ZAŁĄCZNIK NR 2 AUTOREFERAT

Transkrypt

1 AUOREFERA ZAŁĄCZNIK NR 2

2 Słowni pojęć i aronimów 3NF A AI BCNF BD CASE CIC ELIN ERD ERM ESM FdIA FNC HACA HM IFS K-L NEDBAD NNC NO-02A058 PDW PRI RER PW RF SEI UML WS WWS ZE rzecia Postać Normalna Danych w Bazie Danych (ang. hird Normal Form) Amplituda (ang. Amplitude), Sztuczna Inteligencja (ang. Artificial Intelligence) Postać Normalna Danych Boyce a-codda (ang. Boyce-Codd Normal Form) Baza Danych Programowanie używane do omputerowego wspomagania projetowania oprogramowania (ang. Computer-Aided Software Engineering, Computer-Aided Systems Engineering) Współczynni poprawnej identyfiacji (ang. Correct Identification Coefficientt) Rozpoznanie eletroniczne/eletromagnetyczne (ang. Electronic Intelligence) Relacyjny diagram związów encji (ang. Entity Relationship Diagram) Modelowanie związów encji ERM (ang. Entity Relational Modelling) Pomocnicze urządzenia pomiarowe (ang. Electronic Support Measures) Szybo-decyzyjny Algorytm Identyfiacji (ang. Fast-decision Identification Algorithm) Kryterium masymalno-odległościowe (ang. Furthest Neighbour Criterion) Algorytm heirarchicznego grupowania danych (ang. Hierarchical Agglomerative Clustering Algorithm) Metoda odładania(ang. Holdout Method) System przeształceń iterowanych (ang. Iterated Function System) Przeształcenie (transformata) Karhunena-Loeve a Grupa Doradcza NAO ds. Baz Danych Emiterów (ang. NAO Emitter Database Advisory Group) Kryterium mimimalno-odległościowe (ang. Nearest Neighbour Criterion) Norma Obronna Bazy Danych Źródeł Promieniowania Radioloacyjnego Wetor danych pomiarowych (ang. Pulse Description Word) Ores powtarzania impulsów (ang. Pulse Repetition Interval) System rozpoznawania sygnałów radarowych (ang. Radar Emitter Recognition) Czas trwania impulsu (ang. Pulse Width) Częstotliwość nośna (ang. Radio Frequency) Specyficzna identyfiacja źródeł emisji/emiterów (ang. Specific Emitter Identification). Zunifiowany języ modelowania ( ang. Unified Modeling Language) Wetor Sygnałowy Wyniowy Wetor Sygnałowy Źródło Emisji 2

3 Spis treści 1. Imię i nazwiso Posiadane dyplomy oraz stopnie nauowe Informacje o dotychczasowym zatrudnieniu w jednostach nauowych Wsazanie osiągnięcia ytuł osiągnięcia nauowego Wyszczególnienie pozycji osiągnięcia Omówienie celu nauowego ww. prac i osiągniętych wyniów wraz z omówieniem ich ewentualnego wyorzystania Przedmowa Klasyczna metoda rozpoznawania sygnałów radarowych oraz źródeł ich emisji Nowatorsa metoda generacji cech dystyntywnych [1 7] Metoda wyznaczania strutury podstawowych parametrów mierzalnych sygnału radarowego [3, 5] Opracowanie algorytmu hierarchicznego grupowania danych [7] Zastosowanie analizy modulacji międzyimpulsowej do estracji cech dystyntywnych sygnału radarowego [4] Histogramowa metoda budowy rozładu PRI [2] Wyznaczanie atratora przeształcenia oraz estracja cech dystyntywnych [1, 5, 6] Identyfiacja źródeł emisji w bazie danych systemu ELIN [3, 7, 8] Wieloanałowy uładu identyfiacji z niezależnym pomiarem odległości [8] Proces uczenia oraz wyznaczanie współczynnia poprawnej identyfiacji CIC wraz z wyorzystaniem metody holdout [8] Uzysane wynii procesu identyfiacji dla opracowanego uładu [8] Szybo-decyzyjny algorytm identyfiacji FdIA oraz jego parametryzacja [3] Parametryzacja szybo-decyzyjnego algorytmu identyfiacji FdIA [3] Uzysane wynii procesu identyfiacji przy wyorzystaniu FdIA [3] Zastosowanie algorytmu hierarchicznego grupowania danych oraz miar odległości w procesie SEI [7] Uzysane wynii procesu identyfiacji Budowa metryi radaru w Bazie Danych systemu ELIN [3, 5] Budowa metryi radaru w bazie danych [5] Adaptacja strutury podstawowych danych pomiarowych do budowy wzorca radaru w bazie danych [3, 5] Pojęciowy model danych oraz proces jego normalizacji i ońcowa strutura relacyjna BD Uzysane wynii [3] Omówienie pozostałych osiągnięć nauowo badawczych Podsumowanie

