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

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 به سزایی 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 kmean، 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..

Design an optimum Hierarchical clustering algorithm for radar pulse clustering in ESM processor

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 kmean 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.