پیشینه تحقیق ابزارهای هوش مصنوعی استفاده شده در شبیه سازی ها دارای ۳۵ صفحه می باشد فایل پیشینه تحقیق به صورت ورد word و قابل ویرایش می باشد. بلافاصله بعد از پرداخت و خرید لینک دنلود فایل نمایش داده می شود و قادر خواهید بود آن را دانلود و دریافت نمایید . ضمناً لینک دانلود فایل همان لحظه به آدرس ایمیل ثبت شده شما ارسال می گردد.
۱-۱-مقدمه۵
۱-۲-جمعآوری دادهها۶
۱-۳-پیشپردازش دادهها۷
۱-۳-۱-انتخاب و کاهش ویژگیها با استفاده از PCA8
۱-۴-الگوریتمهای کلاسهبندی مورد استفاده۱۱
۱-۴-۱-شبکه عصبی پرسپترون چند لایه(MLP)11
۱-۴-۲-شبکه عصبی شعاع مبنا۱۴
۱-۴-۳-بردار ماشین تکیهگاه(SVM)19
۱-۵-ارزیابی روشهای کلاسهبندی۳۳
۱-۶-فهرست منابع۳۴
ک. حسامپور،”انتخاب هوشمند ویژگیها و جداکنندههای بهینه برای تشخیص اتوماتیک مدولاسیون سیگنال”،دانشگاه یزد،۱۳۹۰
م. ب. منهاج، مبانی شبکه های عصبی، ویرایش هفتم، دانشگاه صنعتی امیرکبیر، ۱۳۸۹، ۷۱۵ صفحه
B. E. Boser, I. M. Guyon, and V. N. Vapnik, “A training algorithm for optimal margin classifiers,” in Proceedings of the fifth annual workshop on Computational learning theory – COLT ’۹۲, ۱۹۹۲, pp. 144–۱۵۲٫
M. Cherniakov, R. S. A. R. Abdullah, P. Jancovic, M. Salous, and V. Chapursky, “Automatic ground target classification using forward scattering radar,” Radar, Sonar and Navigation, IEE Proceedings, vol. 153, no. 5, pp. 427–۴۳۷, Oct. 2006.
C. L. Davies and P. Hollands, “Automatic processing for ESM,” IEE Proceedings F Communications, Radar and Signal Processing, vol. 129, no. 3, p. 164, Jun. 1982.
J. Dudczyk, A. Kawalec, and J. Cyrek, “Applying the distance and similarity functions to radar signals identification,” in 2008 International Radar Symposium, 2008, pp. 1–۴٫
P. M. Grant and J. H. Collins, “Introduction to electronic warfare,” IEE Proceedings F Communications, Radar and Signal Processing, vol. 129, no. 3, p. 113, Jun. 1982.
J. Han, M. Kamber, and J. Pei, Data Mining Concepts And Techniques, Third Edit. Morgan Kaufmann Publisher, 2012, p. 740.
E.J. Hartman, J.D. Keeler, J.M Kowalski, “Layered neural networks with Gaussian hidden units as universal approximations,” Neural computation, 1990. 2(2): p. 210-215.
K. Pearson, “On lines and planes of closest fit to systems of points in space,” The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 1901. 2(11): p. 559-572
هدف کلاسهبندی دادهها، سازماندهی و تخصیص دادهها به کلاسهای مجزا میباشد. در این فرآیند بر اساس دادههای توزیع شده، مدل اولیهای ایجاد میگردد. سپس این مدل برای کلاسهبندی دادههای جدید مورد استفاده قرار میگیرد، بهاینترتیب با بهکارگیری مدل بهدستآمده، تعلق دادههای جدید به کلاس معین قابل پیشگویی میباشد.
در فرآیند کلاسهبندی، اشیا موجود به کلاسهای مجزا با مشخصههای تفکیکشده (ظروف جداگانه) طبقهبندی و بهصورت یک مدل معرفی میگردند. سپس با در نظر گرفتن ویژگیهای هر طبقه، شیء جدید به آنها تخصیص یافته، برچسب و نوع آن پیشگویی میگردد.
در کلاسهبندی، مدل ایجادشده بر پایهی یکسری دادههای آموزشی، (اشیا دادههایی که برچسب کلاس آنها مشخص و شناخته شده است) حاصل میآید. مدل بهدستآمده در اشکال گوناگون مانند درختهای تصمیم، فرمولهای ریاضی و شبکههای عصبی قابل نمایش میباشد.
