KaydedilenlerDerginizi ekleyin

Dergiler / Politeknik Dergisi / 2025 / Cilt: 28 Sayı: 6

Kümeleme ve PRI Tip Tanımaya Dayalı Yeni Bir Ayrıştırma Yaklaşımı

A New Deinterleaving Approach Based On Clustering and PRI Type Recognition

Şefika Çağlan(ANKARA YILDIRIM BEYAZIT ÜNİVERSİTESİ)0000-0001-9406-4109
Ali Değirmenci(ANKARA YILDIRIM BEYAZIT ÜNİVERSİTESİ)0000-0001-9727-8559
İlyas Çankaya(ANKARA YILDIRIM BEYAZIT ÜNİVERSİTESİ)0000-0002-6072-3097
Sayfa
1881–1892
Yayın Tarihi
2025-12-04
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sonuçlar, yeni yöntemin bir radar sinyalinin PRI türlerini belirlemede etkili olduğunu göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bir elektronik savaş ortamında, her biri belirli görevleri yerine getirmek için özel olarak tasarlanmış farklı sinyal dalga formlarına sahip çok sayıda radar çalışır.
📊
Temel Bulgular & Veri:Kümelenmiş verilerdeki DTA'yı bulmak için darbelerin geliş zamanı farkı kullanılmıştır.
💡
Sonuç & Katkı:Sonuçlar, yeni yöntemin bir radar sinyalinin PRI türlerini belirlemede etkili olduğunu göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:ayrıştırma · kümeleme · OPTICS

Özet

Bir elektronik savaş ortamında, her biri belirli görevleri yerine getirmek için özel olarak tasarlanmış farklı sinyal dalga formlarına sahip çok sayıda radar çalışır. Radarların ayrıştırılması bir elektronik harp sisteminin temel ve önemli bir işlevidir. Ayrıştırma işleminin ardından Darbe Tekrarlama Aralığı (DTA) modülasyon tipinin belirlenmesi, radarın tanınması ve işlevinin anlaşılması için çok önemlidir. Bu çalışmada, radar darbelerini ayrıştırmak ve DTA modülasyonunu tanımak için yeni bir kümeleme ve kural tabanlı yöntem önerilmiştir. Radar sinyalini kümelemek için Kümeleme Yapısını Tanımlamak için Noktaları Sıralama (OPTICS) yöntemi uygulanmıştır. Kümelenmiş verilerdeki DTA'yı bulmak için darbelerin geliş zamanı farkı kullanılmıştır. Geliş zamanı farkı temelli yöntem sonucunda elde edilen DTA değerlerinden DTA tipini belirlemek için kural tabanlı bir yöntem kullanılmıştır. Deneylerde, kümeleme ve DTA tipi tanıma aşamaları ayrı ayrı analiz edilmiştir. OPTICS'in performansı (i) yüksek küme sayıları, (ii) kümelerin yakınlığı, (iii) farklı küme yoğunlukları ve formları gibi farklı koşullar altında test edilmiş ve kümelemede iyi sonuçlar vermiştir. DTA tipi bulma performansı da 4 farklı DTA türünden (sabit, çevik, kademeli ve bekle&değiştir) oluşan bir simülasyon veri kümesi üzerinde test edilmiştir. Sonuçlar, yeni yöntemin bir radar sinyalinin PRI türlerini belirlemede etkili olduğunu göstermektedir.

Abstract

In an electronic warfare environment, numerous radars operate, each designed with distinct signal waveforms tailored to fulfill specific missions. The deinterleaving of radars is a fundamental function of an electronic warfare system. Following deinterleaving, identifying the Pulse Repetition Interval (PRI) modulation type becomes essential for enhanced radar recognition and understanding of its function. In this study, a new clustering and rule-based method is proposed to deinterleave radar pulses and recognize the PRI modulations. Ordering Points to Identify Clustering Structure (OPTICS) method is employed to cluster the radar signals. Difference of Time of Arrival (DTOA)-based method is employed to find the PRIs in the clustered data. A rule-based method is used to determine the PRI type from the obtained PRI values. In the experiments, the clustering and PRI type recognition phases were analyzed separately. The performance of OPTICS was tested under different conditions: (i) high cluster counts, (ii) close proximity of clusters, (iii) different cluster densities and forms, and showed good results in clustering. The PRI type detection performance was also tested on a simulation dataset consisting of 4 different PRI types (constant, agile, stagger and dwell&switch). The results indicate that the new method is effective in determining the PRI modulations.

