نوع مقاله: مقاله پژوهشی

نویسندگان

1 مدرس دانشگاه علوم دریایی امام خمینی (ره) نوشهر

2 استادیار دانشگاه علوم دریایی امام خمینی (ره) نوشهر

3 دانشجوی دکتری الکترونیک دانشگاه تهران

چکیده

دسته‌بندی و میانبرداری پالس‌های راداری، از کاربردهای خوشه بندی است. از مشکلات اساسی در بیشتر روش‌ها، انتخاب مناسب مراکز اولیه جهت خوشه‌بندی است. در الگوریتم پیشنهادی، ابتدا ماتریس تشابه برای داده‌های ورودی بر اساس شعاع همسایگی تعریف‌شده، تولید می‌گردد. سپس با آنالیز کدهای ماتریس تشابه و انتخاب سطرهای با بیشترین کد تشابه، دسته‌های متراکم‌تر به ترتیب جدا می‌شوند. در این روش با توجه به جریان زیاد داده‌های راداری، بدون نیاز به تکرار پردازش، رشته پالس‌ها به‌صورت بهینه جدا می‌شوند. الگوریتم حاصل نسبت به توابع موجود خوشه‌بندی، داده را بر اساس شعاع همسایگی تعریف‌شده به تعداد خوشه‌های از پیش تعیین نشده با اولویت انتخاب دسته‌های متراکم و با دقت در اختصاص داده‌های واقع در مرز مشترک خوشه‌ها تفکیک می‌نماید. به طور خاص، مزیت استفاده از این الگوریتم در تفکیک پالس راداری، انتخاب نقاط متراکم به‌عنوان مراکز خوشه‌ها است. روش پیشنهادی می‌تواند برای تفکیک داده‌ها در زمینه‌های مختلف نیز به کار رود. از محاسن این روش نسبت به الگوریتم‌های مبتنی بر روش k-mean، دقت در انتخاب اولیه مراکز خوشه‌ها است. نتایج خوشه‌بندی روش پیشنهادی برای نمونه داده‌های راداری شامل 200 پالس با نتایج روش خوشه‌بندی حول رهبر که یکی از الگوریتم‌های مطرح در زمینه خوشه‌بندی پالس‌های راداری است، مقایسه شده است. بررسی شاخص‌های ارزیابی و اعتبارسنجی خوشه‌بندی مانند Dunn، Silhouette و RMSSD، بهینه بودن الگوریتم پیشنهادی را نشان می‌دهد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Nearest neighbor method with priority selection of denser clusters by analysis of similarity matrix for radar pulse clustering

نویسندگان [English]

  • M Ghalandari 1
  • majid aghababie 2

چکیده [English]

Clustering is used in radar pulse classification and de-interleaving. Proper selection of initial centers for clusters is the fundamental problem in clustering methods. In the proposed algorithm, the similarity matrix for the input data based on defined neighborhood radius is created. Then, with analysis of similarity matrix and selection of lines with the most similar code, denser clusters are separated respectively. In this way, regarding to the high stream radar pulse, without requirement to iteration, pulse strings are separated as optimal. This algorithm has capability of priority selection of dense categories in clustering. On the basis of neighborhood radius defined, data on the common border clusters, have been carefully separated.
In particular, the advantage of using this algorithm is selection of dense clusters center in radar pulse clustering. The proposed method can also be used to cluster the data in various fields. . Results of proposed method for data sample consisted of 200 radar pulse is compared with the results of clustering around the leader which is one of the main clustering algorithms in the field of radar pulses. Evaluation and measure of clustering validity such as Dunn, Silhouette and RMSSD indexes, shows efficiency of the proposed algorithm.

کلیدواژه‌ها [English]

  • Radar pulse Clustering
  • Radar pulse train separation
  • Clustering validation
  • EW

[1] Kilincarsla, A. M. “A Study on Identification of Radar Emitters", M.S.c Thesis, Atılım University, April 2011.

[2] Hansson, P. “Analysis of Some Methods for Deinterleaving of Pulse Trains”, M.S.c Thesis, stockholm, sweden, 2007.

[3] Kilincarslan, A. M., Uekae, B. and Kara, A."Identification of Highly Jittered Radar Emitters:Issues on Low Cost Embedded Design". ICCIT, Ankara, Turkey, pp 739-744, 2012.

]4[ نادری م. و موسوی ا.، " جداسازی و نمایش پالس‌های راداری در سیستم‌های پشتیبانی جنگ الکترونیک"، پایان‌نامه کارشناسی ارشد، دانشگاه علم و صنعت، 1379.

]5[ مختاری، و. و کنگاوری، م.،"خوشه‌بندی داده‌های جریانی با استفاده از موازی‌سازی الگوریتم‌های ترکیبی"، پایان‌نامه کارشناسی ارشد، دانشگاه آزاد اسلامی قزوین، 1386.

