Научная статья на тему 'Эффективность методов интеллектуального анализа данных при распознавании типа радарных сигналов, возвращаемых от ионосферы'

Эффективность методов интеллектуального анализа данных при распознавании типа радарных сигналов, возвращаемых от ионосферы Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
123
34
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
ИОНОСФЕРА / РАДАРНЫЕ СИГНАЛЫ / КЛАССИФИКАЦИЯ / НЕЙРОННАЯ СЕТЬ / МЕТОД ОПОРНЫХ ВЕКТОРОВ / МЕТОД K-БЛИЖАЙШИХ СОСЕДЕЙ / МЕТОД ДЕРЕВЬЕВ РЕШЕНИЙ / ИНДУКЦИЯ ПРАВИЛ / IONOSPHERE / RADAR SIGNALS / CLASSIFICATION / NEURAL NET / SUPPORT VECTOR MACHINE / K-NEAREST NEIGHBORS / DECISION TREE / RULE INDUCTION

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Полонская Я. С.

Рассматривается решение задачи классификации радарных сигналов с использованием системы RapidMiner. Проводится сравнение эффективности методов классификации и выявляются наиболее эффективные из них.

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

DATA MINING TECHNIQUES EFFECTIVENESS IN RECOGNIZING THE TYPE OF RADAR SIGNALS RETURNED FROM THE IONOSPHERE

The paper considers the classification of radar signals using RapidMiner system. The comparison of the classification methods effectiveness is conducted and selection of the best ща them is fulfilled.

Текст научной работы на тему «Эффективность методов интеллектуального анализа данных при распознавании типа радарных сигналов, возвращаемых от ионосферы»

Секция ««Математические методы моделирования, управления и анализа данных»

УДК 519.87

ЭФФЕКТИВНОСТЬ МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ ПРИ РАСПОЗНАВАНИИ ТИПА РАДАРНЫХ СИГНАЛОВ, ВОЗВРАЩАЕМЫХ

ОТ ИОНОСФЕРЫ

Я. С. Полонская Научный руководитель - Е. С. Семенкин

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева

Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

Е-mail: yanapolonskaya [email protected]

Рассматривается решение задачи классификации радарных сигналов с использованием системы RapidMiner. Проводится сравнение эффективности методов классификации и выявляются наиболее эффективные из них.

Ключевые слова: ионосфера, радарные сигналы, классификация, нейронная сеть, метод опорных векторов, метод k-ближайших соседей, метод деревьев решений, индукция правил.

DATA MINING TECHNIQUES EFFECTIVENESS IN RECOGNIZING THE TYPE OF RADAR SIGNALS RETURNED FROM THE IONOSPHERE

Y. S. Polonskaya Scientific supervisor - E. S. Semenkin

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected]

The paper considers the classification of radar signals using RapidMiner system. The comparison of the classification methods effectiveness is conducted and selection of the best ща them is fulfilled.

Keywords: ionosphere, radar signals, classification, neural net, support vector machine, k-nearest neighbors, decision tree, rule induction.

Целью теоретических исследований ионосферы является детальное описание ее основных свойств и процессов, в ней протекающих. Решение этой проблемы позволит повысить надёжность работы навигационных систем дальней радиосвязи, обеспечения полётов космических аппаратов и т. д .

Основной причиной, определяющей интерес к изучению ионосферы Земли, является свойство ионосферы влиять на распространение радиоволн. Изучение этого влияния обусловлено растущими требованиями к качеству связи посредством ионосферных радиоканалов, точности позиционирования в системах спутниковой радионавигации, работе радиолокационных систем. Основной фактор, осложняющий учет влияния ионосферы на распространение радиоволн - это наличие в ионосфере неоднородностей и возмущений различной природы, в том числе и антропогенных, а также различных нестационарных процессов.

Задача, решаемая в данной работе, состоит в классификации высокочастотных радарных сигналов, возвращаемых из ионосферы.

Исходные данные, используемые в этом исследовании, были собраны радаром, управляемым университетом Джона Хопкинса (прикладная лаборатория физики). Данный радар работает в частотах от 8 до 20 МГц и состоит из 16 управляемых антенн. Для исследования были выбраны данные, зарегистрированные в 1986-1987 гг., когда у радара была более низкая выходная мощность, приводящая к несколько более зашумленным сигналам, что особенно подходит для демонстрации возможностей классификаторов [1-3]. База данных, используемая в данной работе, содержит 351 экземпляр и 34 атрибута.

Актуальные проблемы авиации и космонавтики - 2015. Том 1

Для проведения исследований были использованы следующие методы классификации: искусственные нейронные сети (ANN, [4]), метод опорных векторов (SVM, [5]), метод k-ближайших соседей (k-NN, [6]), метод деревьев решений (DT, [7]), индукция правил (RI, [8]). Для сравнения данных методов классификации использовалась система RapidMiner [9].

С помощью оператора T-Test проведено сравнение используемых методов, чтобы увидеть, имеется ли между ними статистически значимое различие. Данный оператор используется для сравнения производительности векторов, выполняя i-тест Стьюдента для определения вероятности нулевой гипотезы, то есть гипотезы о несущественном различии случайных величин.

