امتیاز دادن به این موضوع:

Recommended Posts

عزیز دل ، به جای رنگ سرخ ، از Bold کردن استفاده کنید .

  • Upvote 2
  • Downvote 2

به اشتراک گذاشتن این پست


لینک به پست
اشتراک در سایت های دیگر
بسیار ممنون از زحمتی که دارید می کشید و وقتی که دارید میذارید!
الآن دسترسی به رایانه ندارم ولی در اولین فرصت منتقلش میکشم، ببخشید قصور خدمت داریم...
  • Upvote 1

به اشتراک گذاشتن این پست


لینک به پست
اشتراک در سایت های دیگر
سرويس چيدمان هوشمند سنسورها در پايش صحنه نبرد با استفاده از الگوريتم ژنتيك و  شبكه عصبي  
 
پدیدآورندگان :
 بهزاد مشيري ، مهدي فشاركي ، عبدالحسين علي پور
 
 
  • مقدمه  
معماري جنگ هاي شبكه محور شامل سنسورهاي متفاوت، اطلاعات و شبكه اي ازآتش بارها و... مي باشد كه هر يك از اين شبكه ها بخشي از صحنه نبرد را پوشش داده و شامل گره ها و خطوط ارتباطي ميباشند. همچنين تعاملاتي بين شبكه هاي مختلف وجود دارد كه زير نظر بخش فرماندهي وكنترل صورت مي پذيرد كه بسياري از آنها براي رسيدن به سرعت تصميم سازي موردنياز خود بايد به شكل خودكار درآيند ؛ اين امر چرخه مشاهده، جهت گيري، تصميم و اقدام را تسريع نموده و سلسله مراتب فرماندهي و همچنين توزيع تصويرعملياتي مشترك را براي هر مجموعه در صحنه نبرد گسترده تر مي سازد. 
 
گره هاي شبكه سنسوري مي توانند از انواع مختلفي از سنسورها مانند رادار، دوربين هاي مادون قرمز، ليزر و... باشند كه براي كاهش تراكم كار و سطح پردازش كاربر و همچنين افزايش آگاهي از صحنه نبرد نيازمند مديريت اين سنسورها هستیم. بنابراين قبل از اينكه هر سكوي پردازش اطلاعات ( برای  سنسوري كه در محيط به شكل توزيع شده ای ، پخش شده است ) بخواهد به آميزش اطلاعات سنسوري بپردازند ابتدا سنسورها با توجه به شرايط محيطي و ويژگي هاي هدف طبقه بندي گرديده و تنها اطلاعات آن دسته از سنسورهايي كه داراي بيشترين ميزان دقت مي باشند مورد پردازش قرار گرفته و الگوريتم هاي آميزش اطلاعات بر روي آنها اعمال مي گردد.   
 
 
  • روش الگوريتم ژنتيك براي حل مسائل بهينه سازي  
يكي از تكنيك هاي بسيار پركاربرد در مسائل بهينه سازي، الگوريتم هاي ژنتيك مي باشد. يك الگوريتم ژنتيك از مجموعه اي از كروموزومها تشكيل شده است كه هر كروموزوم نمايانگر يك راه حل ممكن براي حل مسئله مي باشد و هر كروموزوم نيز از تعدادي ژن تشكيل شده است كه ژن ها نيز بيانگر متغييرهاي فضاي مسئله مي باشند.  
 
در اين مقاله، براي ساخت اين سرويس از الگوريتم هاي ژنتيك براي بهينه سازي چيدمان سنسورهاي مورد نياز براي پايش صحنه نبرد استفاده شده است. هر كروموزوم، يك مجموعه از سنسورها مي باشد كه به عنوان يك راه حل احتمالي ( يك چيدمان بهينه احتمالي ) مطرح مي گردد و هر ژن نيز نمايانگر يكي از موقعيت هاي مشخص شده براي قرار گرفتن سنسورها در آن مي باشد. شكل 1 نيز مراحل مختلف فرآيند اجراي الگوريتم ژنتيك را نشان مي دهد كه در اين مقاله مهمترين بخش اين الگوريتم كه محاسبه ميزان برازندگي هر كروموزوم مي باشد، توسط شبكه عصبي صورت گرفته است.
 
