توضیحات

شبیه سازی آموزشی مقاله جداسازی سیگنال های رادار و الگوریتم های شناسایی PRF با متلب

چکیده مقاله (ترجمه ماشینی)

گیرنده‌های جنگ الکترونیک (EW) گیرنده‌های غیرفعالی هستند که انتشار گازهای گلخانه‌ای را از پلتفرم‌های دیگر دریافت می‌کنند و تجزیه و تحلیل خاصی روی این انتشارات انجام می‌دهند. برخی از گیرنده‌های EW پالس‌های راداری را دریافت می‌کنند، پارامتر هر پالس دریافتی را اندازه‌گیری می‌کنند و پالس‌های متعلق به همان امیتر را با هم گروه‌بندی می‌کنند تا پارامترهای راداری برای هر فرستنده مشخص شود. سپس این پارامترها با مقادیر ذخیره شده برای انواع رادار شناخته شده برای شناسایی نوع امیتر مقایسه می شوند. دو بخش متمرکز شده‌اند، گسیل‌زدایی گسیل‌کننده‌ها و شناسایی نوع PRF. جداسازی از طریق خوشه بندی پارامترها انجام می شود. دو پارامتر برای خوشه بندی جهت رسیدن و فرکانس رادیویی انتخاب شده است. یک شبکه عصبی خودسازمانده به نام Fuzzy ART برای خوشه بندی پیشنهاد شده است. این الگوریتم کیفیت خوشه‌بندی بسیار خوبی دارد و می‌تواند در برنامه‌های بلادرنگ اجرا شود. شناسایی نوع PRF از طریق تحلیل زمان رسیدن (TOA) انجام می‌شود. سه الگوریتم ارائه شده قبلی در طرح جدید برای انجام تجزیه و تحلیل TOA (یا شناسایی نوع PRF) ترکیب شده اند. این الگوریتم ها عبارتند از هیستوگرام تفاوت TOA، هیستوگرام تاشو TOA و الگوریتم جستجوی توالی. سیستم کامل پیشنهادی با استفاده از سه تست مختلف آزمایش شده است. این تست‌ها عبارتند از تست PRI ساده، تست PRI لرزان و تست PRI مبهم. سیستم پیشنهادی تا 90 ساطع کننده ساده، 20 قطره چکان لرزان و 20 قطره چکان متحرک را شناسایی می کند. در تمامی آزمون ها داده ها با استفاده از نرم افزار شبیه سازی و تولید شدند.

معرفی

هنگامی که رادار در جنگ جهانی دوم معرفی شد، راه‌هایی برای گیر کردن و از بین بردن اثربخشی آن در دست بررسی بود. برای تداخل موثر با رادار، حداقل باید بدانیم که آیا هدف راداری وجود دارد یا خیر. بنابراین یک گیرنده جنگ الکترونیک (EW) برای تشخیص وجود سیگنال های راداری متخاصم مورد نیاز است. در حال حاضر، در سناریوهای محتمل تر، محیط از تعداد زیادی امیتر با فرکانس تکرار پالس کم (PRF) و برخی از ساطع کننده های PRF بسیار بالا تشکیل شده است. بنابراین محیط بسیار متراکم است و ممکن است سیگنال‌هایی از ساطع‌کننده‌های مختلف به هم متصل شوند. گیرنده EW باید از هر رادار جدا شده و پالس ها را گروه بندی کند. این به عنوان مرتب سازی سیگنال نامیده می شود. پس از دسته بندی سیگنال ها در گروه ها، باید نوع رادار از پالس های جمع آوری شده مشخص شود. این به عنوان شناسایی نوع رادار نامیده می شود. در سال 1982، دیویس و هالندز [1] تکنیک های پردازش خودکار و تصمیم گیری را ارائه کردند. روش‌های مختلفی برای deinterleaving مورد بحث قرار می‌گیرد و مزایای نسبی پارامترهای امیتر برای هر روش شناسایی می‌شود. در سال 1985، ویتال [2] مشکل توسعه مرتب‌سازی خودکار سیگنال‌های رادار را مورد بحث قرار داد. این مقاله مشکل مرتب‌سازی سیگنال را به دو زیرمسئله توصیف محیط رادار در مرتب‌کننده پالس‌ترین و نظارت بر تغییرات در محیط درک‌شده در یک آشکارساز سیگنال جدید جدا می‌کند. اولین الگوریتم جدید در deinterleaving که توسط Mardia [3] ارائه شد، هیستوگرام تفاوت تجمعی (CDIF) نام داشت. هیستوگرام اختلاف زمان رسیدن تجمعی نشانی از فواصل احتمالی تکرار پالس با حداقل تعداد محاسبات می دهد. اعتبار و شناسایی با جستجو برای دنباله ای از این فواصل پالس داده می شود. تکنیک ارائه شده نسبت به تکنیک‌های منتشر شده مرسوم نسبت به پالس‌های تداخلی حساسیت کمتری دارد و نسبت به پالس‌های از دست رفته قوی‌تر است. در سال 1990، اندرسون و همکاران. [4] اولین الگوریتم هوشمند را برای جداسازی پالس های رادار و شناسایی با استفاده از شبکه های عصبی ارائه کرد. داده‌های رادار توسط یک شبکه عصبی طراحی شده برای ساده‌سازی مجموعه، مانند انسان‌ها، با شکستن اطلاعات به بلوک‌های قابل مدیریت داده، پردازش شدند. چهار شبکه عصبی خودسازمانده توسط گرنجر و همکاران مقایسه شدند. 1998 [5] برای جداسازی خودکار جریان های پالس رادار در سیستم های EW. شبکه‌های عصبی عبارت بودند از نظریه تشدید تطبیقی فازی (FART)، خوشه‌بندی حداقل تا حداکثر فازی (FMMC)، خوشه‌بندی فازی تطبیقی یکپارچه (IAFC) و نقشه‌برداری ویژگی خود سازماندهی (SOFM). با توجه به نیاز به یک روش خوشه بندی که هم نتایج دقیق و هم کارایی محاسباتی را ارائه می دهد، این شبکه ها از سه منظر – کیفیت خوشه بندی، زمان همگرایی و پیچیدگی محاسباتی مورد بررسی قرار گرفتند. در این مقاله، یک طرح جدید برای شناسایی سریع و دقیق چندین سیگنال راداری تکراری ارائه شده است. این طرح سیگنال‌ها را با استفاده از اطلاعاتی غیر از TOA، مانند جهت رسیدن (DOA)، فرکانس رادیویی (RF) و عرض پالس (PW) جدا می‌کند. این تکنیک سیگنال هایی را که به نظر می رسد متعلق به یک امیتر هستند با استفاده از تجزیه و تحلیل خوشه ای گروه بندی می کند. سپس آنالیز TOA بر روی هر گروه یا امیتر یک به یک اعمال می شود. انجام پروژه متلب