4 1. Imię i nazwiso Janusz Dudczy 2. Posiadane dyplomy oraz stopnie nauowe 1) dyplom uzysania tytułu zawodowego: magister inżynier eletroni ierune: teleomuniacja specjalność: rozpoznanie i przeciwdziałanie radiowe ocena: bardzo dobry z wyróżnieniem, tytuł Prymusa WA miejsce i ro uzysania: Wydział Eletronii, Wojsowa Aademia echniczna, ) dyplom uzysania stopnia nauowego: dotor nau technicznych dyscyplina: teleomuniacja specjalność: ompatybilność eletromagnetyczna miejsce i ro uzysania: Wydział Eletronii, Wojsowa Aademia echniczna, 2004 tytuł rozprawy dotorsiej: Zastosowanie promieniowania pozapasmowego w identyfiacji urządzeń radioeletronicznych Wniose Rady Wydziału Eletroni WA z dnia dotyczący wyróżnienia rozprawy. 3) świadectwo: znajomości języa angielsiego nr 290/99 poziom: II 0 zgodnie ze SANAG 6001 miejsce i ro uzysania: Centralna Komisja Egzaminacyjna Języów Obcych Ministerstwa Obrony Narodowej, Warszawa ) Certyfiowany Kierowni Projetu: Certyfiat PRINCE2 Foundation APMG International nr P2R/ Certyfiowany Kierowni Projetu: Certyfiat PRINCE2 Practitioner APMG International nr P2R/ Analiza ruchu w przestrzeni 3D i 6DoF: Certyfiat Nr 01/OC/2015 (urs specjalistyczny ECS Kraów) Rejestracja i analiza zjawis szybozmiennych: Certyfiat Nr 20/MAY/2015 (urs specjalistyczny ECS Kraów) Wibrodiagnostya i testy wibracyjne: Certyfiat Nr 34/NOV/2015 (urs specjalistyczny ECS Kraów) Cyfrowe przetwarzanie sygnałów, urs specjalistyczny WA ISŁ Analiza i przetwarzanie sygnałów, urs specjalistyczny WA IR 4

5 3. Informacje o dotychczasowym zatrudnieniu w jednostach nauowych Lp. Miejsce zatrudnienia Ores etat/stanowiso 1. MON Starszy Specjalista Kierowni Secji Radioloacji 2. MON Z-ca Szefa Wydziału 3. WB Electronics S.A do chili obecnej Kierowni Projetu R&D Pełnomocni Zarządu ds. Programu C4I 4. Państwowa Wyższa Szoła Zawodowa w Sierniewicach 2011 do chwili obecnej Instytut Informatyi i Matematyi Stosowanej, Adiunt 5. Wyższa Szoła Informatyi, Zarządzania i Administracji w Warszawie 2004 do chwili obecnej Wydział Informatyi i eleomuniacji, Adiunt 4. Wsazanie osiągnięcia Wsazane osiągniecia w pt wyniają z art. 16 ust. 2 ustawy z dnia 14 marca 2003 r. o stopniach nauowych i tytule nauowym oraz o stopniach i tytule w zaresie sztui (Dz. U r. poz. 882 ze zm. w Dz. U. z 2016 r. poz ) 4.1. ytuł osiągnięcia nauowego Osiągnięcie stanowi cyl 8 publiacji powiązanych tematycznie ujętych pod wspólnym tytułem: SPECYFICZNA IDENYFIKACJA EGZEMPLARZY RADARÓW BAZUJĄCA NA DEDYKOWANYCH MEODACH GENERACJI CECH DYSYNKYWNYCH EKSRAHOWANYCH Z SYGNAŁÓW PRZEZ NIE EMIOWANYCH 4.2. Wyszczególnienie pozycji osiągnięcia [1] J. DUDCZYK, A. Kawalec.: Identification of emitter sources in the aspect of their fractal features. Bulletin of the Polish Academy of Sciences, echnical Sciences, Vol. 61, No. 3, pp (2013), (IF=1.00; 25 pt. MNiSW, udział 80%) [2] J. DUDCZYK, A Kawalec.: Specific emitter identification based on graphical representation of the distribution of radar signal parameters. Bulletin of the Polish Academy of Sciences, echnical Sciences, Vol. 63, No. 2, pp (2015), (IF=1.087; 20 pt. MNiSW, udział 80%) [3] J. DUDCZYK, A Kawalec.: Fast-decision identification algorithm of emission source pattern in database. Bulletin of the Polish Academy of Sciences, echnical Sciences, Vol. 63, No. 2, pp , (2015), (IF=1.087; 20 pt. MNiSW, udział 75%) 5

