژه: کلاسه‌بندی رادارهای کشف شده توسط سیستم‌های جنگ الکترونیک

تعداد 72صفحه در فایل word

كارشناسي ارشد در رشته مهندسی فناوری اطلاعات

(طراحی و تولید نرم‌افزار)

کلاسه‌بندی رادارهای کشف شده توسط سیستم‌های جنگ الکترونیک

 

چکیده

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.

کلاسه‌بندی رادارهای کشف شده توسط سیستم‌های جنگ الکترونیک

[1] Electronic warfare (EW)

[2] Sensor

[3] Support Vector Machine

فهرست مطالب

 

عنوان                                                                                                                صفحه

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- جمع‌آوری داده‌ها 16

3-2- پیش‌پردازش داده‌ها 17

3-2-1- انتخاب و کاهش ویژگی‌ها با استفاده 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-ارزيابي روش‌هاي کلاسه‌بندي.. 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- نتيجه‌گيري و جمع‌بندي.. 59

5-2- پيشنهادات و كارهاي آینده 59

فهرست منابع.. 60

فهرست جداول

 

عنوان                                                                                                                صفحه

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

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

 

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 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

قبلا حساب کاربری ایجاد کرده اید؟
گذرواژه خود را فراموش کرده اید؟
Loading...
enemad-logo