شكل1 - طرح كلي فرآيند چيدمان بهينه سنسورها توسط الگوريتم ژنتيك 
 
1u6jqooso0y5ba79762p.png

 

  • استفاده از شبكه عصبي براي محاسبه مقدار برازندگي كروموزوم ها 
 همان طور كه در بخش قبل اشاره گرديد مهمترين بخش يك الگوريتم ژنتيك، محاسبه برازندگي كروموزومها مي باشد كه نشان مي دهد اين راه حل تا چه اندازه بهينه ميباشد و از آنجا كه ما هيچ تابع ارزيابي براي بدست آوردن مناسبترين پيكربندي سنسورها براساس متغيرهاي مسئله نداريم لذا از يك شبكه عصبي MLP براي تخمين اين مقدار برازندگي استفاده ميكنيم . در شكل 2 يك مدل از ساختار شبكه عصبي MLP ارائه گرديده است.
 
شكل 2- يك مدل از ساختار شبكه عصبي MLP 
7jlfl7pcfl1w5yiiq7ly.png
 
 
  • تعيين ورودي و خروجي شبكه عصبي در مسئله مورد بحث  
همان طور كه اشاره گرديد براي آنكه بتوانيم ميزان برازندگي هر كروموزوم را، كه در واقع نشان دهنده ميزان مناسب بودن راه حل ارائه شده توسط آن كروموزوم مي باشد ،  بدست آوريم  از شبكه عصبي استفاده نموده ايم. براي آنكه شبكه عصبي قادر باشد تخمين درستي از ميزان برازندگي هر كروموزوم داشته باشد ابتدا بايد به وسيله يك مجموعه داده واقعي مورد آموزش قرار گيرد يعني با آگاه نمودن سيستم از خروجي مطلوب يك مجموعه ورودي و آموزش شبكه عصبي با استفاده از اين مجموعه، سيستم را قادر سازيم تا در صورتي كه ورودي جديدي وارد شبكه گرديد شبكه اين توانايي را پيدا نمايد كه مقدار خروجي آن را تخمين بزند.  در مسئله مورد بحث، ابتدا شبكه عصبي توسط 180 نمونه، آموزش مي بيند كه اين مرحله نيز شامل دو بخش مي باشد، در بخش اول 100 نمونه مورد استفاده قرار مي گيرد تا شبكه بر  اساس روابطي كه ميان ورودي و خروجي هاي واقعي وجود دارد يك تابع تخميني بسازد كه يادگيري شبكه عصبي در اين بخش صورت مي گيرد. در بخش دوم نيز با استفاده از 80 نمونه بعدي شبكه عصبي مورد آزمايش قرار مي گيرد تا ميزان صحت تخمين زده شده توسط شبكه عصبي برآورد گردد و وقتي كه تخمين درستي توسط شبكه عصبي بر روي داده هاي واقعي زده شد آنگاه شبكه عصبي به ازاي هر ورودي ديگر، پاسخ مناسب را ارائه خواهد داد.   
 
در اين پژوهش عمل پايش در محدوده جغرافيايي مربعی به ضلع 200 کیلومتر، توسط 15 سنسور و با امكان موقعيت دهي آنها در 15 نقطه از محيط تحت پايش در هر چيدمان ، صورت پذيرفته است كه در ذيل به اختصار توضيحي در مورد شرايطي كه سنسورها در آن قرار گرفته شدهاند و نمونه اي از سناريوهايي كه ما براي بدست آوردن بهترين پيكربندي سنسورها از آنها استفاده نموده ايم بيان شده است.  
 
 سنسورهاي مورد استفاده در اين تحقيق همه از نوع رادار جستجو پالسي باند X با برد 15کیلومتر و عرض پالس µS 0.2 و دقت استخراج زاويه اي سمت برابر1 دقيقه مي باشند.حال براي آنكه بتوانيم داده هاي واقعي را  بدست آوريم، در 180 سناريو مختلف با موقعيت هاي متفاوت، سنسورها را بكار انداخته و نرخ صحت تشخيص وجود هدف بدست آمده توسط هريك از چيدمان هاي سنسوري را  ذخيره نموده و از آنها به عنوان ورودي و خروجي هاي واقعي در مرحله آموزش شبكه عصبي استفاده نموده ايم . بعد از اين مرحله شبكه عصبي قادر خواهد بود خروجي هر چيدمان سنسوري را در سناريوهاي جديدي كه تا به حال سنسورها در آن چيدمان قرار نگرفته است، تخمين بزند.  شرايط مختلفي كه سنسورها براي توليد داده در آن قرار گرفته اند عبارتست از:  
  1. جنگ الكترونيك راديويي   
  2. قابليت ايجاد چف توسط اهداف 
  3. شب يا روز  
  4. بدي شرايط جوي و آب وهوايي  
  5. وجود منابع مختل كننده نوري محيطي
 در موارد فوق جنگ هاي الكترونيك راديويي و قابليت ايجاد چف از ويژگي هاي اهداف به حساب مي آيد و شب يا روز، بدي شرايط جوي وآب و هوايي و وجود منابع مختل كننده نوري نيز از ويژگي هاي محيطي مي باشد.   
 