🔖

Bu Makaleye Atıf Yap

Çağlan, Ş., Değirmenci, A., Çankaya, İ. (2025). Kümeleme ve PRI Tip Tanımaya Dayalı Yeni Bir Ayrıştırma Yaklaşımı. Politeknik Dergisi, Cilt: 28 Sayı: 6, 1881–1892. https://doi.org/10.2339/politeknik.1489107

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (37)

  1. https://falcon.blu3wolf.com/Docs/Electronic-Warfare-Fundamentals.pdf, “Electronic Warfare Fundamentals”, (2000).
  2. Wiley R.G., “Electronic Intelligence: The Analysis of Radar Signals”, 0-89006-592-6, Artech House, 2nd Edition, (1993).
  3. Kauppi, J-P., Martikainen, K.S., “An Efficient Set of Features For Pulse Repetition Interval Modulation Recognition”, 2007 IET International Conference on Radar Systems, Edinburgh, UK, (2007).
  4. Han J., Park C.H., “A Unified Method for Deinterleaving and PRI Modulation Recognition of Radar Pulses Based on Deep Neural Networks”, IEEE Access, 9: 89360-89375, (2021).
  5. Cheng W., Zhang Q., Dong J., Wang C., Liu X., Fang G., “An Enhanced Algorithm for Deinterleaving Mixed Radar Signals”, IEEE Transactions on Aerospace and Electronic Systems, 57: 3927-3940, (2021).
  6. Mottier M., Chardon G., Pascal F., “Deinterleaving and Clustering Unknown Radar Pulses”, 2021 IEEE Radar Conference (RadarConf21), 1-6, (2021).
  7. Hasani H., Khosravi M. R., “Pulse Deinterleaving Based On Fusing PDWs and PRI Extraction Process For Radar‑Assisted Edge Devices Considering Computational Costs”, Eurosip Journal on Wireless Communications and Networking, 98: 1-14, (2021).
  8. Kang S., Yuan S., Wang C., Liu Z., “Sequential Extraction and Recognition of Pulse Group Structure For Multi‐Function Radar”, IET The Institution of Engineering and Technology, 16: 678-691, (2022).
  9. Chao W., Weisong L., Xueqiong L., Xiang W., Zhitao H., “A New Radar Signal Multiparameter-Based Deinterleaving Method”, Cornell University - Electrical Engineering and Systems Science, (2022).
  10. Chao W., Liting S., Zhangmeng L., Zhitao H., “A Radar Signal Deinterleaving Method Based on Semantic Segmentation with Neural Network”, IEEE Transactions on Signal Processing, 70: 5806-5821, (2022).
  11. Xie M., Zhao C., Zhao Y., Hu D., Wang Z., “A Novel Method For Deinterleaving Radar Signals First‐Order Difference Curve Based On Sorted TOA Difference Sequence”, IET The Institution of Engineering and Technology, 17: 1-13, (2022).
  12. Feng H. C., Tang B., Wan T., “Radar Pulse Repetition Interval Modulation Recognition with Combined Net and Domain-Adaptive Few-Shot Learning”, Digital Signal Processing, 127: 1-11, (2022).
  13. Cheng W., Zhang Q., Dong J., Wang H., Liu X., “An Efficient Algorithm For De-Interleaving Staggered PRI Signals”, Applied Sciences, 13: 1-19, (2023).
  14. Mottier M., Chardon G., Pascal F., “Deinterleaving Radar Emitters With Optimal Transport Distances”, IEEE Transactions on Aerospace and Electronic Systems, 1-13, (2023).
  15. Nuhoglu M. A., Cirpan H. A., “Radar Signal Deinterleaving in Electronic Warfare Systems: A Combined Approach”, IEEE Access, 11: 142043-142061, (2023).
  16. Mao Y., Ren W., Li X., Yang Z., Cao W., “Sep-RefineNet A Deinterleaving Method for Radar Signals Based on Semantic Segmentation”, Applied Sciences, 13: 1-18, (2023).
  17. Estivill-Castro, V., “Why So Many Clustering Algorithms: A Position Paper”, ACM SIGKDD Explorations Newsletter, 4(1): 65-75, (2002).