6 [4] J. DUDCZYK, J. Matuszewsi, A. Kawalec.: Specyficzna identyfiacja źródeł emisji bazująca na analizie modulacji międzyimpulsowej sygnału radioloacyjnego. Przegląd Eletrotechniczny, R. 92 NR 9/2016, pp (14 pt. MNiSW, udział 70%) [5] J. DUDCZYK, A. Kawalec.: Wyorzystanie cech fratalnych estrahowanych z sygnałów radarowych w procesie specyficznej identyfiacji. Przegląd Eletrotechniczny, R. 90 NR 11/2014, pp (10 pt. MNiSW, udział 80%) [6] J. DUDCZYK, A. Kawalec.: Fractal features of specific emitter identification. Acta Physica Polonica A. Vol. 124, No. 3, pp (2013), (IF=0.604; 15 pt. MNiSW, udział 75%) [7] J. DUDCZYK.: Radar emission sources identification based on hierarchical agglomerative clustering for large data sets. Journal of Sensors, vol (2016), Article ID , pp. 1-9, (IF=0.712; 25 pt. MNiSW) [8] J. DUDCZYK.: A method of features selection in the aspect of specific identification of radar signals. Bulletin of the Polish Academy of Sciences, echnical Sciences, Vol. 65, No. 1, pp. 1-7, (2017), (IF=1.087; 20 pt. MNiSW) W powyższym zestawieniu cylu publiacji, wartość współczynnia Impact Factor (IF) danego czasopisma została oreślona na podstawie Journal Citation Reports (JCR) i jest zgodna z roiem opubliowania. Liczba puntów przyznawanych przez MNiSW została oreślona na podstawie ujednoliconego wyazu czasopism nauowych opubliowanego na stronie i również jest zgodna z roiem opubliowania. Szczegółowy opis mojego udziału własnego oraz współautorów wraz z ich oświadczeniami został zamieszczony w Załączniu nr 4 oraz Załączniu nr Omówienie celu nauowego ww. prac i osiągniętych wyniów wraz z omówieniem ich ewentualnego wyorzystania Przedmowa Podejmowana przez mnie działalność oncentruje się woół pracy nauowej oraz badawczo-rozwojowej dotyczącej rozpoznania i identyfiacji źródeł emisji eletromagnetycznych, w szczególności sygnałów radarowych, a tym samym źródeł ich emisji. Jest to szczególny przypade rozpoznania, w tórym dąży się do identyfiacji poszczególnych egzemplarzy tego samego typu radarów. Należy dodać, że rozpoznawanie sygnałów radarowych wyorzystujące tzw. technii lasyczne bazujące na analizie statystycznej podstawowych parametrów mierzalnych sygnału radarowego taich ja: częstotliwość nośna RF (ang. Radio Frequency), amplituda A (ang. Amplitude), czas trwania impulsu PW (ang. Pulse Width) czy ores powtarzania impulsów PRI (ang. Pulse Repetition Interval) są niewystarczające, aby można było doonywać procesu rozróżnienia 6