  • يك سناريو براي توليد نرخ صحت تشخيص سنسورها  
فرض كنيد در شرايط جوي نرمال وآفتابي، يك هواپيماي هدف از ناحيه شرق درجهت تابش آفتاب به ناحيه استقرار رادارها نزديك مي شود. هواپيماي هدف مجهز به سيستم جنگ الكترونيك با قابليت تاثير متوسط بر رادارهاي باند X و قابليت ايجاد چف مي باشد. براي اين سناريو نرخ صحت تشخيص توسط سنسورهاي مورد بحث بدست آمده است. اين سناريو را مي توان براي چيدمان هاي متفاوت سنسورها در نظر گرفت ونرخ صحت تشخيص وجود هدف را در هر حالت محاسبه نموده و به عنوان يك داده آموزشي براي شبكه عصبي از آن استفاده نمود.  
 
دراين مقاله براي توليد داده هاي آموزشي، 180 سناريو مانند آنچه در بالا قابل مشاهده است اجرا گرديده و با استفاده از آنها شبكه عصبي مورد آموزش قرار گرفته و در نهايت ميزان برازندگي هر كروموزوم الگوريتم ژنتيك تخمين زده مي شود و بهينه ترين پيكربندي سنسورها انتخاب مي گردد.  
 
 
  • نتيجه  
در اين مقاله با استفاده از 180 سناريو مختلف عمل آموزش شبكه عصبي انجام گرفت كه براي آموزش اين شبكه از تابع levenberg ‐ Marquart استفاده شده است. از اين 180 سناريو، 100 نمونه براي يادگيري شبكه عصبي و مابقي آن به مرحله تست شبكه عصبي اختصاص داده شده است و عمل يادگيري و تست، 100 بار تكرار گرديد. در نتيجه شبكه عصبي به ميزان كارآيي با دقت خطاي 0.0499 دست يافته است و اين ميزان خطا نيز بدين معناست كه شبكه حدود 95 ،% وجود هدف در محيط تحت پايش را درست تشخيص مي دهد. سپس سناريوي جديدي تعريف نموده و در اين شرايط از الگوريتم ژنتيك براي بدست آوردن بهترين چيدمان سنسوري استفاده كرديده است  كه هر ژن نمايانگر يك موقعيت از فضاي مساله مي باشد كه يك سنسور مي تواند در آن قرار گيرد و نشان مي دهد هر سنسور در چه موقعيت x , y قرارگيرد تا در مجموع بهينه ترين چيدمان سنسوري بدست آيد و بيشترين نرخ وجود هدف در صحنه نبرد را حاصل گردد.
 
از اين رو استفاده از الگوريتم هاي ژنتيك و شبكه عصبي يك راه كار مناسب جهت چيدمان هوشمند سنسورها مي باشد كه در آن با استفاده از شبكه عصبي ميزان برازندگي هر كروموزوم الگوريتم ژنتيك، و با استفاده از الگوريتم ژنتيك مناسب ترين پيكربندي سنسورها حاصل گرديد.   
ویرایش شده در توسط oldmagina
  • Upvote 11

به اشتراک گذاشتن این پست


لینک به پست
اشتراک در سایت های دیگر

ایجاد یک حساب کاربری و یا به سیستم وارد شوید برای ارسال نظر

کاربر محترم برای ارسال نظر نیاز به یک حساب کاربری دارید.

ایجاد یک حساب کاربری

ثبت نام برای یک حساب کاربری جدید در انجمن ها بسیار ساده است!

ثبت نام کاربر جدید

ورود به حساب کاربری

در حال حاضر می خواهید به حساب کاربری خود وارد شوید؟ برای ورود کلیک کنید

ورود به سیستم

  • مرور توسط کاربر    0 کاربر

    هیچ کاربر عضوی،در حال مشاهده این صفحه نیست.