طراحی الگوریتم بهینه مبتنی بر خوشه بندی سلسله مراتبی جهت تفکیک رشته پالس‌های راداری در پردازنده ESM

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری گروه الکترونیک دانشکده برق دانشگاه دریایی امام خمینی

2 دانشیار دانشگاه جامع امام حسین(ع)

چکیده

استخراج اطلاعات سیگنال‌هایی که توسط یک سیستم ESM در محیط شلوغ پالسی دریافت می‌شود، اولین گام شنود راداری است. قدم بعدی تفکیک پالس‌های راداری بر اساس داده‌های مرحله قبل، شناسایی منابع انتشاری و عوامل تهدید است. از مشکلات اساسی در بیشتر روش‌های تفکیک، 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 تحلیل کدهای ماتریس تشابه و انتخاب سطرهای با بیشترین کد تشابه، دسته‌های متراکم‌تر به ترتیب جدا می‌شوند. ساختار این الگوریتم روش بهینه‌ای از الگوریتم‌های سلسله مراتبی است. در این الگوریتم معیار شباهت نقش به­سزایی دارد. با روش به‌کار رفته در این الگوریتم مقدار محاسبات و تکرار در خوشه‌بندی سلسله مراتبی به شدت کاهش می‌یابد.  الگوریتم حاصل نسبت به توابع موجود، داده را بر اساس شعاع همسایگی تعریف‌شده به تعداد خوشه‌های از پیش تعیین نشده با اولویت انتخاب دسته‌های متراکم تفکیک می‌نماید. از محاسن این روش نسبت به الگوریتم‌های مبتنی‌بر 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 درزمینه خوشه‌بندی پالس‌های راداری است، مقایسه و نتایج مطلوب به‌دست آمده است..



 

کلیدواژه‌ها


عنوان مقاله [English]

Design an Optimum Hierarchical Clustering Algorithm for Radar Pulse Clustering in ESM Processor

نویسندگان [English]

  • M. J. Ghalandary 1
  • S. M. Alavi 2
1 electronic, faculty of imam khomeini -university
2 faculty of imam hossein univers-ity
چکیده [English]

The first step of an ESM system is extracting features of the received signal in a noisy environment. The next step is clustering and deinterleaving of radar pulses on the basis of data achieved from the previous procedure, and the final step is identifying the emitters and threat factors. Proper selection of initial centers for clusters is the fundamental problem in clustering methods. In the proposed algorithm, first a similarity matrix for the input data based on defined neighborhood radius is formed. Then, with analysis of the similarity matrix and selection of lines with maximum similar codes, denser clusters are separated sequentially. The structure of this algorithm is an optimum hierarchical clustering method. In this algorithm similarity criterion has a very important role. This technique reduces the iterations and computations considerably and separates data into a not predetermined number of clusters using neighborhood radius. The selection priority is with dense sets. One of the advantages of this algorithm compared to the algorithms based on k-mean is careful selection of the initial center of clusters. Results of the proposed method for a data sample consisting of 200 radar pulses is compared with the results of clustering around the leader which is one of the main clustering algorithms in the field of radar pulses and the desired advantage is achieved. In this way, regarding the high stream radar pulse and without iteration requirement, we have optimum pulse strings separation.

کلیدواژه‌ها [English]

