خوشه بندی داده های PDW راداری با استفاده از روش های خود رمزگذار زمانی با رویکرد انتخاب بعد نهفته بهینه

در محیط الکترومغناطیسی مدرن با چگالی بالای سیگنال ها چابکی پارامترها و تکنیک های پنهان کاری روش های سنتی جداسازی و خوشه بندی پالس های راداری نظیر CDIF/SDIF و DBSCAN با محدودیت های جدی مواجه هستند. در این پژوهش چارچوبی مبتنی بر Autoencoderهای زمانی برای خوشه بندی اهداف راداری بر اساس داده های PDW ارائه شده است. تمرکز اصلی تحقیق بر بهینه سازی بعد فضای نهفته به عنوان یک ابر پارامتر کلیدی است که تعادل میان فشرده سازی اطلاعات و حفظ ویژگی های تمایز بخش را برقرار می کند. در روش پیشنهادی پس از پیش پردازش و تبدیل داده ها به دنباله های زمانی با پنجره متحرک فرآیند بهینه سازی بعد نهفته با استفاده از یک LSTM Autoencoder و بر مبنای امتیاز ترکیبی شامل خطای بازسازی، شاخص سیلوئت و نسبت فشرده سازی انجام می شود. سپس چهار معماری شامل Transformer، ConvID، LSTM و Hybrid آموزش داده شده و ویژگی های نهفته استخراج شده توسط الگوریتم K-Means خوشه بندی می گردند. انتخاب مدل برتر با یک چارچوب تصمیم گیری چند معیاره مبتنی بر معیارهای کیفیت خوشه بندی، دقت بازسازی و کارایی محاسباتی صورت می گیرد. نتایج پیاده سازی بر روی ۵۰۰ هزار داده مصنوعی PDW نشان می دهد انتخاب معماری مناسب و تنظیم بهینه بعد نهفته تاثیر بسزایی در بهبود کیفیت خوشه بندی دارد و مدل LSTM در سناریوی آزمایش شده بهترین عملکرد را ارائه کرده است.

کلیدواژه ها:

خوشه بندی ، راداری ، بهینه سازی بعد نهفته ، Autoencoder ، زمانی ، داده های PDW ، یادگیری عمیق