بخشی از فایل آموزشی:

در این مقاله یک طرح جدید برای شناسایی دقیق چندین پالس با بازه های تکرار مختلف ارايه شده است. این روش با استفاده از خصوصیات سیگنال مانند جهت سیگنال ورودی ،فرکانس رادیویی سیگنال پالس ها را از یکدیگر جدا می‌کند. این خصوصیات به عنوان ویژگی به یک الگوریتم خوشه بندی داده می‌شود تا الگوریتم پالس ها را به خوشه های مختلف تقسیم کند. سپس با استفاده از زمان دریافت پالس ها (TOA) در هر خوشه آن ها را شناسایی می کند.

اکثر الگوریتم‌های کلاسیک و خوشه‌بندی فازی ، نیازمند دانش قبلی در مورد تعداد یا ویژگی‌های خوشه مورد نظر هستند. علاوه بر این، آنها باید چندین تکرار با مجموعه داده انجام دهند یا کل مجموعه داده را در حافظه ذخیره کنند [5]. هیچ یک از این الگوریتم ها برای مشکل رهگیری رادار مناسب نیستند.

به منظور خوشه بندی سیگنال های دریافتی از الگوریتم Fuzzy Adaptive Resonance Theory استفاده شده است.

این الگوریتم الگوهای ورودی غیر پایا را به صورت متوالی، بدون نیاز به ذخیره سازی طولانی مدت آنها، خوشه بندی می کند.خوشه‌بندی فازی ART دارای چندین مزیت در حل مسائل خوشه‌بندی مدرن است. اولین مورد این است که خوشه‌بندی فازی ART برای خوشه‌های بدون همپوشانی کاملاً جدا ،مستقل از ترتیب ارائه داده‌ها است. این ویژگی باعث می شود که الگوریتم نسبت به نویز اندازه گیری پارامتر مانند پالس های از دست حساس نباشد. مورد دیگر این است که شکل خوشه ها در خوشه بندی فازی ART ثابت نیست (به عنوان مثال دایره ای یا مستطیلی). می تواند با شکل خوشه به طور تطبیقی تغییر کند به شرطی که اندازه خوشه از حداکثر حد مجاز تجاوز نکند.این ویژگی الگوریتم را قادر می‌سازد تا با محیط‌های در حال تغییر رادار سازگار شود و ساطع‌کننده‌های متحرک را ردیابی کند.

در نهایت، تنظیم الگوریتم در حالت یادگیری سریع در اکثر موارد از اولین تکرارها همگرا می شود. این باعث می شود که الگوریتم خوشه بندی را بتوان به صورت بلادرنگ اجرا کرد.برای موارد همپوشانی و/یا خوشه‌های خیلی نزدیک، الگوریتم فازی ART خوشه‌های همپوشانی بزرگ را به چندین خوشه جدا می‌کند. با این حال، شکل این خوشه ها عمدتاً به اندازه خوشه و ترتیب ارائه داده ها بستگی دارد. کیفیت خوشه بندی در این حالت کاهش می یابد.

Fuzzy ART structure :

ساختار کلی شبکه عصبی فازی ART در شکل زیر نشان داده شده است. این شبکه شامل دو لایه نورون است که به طور کامل به هم متصل هستند: یک لایه ورودی یا مقایسه با 2M نورون (F1)، و یک لایه خروجی یا لایه رقابتی با N نورون (F2)که در آن M تعداد ابعاد ورودی و N تعداد خوشه های خروجی است.

لایه ورودی (F0) هیچ نورونی ندارد. وظیفه لایه ورودی نرمالیزه کردن الگوی ورودی و محاسبه مکمل آن با استفاده از کدگذاری مکمل است. مقدار وزن اتصال بین لایه‌های (F1) و (F2) است، و شاخص‌های i و j به ترتیب نورون‌هایی را نشان می‌دهند که به لایه‌های (F1) و (F2) تعلق دارند.

بردار ورودی به شبکه ART، ، است که در آن و و تعداد ویژگی های ورودی است.