خوشه‌بندي به روش نزديك‌ترين همسايه با اولويت انتخاب خوشه‌هاي متراكم تر در آناليز ماتريس تشابه جهت تفكيك پالس‌هاي راداري

Nearest neighbor method with priority selection of denser clusters by analysis of similarity matrix for radar pulse clustering

دسته‌بندی و میانبرداری پالس‌های راداری، از كاربردهای خوشه بندی است. از مشكلات اساسی در بیشتر روش‌ها، انتخاب مناسب مراكز اولیه جهت خوشه‌بندی است. در الگوریتم پیشنهادی، ابتدا ماتریس تشابه برای داده‌های ورودی بر اساس شعاع همسایگی تعریف‌شده، تولید می‌گردد. سپس با آنالیز كدهای ماتریس تشابه و انتخاب سطرهای با بیشترین كد تشابه، دسته‌های متراكم‌تر به ترتیب جدا می‌شوند. در این روش با توجه به جریان زیاد داده‌های راداری، بدون نیاز به تكرار پردازش، رشته پالس‌ها به‌صورت بهینه جدا می‌شوند. الگوریتم حاصل نسبت به توابع موجود خوشه‌بندی، داده را بر اساس شعاع همسایگی تعریف‌شده به تعداد خوشه‌های از پیش تعیین نشده با اولویت انتخاب دسته‌های متراكم و با دقت در اختصاص داده‌های واقع در مرز مشترك خوشه‌ها تفكیك می‌نماید. به طور خاص، مزیت استفاده از این الگوریتم در تفكیك پالس راداری، انتخاب نقاط متراكم به‌عنوان مراكز خوشه‌ها است. روش پیشنهادی می‌تواند برای تفكیك داده‌ها در زمینه‌های مختلف نیز به كار رود. از محاسن این روش نسبت به الگوریتم‌های مبتنی بر روش k-mean، دقت در انتخاب اولیه مراكز خوشه‌ها است. نتایج خوشه‌بندی روش پیشنهادی برای نمونه داده‌های راداری شامل 200 پالس با نتایج روش خوشه‌بندی حول رهبر كه یكی از الگوریتم‌های مطرح در زمینه خوشه‌بندی پالس‌های راداری است، مقایسه شده است. بررسی شاخص‌های ارزیابی و اعتبارسنجی خوشه‌بندی مانند Dunn، Silhouette و RMSSD، بهینه بودن الگوریتم پیشنهادی را نشان می‌دهد.

Clustering is used in radar pulse classification and de-interleaving. Proper selection of initial centers for clusters is the fundamental problem in clustering methods. In the proposed algorithm, the similarity matrix for the input data based on defined neighborhood radius is created. Then, with analysis of similarity matrix and selection of lines with the most similar code, denser clusters are separated respectively. In this way, regarding to the high stream radar pulse, without requirement to iteration, pulse strings are separated as optimal. This algorithm has capability of priority selection of dense categories in clustering. On the basis of neighborhood radius defined, data on the common border clusters, have been carefully separated. In particular, the advantage of using this algorithm is selection of dense clusters center in radar pulse clustering. The proposed method can also be used to cluster the data in various fields. . Results of proposed method for data sample consisted of 200 radar pulse is compared with the results of clustering around the leader which is one of the main clustering algorithms in the field of radar pulses. Evaluation and measure of clustering validity such as Dunn, Silhouette and RMSSD indexes, shows efficiency of the proposed algorithm.