پردازش داده های راداری با استفاده از ترکیب روش های تجزیه وتحلیل مولفه اصلی و شبکه های عصبی خودسازمانده و رقمی ساز بردار یادگیر

در سیستم های مخابراتی نظامی تکنیک های پیشرفته ای برای شنود و پردازش سیگنال های بلادرنگ بکار می رود که برای تصمیم گیری های مربوط به عملیات جنگ الکترونیک و سایر عملیات تاکتیکی حیاتی اند. امروزه ضرورت سیستم های هوشمند با تکنیک های پردازش سیگنال مدرن، به خوبی احساس می شود. وظیفه اصلی چنین سیستم هایی شناخت رادارهای موجود در محیط عملیاتی و طبقه بندی آن ها بر اساس آموخته های قبلی سیستم و انجام عملیات لازمه با سرعت بالا و بلادرنگ است بخصوص در مواردی که سیگنال دریافت شده مربوط به یک تهدید آنی مانند موشک است و باید سیستم های جنگ الکترونیک در کوتاه ترین زمان ممکن پاسخ لازم را به عنوان هشداردهنده بدهند. هدف هایی که به دنبال آن هستیم استفاده از نتایج این تحقیق در کلاسه بندی اطلاعات استخراج شده توسط سیستم های شنود راداری است که این امر بعد از مراحل انتخاب سیگنال ورودی و انتخاب صحیح الگوریتم های دسته بندی، محقق می شود و دیگری افزایش سرعت با استفاده از روش رقمی ساز بردار یادگیر است در این مقاله با استفاده از شبکه های عصبی رقمی ساز بردار یادگیر و خود سازمانده یک روش کارا برای کلاسبندی داده ها ارایه نموده ایم. در این روش ابتدا از الگوریتم شبکه عصبی خود سازمانده برای یافتن کدهای موردنیاز استفاده کرده و سپس در مرحله بعد از الگوریتم رقمی ساز بردار یادگیر برای کلاسبندی داده ها استفاده شده است. همچنین در این مقاله به بررسی تاثیر معیار فاصله بین داده ها خواهیم پرداخت. نتایج بدست آمده از اجرای الگوریتم پیشنهادی بر روی دیتاست های استاندارد جهانی فرماندهی و کنترل و مقایسه آن با برخی از روش های متداول کلاسبندی، پرداخته ایم که نشان می دهد ترکیب این الگوریتم ها کارایی بسیار بالایی داشته و مناسب برای مسئله کلاسبندی است.