7 poszczególnych egzemplarzy radarów tego samego typu. Dlatego, w procesie przetwarzania sygnału radowego należy stosować nowoczesne metody, dzięi tórym doonuje się estracji dodatowych cech dystyntywnych. ylo przy ww. podejściu proces identyfiacji poszczególnych egzemplarzy w zbiorze tego samego typu emiterów - jest możliwy. Wspomniane nowoczesne technii oraz metody bazują na wyorzystaniu promieniowania pozapasmowego, estracji cech fratalnych, analizie modulacji międzyimpulsowej powtarzania impulsów (ang. inter-pulse repetition interval), analizie wewnątrzimpulsowej (ang. intra-pulse analysis) sygnału radarowego oraz wyorzystaniu szeregu innych metod taich ja: hierarchiczne grupowanie danych czy adaptacja miar odległości i podobieństwa. Dzięi temu możliwa jest masymalizacja współczynnia poprawnej identyfiacji CIC (ang. Correct Identification Coefficientt) w ońcowym etapie procesu rozpoznania, realizowanym w systemach wali eletronicznej EW (ang. Electronic Warfare) na współczesnym polu wali. Bardzo istotnym elementem całego procesu rozpoznania i identyfiacji jai realizowany jest w systemie pola wali ELIN (ang. Electronic Intelligence) jest budowa wetora danych pomiarowych, następnie wzorca w bazie danych (metryi radaru) oraz samej bazy danych. Opisywane powyżej podejście do procesu rozpoznania, bazujące na estracji dodatowych cech dystyntywnych (poza podstawowymi parametrami mierzalnymi sygnału radarowego), będących dobrymi miarami separacji, powoduje zwięszenie jednoznaczność otrzymywanych wyniów oraz umożliwia identyfiację poszczególnych egzemplarzy źródeł emisji. Podejście to nosi miano Specyficznej Identyfiacji Emiterów SEI (ang. Specific Emitter Identification). Przedstawiony przeze mnie zares tematyczny prowadzonej pracy nauowej oraz badawczo-rozwojowej i wdrożeniowej cechuje się jednym wspólnym mianowniiem, tj.: opracowaniem nowatorsiej metody generacji cech dystyntywnych estrahowanych z sygnałów radarowych w celu ich jednoznacznej identyfiacji. Dzięi temu możliwa jest masymalizacja współczynnia poprawnej identyfiacji CIC oraz identyfiacja poszczególnych egzemplarzy radarów tego samego typu w systemie ELIN na współczesnym polu wali. Przedstawiony dorobe nauowy dotyczy szeroo rozumianych metod oraz techni adaptowanych do rozpoznawania i identyfiacji źródeł emisji radarowych ze szczególnym uwzględnieniem podejścia systemowego, tzn.: od procesu awizycji, poprzez wstępne przetwarzanie danych, przetwarzanie zasadnicze, lasyfiację i identyfiację, budowę wzorca w bazie danych oraz samej bazy danych (BD), archiwizację oraz wizualizację wyniów. ylo omplesowe, systemowe podejście stanowi oherentnie powiązaną całość wszystich procesów systemu rozpoznania ELIN na współczesnym polu wali i może przyczynić się do zwięszenia efetywności działania poprzez minimalizację czasu jai potrzebny jest na proces decyzyjny realizowany w ww. systemach EW. Prowadzone badania nauowe, po obronie dotoratu, uierunowane zostały głównie przez prace nauowe oraz badawczo-rozwojowe i wdrożeniowe realizowane na Wydziale Eletronii WA oraz w Dziale Badawczo-Rozwojowym WB Electronics S.A. (p. Załączni nr 4) w zaresie niżej wymienionych trzech podstawowych zagadnień, mających istotny wład w rozwój rozpoznania i identyfiacji sygnałów radarowych, a tym samym źródeł ich emisji w systemie ELIN współczesnego pola wali. 1. W zaresie nowatorsiej metody generacji cech dystyntywnych [1-7] Opracowanie metody wyznaczania strutury podstawowych parametrów mierzalnych sygnału radarowego w postaci sformalizowanych czasowo- 7

8 częstotliwościowych wetorów danych pomiarowych PDW (ang. Pulse Description Word), będących wstępnymi danymi w procesie generacji cech dystyntywnych; Opracowanie oraz implementacja w procesie SEI nowoczesnego algorytmu hierarchicznego grupowania danych HACA (ang. Hierarchical Agglomerative Clustering Algorithm) bazującego ma schemacie bottom up, tóry umożliwił otrzymanie dendrogramów grupowania hierarchicznego dla oresów powtarzania impulsów oraz ich dystyntywną analizę; Zastosowanie analizy modulacji międzyimpulsowej do estracji cech dystyntywnych, tóra w oparciu o relacyjną bazę danych i zaimplementowany szybo-decyzyjny algorytm identyfiacji FdIA (ang. Fast-decision Identification Algorithm) umożliwiła identyfiację egzemplarzy radarów; Opracowanie nowatorsiej histogramowej procedury budowy rozładu PRI oraz doonanie procesu jej implementacji w systemie rozpoznania radioeletronicznego w celu zautomatyzowania procesu estracji cech dystyntywnych; Opracowanie nowatorsiej metody wyznaczania atratora przeształcenia zbiorów pomiarowych sygnałów radarowych poprzez wyznaczenie uogólnionej funcji pomiarowej zadanej wielomianem Lagrange a w celu estracji dwóch dodatowych cech dystyntywnych, będących dobrymi miarami separacji w procesie SEI. 2. W zaresie specyficznej identyfiacji źródeł emisji w bazie danych systemu ELIN [3, 7, 8] Opracowanie wieloanałowego uładu rozpoznania i identyfiacji z niezależnym pomiarem odległości dla wetorów podstawowych cech mierzalnych sygnału radarowego (w tym: opracowanie metody wyznaczania powierzchni rozdzielających wzorce las w przestrzeni cech w zaresie rozpoznania, lasyfiacji i identyfiacji sygnałów radarowych); Opracowanie nowego szybo-decyzyjnego algorytmu identyfiacji FdIA (ang. Fast-decision Identification Algorithm ) oraz jego implementacja w bazie danych systemu ELIN; Opracowanie oraz implementacja nowatorsiej metody trzy-stopniowej parametryzacji ww. algorytmu identyfiacji FdIA (poprzez implementację trzech różnych sposób wyznaczenia stopnia podobieństwa wetora sygnałowego z wzorcem w BD oraz oreślenie trzy-stopniowej wartości funcji decyzyjnej; Opracowanie metody wyznaczania współczynnia poprawnej identyfiacji CIC; Zastosowanie w procesie identyfiacji sygnałów radarowych nowoczesnego algorytmu hierarchicznego grupowania danych HACA w celu zwięszenia współczynnia CIC systemu ELIN; Adaptacja metody odładania HM (ang. Holdout Method) do generacji wzorców las radarów oraz wetorów testowych dla procesu rozpoznawania i identyfiacji w bazie danych; Adaptacja miar odległościowych (Eulidesa, Hamminga i Mahalanobisa) oraz ryteriów minimalno- i masymalno odległościowych NNC (ang. Nearest Neighbour Criterion) i FNC (ang. Furthest Neighbour Criterion) w procesie specyficznej identyfiacji emiterów SEI. 8

