عنوان:کلاسهبندی رادارهای کشف شده توسط سیستمهای جنگ الکترونیک
تعداد صفحات :79
چکیده:
همواره در یک محیط عملیاتی جنگ الکترونیک پالسهای متعددی از رادارهای فعال در منطقه موجود میباشد. یکی از روشهای تشخیص تهدیدات هوایی، دریایی و زمینی، استفاده از تحلیل سیگنال راداری است که توسط اینگونه تهدیدات حمل میشوند. ازآنجاییکه رادار به عنوان یکی از مهمترین حسگرها 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 این تحقیق از الگوریتم SVM برای این منظور استفاده شده است که با توجه به نتایج بهدستآمده از شبیه سازیها و مقایسه آن با چند روش دیگر، الگوریتم مذکور بهترین کارایی را دارد.
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[1]، 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 سیستمهای شناسایی رادار دارای چهار جزء اصلی شامل آنتن، گیرنده، پردازشگر(شامل پردازش سیگنال و داده) و نمایشگر میباشد و عمل کلاسهبندی و تفکیک رادارها در قسمت نمایشگر این سیستمها با مقایسه با آرشیو اطلاعات راداری 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[2]، زمان دریافت پالس[3]، فرکانس، عرض پالس[4] و دامنه پالس[5] است]14[ ]16[ ]17[ که با جمعآوری تعداد زیادی از این رکوردها و مؤلفههای مشخصه میتوان یک مجموعه داده مرجع و کارآمد تشکیل داد که برای شناسایی، پیشبینی، دستهبندی و برچسبگذاری رادارها از آن استفاده میشود.
1-2- اهداف پروژه
با توجه به گستردگی آماری دادهها و انواع رادارهای موجود، مسئله برچسبگذاری رادارهای استخراج شده، چالشی جدی است. در صورت اکتشاف پارامترهای عملیاتی یک رادار توسط سیستمهای شنود راداری موجود در یک منطقه عملیاتی، میبایست بر اساس پایگاه داده موجود، نام و نوع آن رادار تشخیص داده شود تا بتوان عملیات مناسبی را جهت غیرفعال کردن آن رادار انجام داد. در حال حاضر برای انجام این کار از پردازشهای قیاسی استفاده میشود تا رکوردی که بیشترین شباهت با رادار کشف شده توسط نرمافزار دارد مشخص گردد که برای انجام این کار از یک مدل ریاضی خیلی سادهانگارانه خطی استفاده میشود که بر اساس آن توسط نیروی خبره، یک ضریب به هر پارامتر آن رادار اختصاص مییابد و با عملیات ریاضی خیلی سادهای، راداری که بیشترین شباهت به رادار مکشوفه دارد استخراج میشود و بنابراین فرآیندی زمانبر و کمدقت است و همچنین به سطح تخصص و تجربه فرد خبره نیز 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 که مشخص است نیروی انسانی نقش عمدهای در فرآیند فوقالذکر دارد، هدف از انجام این پروژه 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[6] در دادهکاوی[7] ابزار مناسبی جهت تشخیص، تبیین و استخراج اطلاعات مطلوب از مجموعه داده جمعآوریشده 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[8] 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[
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 [1]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 دستهها و درنتیجه بالاتر رفتن سرعت جستجوها و مقایسهها در مراجعات بعدی خواهد شد.
[1] Pulse repetition interval
[1] Electronic Support Measure
[2] Directional Of Arrival (DOA)
[3] Time Of Arrival (TOA)
[4] Pulse width (PW)
[5] Pulse Amplitude (PA)
[6] Classification
[7] Data Mining
[8] Electronic Counter Measure
فهرست مطالب:
فصل 1- مقدمه
1-1- پیشگفتار
1-2- اهداف پروژه
1-3- مسائل و مشکلات مربوط به موضوع
1-4- ساختار پروژه
فصل 2- مروری بر تحقیقات انجامشده
فصل 3- مراحل انجام کار
3-1- جمعآوری دادهها
3-2- پیشپردازش دادهها
3-2-1- انتخاب و کاهش ویژگیها با استفاده از PCA
3-3- الگوریتمهای کلاسهبندی مورد استفاده
3-3-1- شبکه عصبی پرسپترون چند لایه(MLP)
3-3-2- شبکه عصبی شعاع مبنا
3-3-3- بردار ماشین تکیه گاه(SVM)
3-4-ارزیابی روشهای کلاسهبندی
فصل 4- شبیهسازی
4-1- مقدمه
4-2- انتخاب ویژگیها
4-3- شبیهسازی با پرسپترون چند لایه
4-4- شبیهسازی با بردار ماشین تکیهگاه
4-5- شبیهسازی با شبکه عصبی شعاع مبنا
فصل 5- نتیجهگیری و پیشنهادات
5-1- نتیجهگیری و جمعبندی
5-2- پیشنهادات و کارهای آینده
فهرست منابع