۲۷۰۰

۵٫۸ – ۶٫۲

۱۲۵۰ - ۱۳۵۰

پیش‌پردازش داده‌ها

با توجه به این‌که اطلاعات رسیده مورد بررسی و تائید افراد خبره در این حوزه رسیده بود بنابراین با مشکلاتی همچون missing value، duplicate value و … روبرو نبودیم و تنها چالش موجود بر سر راه این بود که با توجه به این که مثلاً فرمت رادارها به‌صورت جدول ۳-۱ است.

جدول ۳-۲- دو رادار نمونه

Frequency
(Freq)

Pulse Width
(PW)

Pulse Repetition Interval
(PRI)

Radar Name
(Label)

۲۰۰۰~۲۲۰۰

۰٫۱~۰٫۴

۲~۴

R1

۹۳۴۰~۹۳۴۸

۲~۶

۱۳۳~۲۰۰

R2

یعنی مقادیر فیلدهای Freq، PW و PRI به‌صورت بازه ذکرشده‌اند و اطلاعاتی از مقادیر دقیق آن‌ ها و یا توزیع داده‌ها در دست نیست که بتوان میانگین، انحراف معیار و … آن را حساب کرد، بنابراین با نظارت کارشناسان مربوطه به استفاده از ۳ حلقه for تودرتو به شکل زیر، بازه‌ها به مقادیر گسسته شکسته شده و به عنوان ورودی الگوریتم‌های کلاسه‌بندی به کار گرفته می‌شوند.
شکل ۳-۱- گسسته سازی مقادیر پارامترها
در کد بالا مقادیر STEP_FREQ، STEP_PW و STEP_PRI بر اساس نظر کارشناسان خبره رادار تعیین و به کار گرفته شده است. به‌عنوان‌مثال در جدول ۱ مقادیر STEP_FREQ برای هر دو مورد برابر با ۱ قرار داده می‌شود ولی مقدار STEP_PW برای مورد اول برابر ۰٫۱ و برای مورد دوم برابر ۱ قرار داده می‌شود و به همین ترتیب برای سایر نمونه‌ها نیز این مقادیر تعیین می‌شوند. که با توجه به تعداد رادارها(۱۷ مورد) تعداد نمونه‌های آموزش تولید شده برابر با ۴۳۱۶۶۵ مورد شد که در یک csv فایل ذخیره گشته و به عنوان Training Set به الگوریتم‌های مدنظر داده‌شده است.

انتخاب و کاهش ویژگی‌ها با بهره گرفتن از PCA^[15]

در این قسمت روش انتخاب ویژگی­ها با بهره گرفتن از PCA را مرور می‌کنیم. PCA از روش­های کلاسیک در آنالیز آماری داده، استخراج ویژگی و فشرده­سازی داده محسوب می‌شود که به لحاظ تاریخی به کارهای اولیه Pearson در حدود سال‌های ۱۹۰۰ بازمی‌گردد [۱۵].
یکی از متداول­ترین کاربردهای PCA، کاهش افزونگی یک مجموعه داده می‌باشد. طبیعتاً وقتی سخن از کاهش افزونگی می‌شود، نیازمند معیاری برای سنجش آن هستیم. معیار سنجش افزونگی در PCA وجود همبستگی بین مجموعه داده ­ها یا بردار مشاهدات است؛ لذا تنها مبتنی بر ممانهای مراتب اول و دوم می‌باشد. PCA با یک بردار از مشاهدات شروع می‌کند. اگر بردار N بعدی X از مشاهدات در اختیار باشد و هدف، رسیدن به برداری M بعدی(M<N) باشد، که افزونگی ناشی از همبستگی بین المان­های آن حذف شده است، این عمل با یافتن یک تبدیل به دستگاهی جدید صورت می‌گیرد که تبدیل یافته X در این مختصات دارای المان­های ناهمبسته است. نخستین مرحله PCA صفر کردن میانگین X طبق رابطه است:

(۳-۱)