9 3. W zaresie budowy metryi radaru oraz bazy danych dla systemu ELIN [3, 5] Opracowanie nowej metody budowy wzorca radaru (metryi) w BD uwzględniającego cechy podstawowe sygnału radioloacyjnego oraz cechy estrahowane nowatorsimi metodami generacji cech dystyntywnych (definicja metryi w przestrzeni cech umożliwiająca oreślenie odległości rozpoznawanego radaru od centrum lasy); Opracowanie strutury podstawowych danych pomiarowych awizowanych przy pomocy urządzeń rejestrujących lasy EMS/ELIN oraz metody wstępnej obróbi tych danych w celu budowy metryi radaru w bazie danych; Opracowanie pojęciowego modelu danych w oparciu o modelowanie związów encji - w postaci diagramu ERD (ang. Entity Relationship Diagram); Opracowanie oraz przeprowadzenie optymalizacji pojęciowego modelu danych ERD do postaci 3NF (ang. hird Normal Form) wraz z uwzględnieniem postaci BCNF 1 - (ang. Boyce-Codd Normal Form); Opracowanie fizycznego modelu danych bazy danych dla systemu ELIN oraz proces implementacji BD w postaci strutury relacyjnej; Wyorzystanie opracowanej i zaimplementowanej BD w procesie identyfiacji radarów przy uwzględnieniu nowatorsich metod generacji cech dystyntywnych Klasyczna metoda rozpoznawania sygnałów radarowych oraz źródeł ich emisji Z reguły systemy awizycji, analizy i rozpoznania sygnałów radarowych na współczesnym polu wali są systemami autonomicznymi, złożonymi z urządzeń rozpoznania eletronicznego realizujących zadania ELIN. Systemy te realizują złożone procedury w zaresie awizycji emisji, analizy, przetwarzania i rozpoznawania emisji radarowych z zaresu częstotliwości GHz, zadań długooresowej archiwizacji danych oraz pełnej syntezy i fuzji informacji. Przyładami taich zestawów mogą być Mobilne Posteruni Rozpoznania Radioeletronicznego (MPRR REGULUS), Zestawy Awizycji i Analizy Sygnałów Radarowych (ELIAN), Mobilne Zestawy Rozpoznania i Analizy Sygnałów Radarowych (MZRiASR), Mobilne Zestaw Rozpoznania Radioeletronicznego (MZRR SIGIN) czy Zestawy Analizy i Namierzania Sygnałów Radioloacyjnych (ZAiNSR NELS), tóre znajdują się na wyposażeniu Sił Zbrojnych RP. Biorąc udział w pracach projetowych związanych z ww. systemami można stwierdzić, iż w więszości przypadów zbudowane są one z następujących podsystemów oraz modułów: podsystemu awizycji sygnałów radarowych; podsystemu analizy i przetwarzania sygnałów radarowych; podsystemu zarządzania Bazą Danych 2 ; modułu omuniacji 3 między poszczególnymi podsystemami. 1 Zagadnienie dotyczące trzeciej postaci normalnej danych (3NF) oraz postaci Boyce-Codd a zostało opisane i wyjaśnione w pt niniejszego autoreferatu. 2 Baza Danych systemu ELIN z reguły słada się z Bazy Zasobów (baza pomiarów/rejestracji i informacji uzupełniających) oraz Bazy Wzorców (w sład tórej wchodzą radary, platformy, wzorce sygnałowe, uzbrojenie, anteny oraz sygnatury ELIN). 3 Moduł omuniacji pomiędzy poszczególnymi podsystemami oraz omponentami systemu awizycji i analizy sygnałów radarowych na współczesnym polu wali nie jest przedmiotem niniejszego autoreferatu. 9