  • Radar Pulse Sorting
  • radar pulse clustering
  • Hierarchical clustering algorithm
  1. قلندری، محمدجواد، آقابابایی، مجید، مرادی احسان، خوشه‌بندی به روش نزدیک‌ترین همسایه با اولویت انتخاب خوشه‌های متراکم تر در تحلیل ماتریس تشابه جهت تفکیک پالس‌های راداری، فصلنامه علمی پژوهشی دریافنون، دوره 4، شماره 4، صفحات 24-13، 1396.##
  2. احمدی، معین، محامدپور،کمال، تشخیص مدولاسیون فاصله تکرار پالس‌های راداری، مجله انجمن مهندسین برق و الکترونیک ایران، سال ششم، شماره دوم، 1388.##
  3. قلندری، محمدجواد، خوگر، احمدرضا، طراحی و شبیه‌سازی الگوریتم ارتباط و دسته‌بندی اهداف راداری در پردازشگر ESM، پایان‌نامه کارشناسی ارشد دانشگاه صنعتی مالک اشتر، 1381.##
  4. قلندری، محمدجواد، 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.##
  5. حسنی، حمید، شیخی، عباس، بیغش، مهرزاد، بررسی روشهای جداسازی پالس­های راداری براساسPDW، پایان­نامه برای اخذ درجه­ کارشناسی­ارشد رشته­ مهندسی برق– مخابرات سیستم، دانشگاه شیراز، 1396.##
  6. نادری، محمد، موسوی، احمد، جداسازی و نمایش پالس‌های راداری در سیستم‌های پشتیبانی جنگ الکترونیک، پایان‌نامه کارشناسی ارشد، دانشگاه علم و صنعت، 1379.##
  7. ناصری، علی، سعادتی مقدم، گودرز، ارائه یک الگوریتم هوشمند برای جداسازی سیگنال‌های متداخل راداری، هجدهمین کنفرانس مهندسی برق ایران، دانشگاه صنعتی اصفهان، صفحات 121-11، 1389.##
  8. نصرالهی، پویان، خداپرست، فرزاد، حسام­پور، کریم، دادگرنیا، ابوالفضل، خوشه‌بندی پالس­های متداخل راداری با استفاده از مدل مخلوط گوسی در محیط­های متراکم سیگنال، ششمین کنفرانس ملی جنگ الکترونیک ایران، مهر، 1392.##
  9. ناصری، علی، ارائه الگوریتم مناسب برای بخش پردازش سیستم‌های شناسایی رادار ELINT وESM، نشریه علمی پژوهشی انجمن کامپیوتر ایران، مجلد 10، 1391.##
    1. A. M. Kilincarslan, “A Study on Identification of Radar Emiters,” Atılım University, 2011.##
    2. R. Wiley, “ELINT: The Interception and Analysis of Radar Signals,” Artech House, 2006.##
    3. A. Naseri, H. S. Shahhoseini, and M. Naderi, “Data Clustering by Minimum Difference Tree and PRI Transform. IEEE proceedings, MELECON,” pp.    183-187, 2002.##
    4. Ai-Ling He, De-Guo Zeng, Jun Wang, and Bin Tang, “Multi-Parameter Signal Sorting Algorithm Based on Dynamic Distance Clustering,” Journal of Electronic Science and Tecnology of China, vol. 7, no. 3, 2009.##
    5. Dong-Weon Lee, Jin-Woo Hun, and Won-Don lee,  “Adaptive Radar Pulses Clustering Based on Density Cluster Window,” 23rd ITS-CSCC,1377-1380, 2008.##
      1. H. S. Shahhoseini, A. Naseri, and M. Naderi, “A New Matrix Method for Pulse Train Identification,” IEEE proceedings, MELECON, pp. 183-187, 2002.##
      2. M. W. Maier, “Processing Throughput Estimation for Radar Intercept Receivers,” IEEE Transactions on Aerospace and Electronic System, vol. 34, no. 1, 1998.##
      3. C. Malika, N. Ghazzali, V. Boiteau, and A. Niknafs, “NbClust: An R Package for Determining the Relevant Number of Clusters in a Data Set,” Journal of Statistical Software, vol. 61, pp. 1–36, 2014.## 
    6. P. Hansson, “analysis of some methods for deinterleaving of pulse trains,” Stockholm, Sweden, 2007.##
    7. S. Bailie, “An FPGA Implemention of Incremental Clustering for Radar Pulse Deinterleaving,” Master of Science at Northeastern University, Boston, 2010.##
    8. M. G. S. A, B. Tang, “Sorting radar signal from symmetry clustering perspective,” Journal of Systems Engineering and Electronics, vol. 28, no. 4, pp.  690 – 696, 2017.##
    9. S. Cao, S. Wang, and Y. Zhang, “Density-Based Fuzzy C-Means Multi-Center Re-Clustering Radar Signal Sorting Algorithm,” 17th IEEE International Conference on Machine Learning and Applications, 2018.##