]6[ قلندری، م.،" طراحی و شبیه‌سازی الگوریتم تفکیک پالس و دسته‌بندی رادارها در پردازشگر ESM با امکان شناسایی رادارهای ECCM" پایان‌نامه کارشناسی ارشد، دانشگاه آزاد واحد نور،1393.

 [7] Wiley, R. “ELINT: The Interception and Analysis of Radar Signals”, Artech House, 2006.

]8[ ناصری، ع. و سعادتی مقدم،گ.، "ارائه یک الگوریتم هوشمند برای جداسازی سیگنال‌های متداخل راداری"، هجدهمین کنفرانس مهندسی برق ایران، دانشگاه صنعتی اصفهان، ص 11 تا 121، اردیبهشت 1389.

]9[ نصرالهی، پ.، خداپرست، ف.، حسام پور، ک. و دادگر نیا، ا.،"خوشه‌بندی پالس­های متداخل راداری با استفاده از مدل مخلوط گوسی در محیط­های متراکم سیگنال"، ششمین کنفرانس ملی جنگ الکترونیک ایران، مهر 1392.

]10[ ناصری، ع.، " ارائه الگوریتم مناسب برای بخش پردازش سیستم‌های شناسایی رادار ELINT و ESM"، نشریه علمی پژوهشی انجمن کامپیوتر ایران، مجلد 10،1391.

[11] Ryoo Y. and Song K. “Recognition of PRI ModulationTypes of Radar Signals Using the Autocorrelatio”, IEICE Transactions on Communications, Vol.90, No.6, pp.1290-1294, 2007.

 [12] Shahhoseini, H. S., Naseri, A. and Naderi, M. “A New Matrix Method for Pulse Train Identification”, IEEE proceedings, MELECON, pp.183-187, 2002.

 [13] Naseri, A., Shahhoseini, H. S. and Naderi, M. “Data Clustering by Minimum Difference Tree and PRI Transform”, IEEE proceedings, MELECON, pp.183-187, 2002.

[14] Lee, D. W., Hun, J. W. and lee W. D. “Adaptive Radar Pulses Clustering Based on Density Cluster Window”, 23rd ITS-CSCC,pp.1377-1380, 2008.

]15[احمدی، م. و محامدپور،ک.، " تشخیص مدولاسیون فاصله تکرار پالس‌های راداری"، مجله انجمن مهندسین برق و الکترونیک ایران، سال ششم، شماره دوم، پائیز و زمستان.1388

 [16] Yujun, K., Gingbo, S. and Gianbin C. “A Simply Way to de-Interleave Repetitive Pulse Sequences”, 7th Wseas int Conf. on Mathematical Methods and Computational Techniques in Electrical Engineering, Sofia, 2005.

[17] He, A. L., Zeng, D. G., Wang, J. and Tang, B. “Multi-Parameter Signal Sorting Algorithm Based on Dynamic Distance Clustering”. Journal of Electronic Science and Technology of China, Vol.7, No.3, 2009.

 [18] Bailie, S. “An FPGA Implemention of Incremental Clustering for Radar Pulse De-interleaving”, Master of Science at Northeastern University, Boston, 2010.

 [19] Maier, M. W. “Processing Throughput Estimation for Radar Intercept Receivers”, IEEE Transactions on Aerospace and Electronic System, Vol.34, No.1, 1998.

]20 [آدامی، د.، "جنگ الکترونیک"، نایبی م.م، موسسه انتشارات علمی دانشگاه صنعتی شریف، 1385.

]21[ یقینی، م و ورد، م.،”خوشه‌بندی خودکار داده‌های مختلط با استفاده از الگوریتم ژنتیک”، نشریه بین‌المللی مهندسی صنایع و مدیریت تولید، دانشگاه علم و صنعت ایران، شماره 2، جلد 23، شهریور 1391.

]22[ نوری، و.، اکبرزاده توتونچی، م و روحانی منش، ع.،”پیش‌پردازش داده‌های ورودی الگوریتم‌های دسته‌بندی با ترکیب خوشه‌بندی فازی نوع اول و نوع دوم تعمیم‌یافته و K میانگین “، همایش ملی مهندسی کامپیوتر و توسعه پایدار، 1392.

[23] Bolshakova, N. and Azuaje, F. “Cluster Validation Techniques for Genome Expression Data”. Signal Processing Vol.83. No.4, pp.825-833, 2003.

 [24] Dimitriadou, E., Dolnicar, S. and Weingessel, A.”An Examination of Indexes for Determining the Number of Cluster in Binary Data Sets”. Psychometrika, Vol.67, No.1, pp.137-160, 2002.