10 Realizacja podstawowych zadań w projetowanych systemach awizycji, analizy i rozpoznania sygnałów radarowych na współczesnym polu wali polega na: zautomatyzowanym poszuiwaniu i wyrywaniu 4 emisji eletromagnetycznych (w zaresie częstotliwości 0,5 GHz 18 GHz); automatycznym pomiarze parametrów wyrywanych emisji; analizie mierzonych parametrów sygnału w bardzo gęstym środowisu eletromagnetycznym (rzędu tysięcy lub więcej impulsów/s) oraz wstępnym przetwarzaniu danych pomiarowych (wstępna-parametryczna selecja i/lub reducja sygnałów); przetwarzaniu sygnałów (estrację podstawowych cech i estymację podstawowych parametrów mierzalnych sygnału radarowego, tj.: częstotliwości nośnej sygnału, amplitudy, czasu trwania impulsu, oresu powtarzania impulsów w oparciu o funcje statystyczne dotyczące obliczania między innymi wartości średnich parametrów, wzorców las i weryfiacji hipotez; archiwizacji sygnałów radarowych w pliach z danymi pomiarowymi w Bazie Danych oraz procedury atualizacji i modyfiacji strutury BD; rozpoznawaniu i lasyfiacji typów radarów na podstawie pochodzących od nich sygnałów radarowych przez porównanie parametrów sygnału ze wzorcem w BD w możliwie najrótszym czasie wraz z wyorzystaniem wiedzy esperciej w procesie rozpoznania, lasyfiacji i loalizacji źródeł emisji; wizualizacji sygnałów, zbiorów danych pomiarowych, wyniów rozpoznania oraz innych danych rozpoznawczych w formach tabelarycznych oraz w formie wyresów; zobrazowaniu na mapie cyfrowej wyniów rozpoznania oraz automatycznym dowiązaniu zestawu do terenu; możliwości importu i analizy danych pomiarowych z rozpoznania eletronicznego pozysanych z innych źródeł promieniowania oraz fuzji danych pomiarowych i informacji rozpoznawczej; opisie emisji oraz Bazy Wzorców zgodnym z doumentami normatywnymi (np. NO- 02-A058); tworzeniu oprogramowania symulacyjnego do generacji scenariuszy wali, badania poprawności procedur lasyfiacji, rozpoznania i loalizacji źródeł emisji (ZE), oceny efetywności systemu i szolenia operatorów. Analiza sytuacji radioeletronicznej współczesnego pola wali oraz długoletnio prowadzone przeze mnie pomiary sygnałów radarowych pochodzących od pracujących bojowo urządzeń radarowych pozwalają na stwierdzenie, że w rozpoznawaniu i lasyfiacji tych sygnałów mamy do czynienia z przenianiem się zaresów parametrów radarów, wieloma zaresami poszczególnych parametrów dla pojedynczych radarów, różnymi rodzajami emisji (ciągła, impulsowa, przerywana), złożonością impulsów sondujących oraz specyficznymi właściwościami pracy (zmiany polaryzacji sygnału w zależności od pogody, zmniejszanie częstotliwości powtarzania oraz mocy szczytowej impulsu w miarę podnoszenia się wiąze od poziomu horyzontu czy zmiany mocy szczytowej w przypadu np. zmiennych 4 W aspecie zadań związanych z poszuiwaniem i wyrywaniem sygnałów oraz pomiarem ich parametrów aparatura specjalistyczna systemu awizycji, analizy i rozpoznania sygnałów radarowych umożliwia realizację ww. zadań na lądzie, z powietrza lub morza oraz może być adoptowana na poład samolotu, śmigłowca lub orętu, bądź też zamontowana w specjalnej zabudowie ontenerowej dedyowanej do onretnego wyorzystania. 10