  18. Oti, E. U., Olusola, M. O., Eze, F. C., Enogwe, S. U., “Comprehensive Review of K-means Clustering Algorithms”, International Journal of Advances in Scientific Research and Engineering, 7(8): 64-68, (2021).
  19. Divya, G., Babu, R. S. R., “Analysis of the Applicability Criterion For K means Clustering Algorithm Run Ten Number of Times On the First 25 Numbers of the Fibanocci Series”, EPRA International Journal of Research and Development (IJRD), 6(9): 206-213, (2021).
  20. MacQueen, J., “Some Methods For Classification and Analysis of Multivariate Observations”, Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, 1: 281-297, (1967).
  21. Yuan, C., Yang, H., “Research on K-value Selection Method of K-means Clustering Algorithm”, J-Multidisciplinary Scientific Journal, 2(2): 226-235, (2019).
  22. Ankerst M., Breunig M. M., Kriegel H., Sander J., “OPTICS: Ordering Points To Identify the Clustering Structure”, ACM Sigmod Record, 28: 49-60, (1999).
  23. Fan Y., Wang M., “Specification Mining Based on the Ordering Points to Identify the Clustering Structure Clustering Algorithm and Model Chacking”, Applied Sciences, 17: 1-18, (2024).
  24. Jain, A.K., Murty, M.N., Flynn, P.J., “Data Clustering: A Review”, ACM Computing Surveys (CSUR), 31(3): 264–323, (1999).
  25. Liao, T.W., “Clustering of Time Series Data-A Survey”, Pattern Recognition, 38(11): 1857–1874, (2005).
  26. Bose, I., Chen, X., “Detecting the Migration of Mobile Service Customers Using Fuzzy Clustering”, Information&Management, 52(2): 227–238, (2015).
  27. Xie, W-B., Lee, Y-L., Wang, C., Chen, D-B., Zhou, T., “Hierarchical Clustering Supported By Reciprocal Nearest Neighbors”, Information Sciences, 527: 279-292, (2020).
  28. Tekerek, A., Dörterler, M., “The Adaptation of Gray Wolf Optimizer to Data Clustering”, Journal of Polytechnic, 25(4): 1761-1767, (2022).
  29. Ibrahım M.H., “WBBA-KM: A Hybrid Weight-based Bat Algorithm With the K-means Algorithm for Cluster Analysis”, Journal of Polytechnic, 25(1): 65-73, (2022).
  30. Akalın F., Yumuşak N., “Classification of Exon and Intron Regions on DNA Sequences with Hybrid Use of SBERT and ANFIS Approaches”, Journal of Polytechnic, 27(3): 1043-1053, (2024).
  31. Ataş K., Kaya A., Myderrizi I., “Covid-19 Diagnosis From X-ray Images With Artificial Neural Network Based Model”, Journal of Polytechnic, 26(2): 541-551, (2023).
  32. Balcı F., Yılmaz S., “Faster R-CNN Structure for Computer Vision-based Road Pavement Distress Detection”, Journal of Polytechnic, 26(2): 701-710, (2023).
  33. Yin H., Aryani A., Petrie S., Nambissan A., Astudillo A., Cao S., “A Rapid Review of Clustering Algorithms”, Cornell University - Computer Science, (2024).
  34. Zhang, X., Sun, Y., Liu, H., Hou, Z., Zhao, F., Zhang, C., “Improved Clustering Algorithms for Image Segmentation Based on Non-Local Information and Back Projection”, Information Sciences, 550: 129-144, (2021).
  35. Jiang, D., Chen, G., Ooi, B. C., Tan, K-L., Wu, S., “epiC: An Extensible and Scalable System for Processing Big Data”, Proceedings of the VLDB Endowment, 7(7): 541-552, (2014).
  36. Dorai, C., Jain, A.K., “Shape Spectra Based View Grouping for Free-Form Objects”, International conference on image processing, 3: 340-343, (1995).
  37. https://falcon.blu3wolf.com/Docs/Electronic-Warfare-Fundamentals.pdf, “Electronic Warfare Fundamentals”, (2000).