الگوی عمومی برای الگوریتمهای آموزش از طریق مثال با فرآیند کلاسهبندی به چهار مرحله تقسیم میشوند:
جمعآوری دادهها
پیشپردازش دادهها
اعمال الگوریتمهای کلاسهبندی
ارزیابی الگوریتمهای اعمال شده
در ادامه توضیحات مربوط به هر یک از مراحل یاد شده آورده شده است.
در این مرحله دادههای مرتبط از پایگاه داده سیستمهای مختلف جمعآوری شده که در این فاز اطلاعات ۱۷ رادار، پس از تائید کارشناسان مربوطه مورد استفاده قرار گرفت و مطابق جدول زیر میباشد
با توجه به اینکه اطلاعات رسیده مورد بررسی و تائید افراد خبره در این حوزه رسیده بود بنابراین با مشکلاتی همچون missing value، duplicate value و … روبرو نبودیم و تنها چالش موجود بر سر راه این بود که با توجه به این که مثلاً فرمت رادارها بهصورت جدول ۳-۱ است.
Frequency
(Freq) |
Pulse Width
(PW) |
Pulse Repetition Interval
(PRI) |
Radar Name
(Label) |
۲۰۰۰~۲۲۰۰ | ۰٫۱~۰٫۴ | ۲~۴ | R1 |
۹۳۴۰~۹۳۴۸ | ۲~۶ | ۱۳۳~۲۰۰ | R2 |
یعنی مقادیر فیلدهای Freq، PW و PRI بهصورت بازه ذکرشدهاند و اطلاعاتی از مقادیر دقیق آنها و یا توزیع دادهها در دست نیست که بتوان میانگین، انحراف معیار و … آن را حساب کرد، بنابراین با نظارت کارشناسان مربوطه به استفاده از ۳ حلقه for تودرتو به شکل زیر، بازهها به مقادیر گسسته شکسته شده و به عنوان ورودی الگوریتمهای کلاسهبندی به کار گرفته میشوند.
در کد بالا مقادیر STEP_FREQ، STEP_PW و STEP_PRI بر اساس نظر کارشناسان خبره رادار تعیین و به کار گرفته شده است. بهعنوانمثال در جدول ۱ مقادیر STEP_FREQ برای هر دو مورد برابر با ۱ قرار داده میشود ولی مقدار STEP_PW برای مورد اول برابر ۰٫۱ و برای مورد دوم برابر ۱ قرار داده میشود و به همین ترتیب برای سایر نمونهها نیز این مقادیر تعیین میشوند. که با توجه به تعداد رادارها(۱۷ مورد) تعداد نمونههای آموزش تولید شده برابر با ۴۳۱۶۶۵ مورد شد که در یک csv فایل ذخیره گشته و به عنوان Training Set به الگوریتمهای مدنظر دادهشده است.
در این قسمت روش انتخاب ویژگیها با استفاده از PCA را مرور میکنیم. PCA از روشهای کلاسیک در آنالیز آماری داده، استخراج ویژگی و فشردهسازی داده محسوب میشود که به لحاظ تاریخی به کارهای اولیه Pearson در حدود سالهای ۱۹۰۰ بازمیگردد [۱۵].
یکی از متداولترین کاربردهای PCA، کاهش افزونگی یک مجموعه داده میباشد. طبیعتاً وقتی سخن از کاهش افزونگی میشود، نیازمند معیاری برای سنجش آن هستیم. معیار سنجش افزونگی در PCA وجود همبستگی بین مجموعه دادهها یا بردار مشاهدات است؛ لذا تنها مبتنی بر ممانهای مراتب اول و دوم میباشد. PCA با یک بردار از مشاهدات شروع میکند. اگر بردار N بعدی X از مشاهدات در اختیار باشد و هدف، رسیدن به برداری M بعدی(M<N) باشد، که افزونگی ناشی از همبستگی بین المانهای آن حذف شده است، این عمل با یافتن یک تبدیل به دستگاهی جدید صورت میگیرد که تبدیل یافته X در این مختصات دارای المانهای ناهمبسته است. نخستین مرحله PCA صفر کردن میانگین X طبق رابطه (۳-۱)
[۱] Principle Component Analysis
ارسال نظر