11 warunów atmosferycznych). Ogólny schemat bloowy systemu awizycji, analizy i rozpoznania sygnałów radarowych został przedstawiony na Rys. 1. WYKRYWANIE I POMIAR DANE POMIAROWE BLOK OBRÓBKI WSĘPNEJ WYZNACZANIE CECH BAZA DANYCH KLASYFIKAOR UKŁAD PORÓWNAWCZY UKŁAD DECYZYJNY UKŁAD PAMIĘCIOWY YP A YP B YP C PROCES UCZENIA EKSRAKCJA SELEKCJA WORZENIE WZORCÓW Wstępne przetwarzanie danych Przetwarzanie zasadnicze Rozpoznanie i lasyfiacja Archiwizacja BD Wizualizacja wyniów Rys. 1. Proces przetwarzania informacji w systemie awizycji, analizy i rozpoznania sygnałów radarowych. Wymienione w pt , esploatowane w SZ RP, systemy awizycji, analizy i rozpoznania sygnałów radarowych oraz przytoczone ich cechy funcjonale nie stanowią głównej treści niniejszego rozdziału. Pragnę zwrócić uwagę na fat, iż w systemach tych mamy do czynienia z tzw. procesem rozpoznania źródeł emisji w szeroim sensie, tóre polega na możliwie doładnym oreśleniu miejsca położenia, przeznaczeniu i możliwości tego źródła na podstawie wyniów analizy podstawowych parametrów mierzalnych sygnału radarowego. Proces ten prowadzi tylo i wyłącznie do rozpoznania i lasyfiacji poszczególnych typów radarów. Zdecydowanie bardziej zaawansowany jest proces rozpoznania rozumiany w wąsim sensie, tóry polega na identyfiacji tych sygnałów, a tym samym źródeł ich emisji. Zależnie od stopnia szczegółowości, rozpoznanie rozumiane w wąsim sensie dotyczy identyfiacji onretnych egzemplarzy tego samego typu radarów i jest to główne zadanie, jaie zostało przeze mnie podjęte. Proces rozróżniania źródła emisji radioloacyjnej w rozumieniu co do egzemplarza, stanowi właściwą identyfiację źródła sygnału radarowego i nosi nazwę Specyficznej Identyfiacji Emiterów SEI. Wobec powyższego zastosowanie w systemie awizycji, analizy i rozpoznania sygnałów radarowych analizy międzyimpulsowej parametrów sygnałów (oreślenie rodzaju modulacji między-impulsowej oraz estymację parametrów modulacji) analizy wewnątrz-impulsowej (oreślenie rodzaju i parametrów modulacji wewnątrzimpulsowej na podstawie pojedynczego impulsu), zastosowanie nowatorsich metod generacji cech dystyntywnych, wyorzystanie szybo-decyzyjnego algorytmu identyfiacji i nowoczesnych baz danych powstałych w oparciu o modelowanie związów encji oraz 11

12 wyorzysujących narzędzia sztucznej inteligencji AI 5 (ang. Artificial Intelligence) - stanowi immanentną specyfię systemów ELIN oraz umożliwia identyfiację poszczególnych egzemplarzy emiterów radarowych z wyorzystaniem ww. dedyowanych metody generacji cech dystyntywnych ich sygnałów w systemach współczesnego pola wali. Należy dodać, że technii lasyfiacji i rozpoznawania danych są obecnie rozwiniętymi dziedzinami naui. Jedna w odniesieniu do obecnie esploatowanych systemów ELIN, nie udało się sformułować optymalnego modelu ich budowy oraz masymalizacji funcji rozpoznawania, lasyfiacji, a tym bardziej identyfiacji. Powyższe stanowi wyzwanie jaie podjąłem w pracy nauowej oraz badawczo-rozwojowej. Na Rys. 2 przedstawiłem schemat bloowy systemu awizycji, analizy i identyfiacji sygnałów radarowych z uwzględnieniem podsystemów realizujących zaawansowane, nowoczesne metody generacji cech dystyntywnych. Dodatowo, w celu sorelowania obszarów tematycznych podejmowanych w cylu 8 publiacji powiązanych tematycznie (publiacje oznaczone jao [1-8], pt 4.2) z procesami przetwarzania sygnału zachodzącymi w ww. systemie awizycji, analizy i identyfiacji sygnałów radarowych, zostały one naniesione na poniższy rysune. WYKRYWANIE I POMIAR DANE POMIAROWE POMIAR CECH PODSAWOWYCH BUDOWA WEKORA CECH PODSAWOWYCH GENERACJA CECH DYSYNKWNYCH BUDOWA ROZSZERZONEGO WEKORA CECH BAZA DANYCH BAZA WIEDZY KLASYFIKAOR IDENYFIKACJA UKŁAD PORÓWNAWCZY UKŁAD DECYZYJNY UKŁAD PAMIĘCIOWY YP A Egz. nr 1 YP A Egz. nr 2 YP A Egz. nr YP A Egz. nr Wstępne przetwarzanie danych Przetwarzanie zasadnicze Klasyfiacja identyfiacja Archiwizacja BD Wizualizacja wyniów [3, 5] [1 7] [3, 5, 7, 8] Rys. 2. Proces generacji cech dystyntywnych w systemie awizycji, analizy i identyfiacji sygnałów radarowych. 5 AI (ang. Artificial Intelligence) pojęcie sztucznej inteligencji, tóre w systemach BD realizowane jest w oparciu o wyorzystanie sztucznych sieci neuronowych (tzw. nurt bioniczny AI) oraz systemy espercie, bazujące np. na rachunu predyatów (tzw. nurt pragmatyczny AI). 12