Эффективность каждого метода (усредненная по 10 экспериментам доля правильно классифицированных событий и ее разброс), полученная описанным способом в ходе численных экспериментов с системой RapidMiner, а также результаты i-test представлены в таблице.

Эффективность различных методов в классификации сигналов радара

ANN DT SVM k-NN RI

0.909 +/- 0.043 0.929 +/- 0.046 0.864 +/- 0.055 0.869 +/- 0.044 0.889 +/- 0.059

ANN 0.345 0.065 0.065 0.401

DT 0.011 0.009 0.133

SVM 0.809 0.349

k-NN 0.420

Полученные результаты показывают, что на данной задаче большинство методов демонстрируют примерно одинаковую эффективность с небольшим различием, зачастую статистически незначимым. Поэтому можно утверждать, что методы интеллектуального анализа данных, реализованные в пакете RapidMiner, не позволяют построить достаточно эффективные системы распознавания типов сигналов радара (ошибка до 8 %), т. е. необходимо их модифицировать или даже разрабатывать и реализовывать более мощные интеллектуальные технологии анализа данных. Наиболее перспективным направлением в этой связи является разработка технологий автоматизированного проектирования классификаторов на нечеткой логике [10; 11], искусственных нейронных сетей [12; 13], а также других методов анализа данных, с применением самонастраивающихся адаптивных алгоритмов оптимизации и моделирования [14; 15] для выбора их эффективных структур и настройки параметров. Кроме того, перспективными являются также подходы автоматического формирования коллективов интеллектуальных информационных технологий [16; 17].

Библиографические ссылки

1. Ionosphere Data Set [Электронный ресурс]. URL: http://archive.ics.uci.edu/ml/datasets/ Ionosphere (дата обращения: 15.01.2015).

2. Neural networks for automated classification of ionospheric irregularities in HF radar backscattered signals / S. Wing, R. A. Greenwald, C.-I. Meng, V. G. Sigillito, and L. V. Hutton // Johns Hopkins University Applied Physics Laboratory, Laurel, Maryland, USA.

3. Ionosphere Data Set Description [Электронный ресурс]. URL: http://archive.ics.uci.edu/ ml/machine-learning-databases/ionosphere/ionosphere.names (дата обращения: 15.01.2015).

4. Haykin S. S. et al. Neural networks and learning machines. Upper Saddle River : Pearson Education, 2009. Т. 3.

5. Suykens J. A. K., Vandewalle J. Least squares support vector machine classifiers // Neural processing letters. 1999. Т. 9. №. 3. P. 293-300.

6. Soft k-nearest-neighbour classifiers / Bermejo, S. Cabestany, J. Adaptive // Pattern Recognition. 2000. Vol. 33. P. 1999-2005.

7. Quinlan J. R. Generating production rules from decision trees. In McDermott, John. Proceedings of the Tenth International Joint Conference on Artificial Intelligence (IJCAI-87). Milan, Italy. 1987. P. 304307.

8. Cohen W. W. Fast effective rule induction //Proceedings of the twelfth international conference on machine learning. 1995. С. 115-123.

9. RapidMiner [Электронный ресурс]. URL: https://rapidminer.com/ (дата обращения: 15.01.2015).

Секция «Математические методы моделирования, управления и анализа данных»

10. Semenkin, E., Stanovov, V. Fuzzy Rule Bases Automated Design with Self-configuring Evolutionary Algorithm // Informatics in Control, Automation and Robotics (ICINCO), 11th International Conference on. INSTICC, 2014. Vol. 1. P. 318-323.

11. Stanovov V., Semenkin E. Self-adjusted evolutionary algorithms based approach for automated design of fuzzy logic systems // Вестник СибГАУ. 2013. Вып. 4 (50). С. 148-152.

12. Brester K., Semenkin E. Development of adaptive genetic algorithms for neural network models multicriteria design // Вестник СибГАУ. 2013. Вып. 4 (50). С. 99-103.

13. Akhmedova Sh., Semenkin E. Co-operation of Biology Related Algorithms meta-heuristic in ANN-based classifiers design // Proceedings of the IEEE Congress on Evolutionary Computation 2014. P.867-872.

14. Ахмедова Ш. А., Семенкин Е. С. Новый коллективный метод оптимизации на основе кооперации бионических алгоритмов // Вестник СибГАУ. 2013. № 4(50). С. 92-99.

15. Семенкин Е. С., Семенкина М. Е. Применение генетического алгоритма с модифицированным оператором равномерной рекомбинации при автоматизированном формировании интеллектуальных информационных технологий // Вестник СибГАУ. 2007. № 3. С. 27-33.

16. Семенкин Е. С., Шабалов А. А., Ефимов С. Н. Автоматизированное проектирование коллективов интеллектуальных информационных технологий методом генетического программирования // Вестник СибГАУ. 2011. № 3. С. 77-81.

17. Semenkina M., Semenkin E. Classifier ensembles integration with self-configuring genetic programming algorithm // Lecture Notes in Computer Science. 2013. Т. 7824 LNCS. С. 60-69.

© Полонская Я. С., 2015

i Надоели баннеры? Вы всегда можете отключить рекламу.