13 Nowatorsa metoda generacji cech dystyntywnych [1 7] Pierwszym znaczącym podsumowaniem moich prac dotyczących nowatorsich metod generacji cech dystyntywnych była obroniona z wyróżnieniem w rou 2004 rozprawa dotorsa pt. Zastosowanie promieniowania pozapasmowego w identyfiacji urządzeń radioeletronicznych. W ramach badań z tej tematyi realizowałem Grant Promotorsi 00A pt. Zastosowanie promieniowania pozapasmowego w identyfiacji urządzeń radioeletronicznych będąc jego głównym wyonawcą. W wyniu realizacji pracy dotorsiej oraz ww. grantu opracowana została metoda rozpoznania i lasyfiacji źródeł emisji radarowych bazująca na wyorzystaniu promieniowania pozapasmowego generowanego przez te źródła. Uczestniczyłem również bardzo atywnie w Zespole Zadaniowym Baz Danych Emiterów (ZZBDE) do opracowania w Resorcie Obrony Narodowej Systemu Baz Danych Źródeł Promieniowania Radioloacyjnego. Brałem również czynny udział w Grupie Doradczej NEDBAG (ang. NAO Emitter Data Base Advisory Group), gdzie prace w panelu technicznym były podwalinami do opracowania Narodowej Bazy Danych Źródeł Promieniowania Radioloacyjnego zgodnie z Normą Obronną NO-02A058 - Baza Danych Źródeł Promieniowania Radioloacyjnego-Wymagania. Wspomniane powyżej zespołowe prace badawczo-rozwojowe pozwoliły na opracowanie ww. Normy Obronnej Metoda wyznaczania strutury podstawowych parametrów mierzalnych sygnału radarowego [3, 5] Rozpoznawanie sygnałów radarowych wyorzystujące technii lasyczne bazujące na analizie statystycznej podstawowych parametrów mierzalnych sygnału taich ja: częstotliwość nośna, amplituda sygnału, czas trwania czy ores powtarzania impulsów są niewystarczające dla procesu SEI, aby można było doonywać identyfiacji poszczególnych egzemplarzy radarów tego samego typu (p. pt ). Wymienione wyżej podstawowe parametry mierzalne tj.: RF, PW, PRI dla radarów tego samego typu są niemalże identyczne, a zdolności rozdzielcze odbiorniów mirofalowych są z reguły niewystarczające, aby mogły wychwycić różnice w mierzonych wartościach tych sygnałów. RF[MHz] Rejestracja 3 egzemplarzy Rejestracja 3 egzemplarzy PW[µs] PRI[µs] Rys. 3. Zobrazowanie 2-D rozładu RF oraz PRI dla trzech egzemplarzy radaru tego samego typu. RF[MHz] PRI[µs] Rys. 4. Zobrazowanie 3-D rozładu PW, RF oraz PRI dla trzech egzemplarzy radaru tego samego typu. 13

14 Liczność Liczność Liczność Liczność Liczność Autoreferat Janusz Dudczy Załączni nr 2 Rysune 3 przedstawia zobrazowanie 2-D częstotliwości nośnej oraz oresu powtarzania impulsów dla trzech egzemplarzy radaru tego samego typu, oznaczonych olorem niebiesim, czerwonym oraz zielonym. Analogicznie Rys. 4 przedstawia zobrazowanie 3-D RF, PRI oraz PW dla trzech rejestracji (ażda po 5000 impulsów w paczce) pochodzących od tych samych trzech egzemplarzy. Na olejnych rysunach przedstawiono zobrazowanie 3-D częstotliwości nośnej w funcji numerów impulsów w rejestracji (Rys. 5) dla trzech egzemplarzy tego samego typu radaru, histogramy rozładu RF dla trzech egzemplarzy radaru (Rys. 6) oraz histogram rozładu PRI (Rys. 7) z uszczegółowieniem jednej z wartości PRI w całym cylu zmian oresu powtarzania impulsów (Rys. 8). RF [MHz] Egzemplarz nr Copy Egzemplarz of radar nr no.1 1 [ s] Numer impulsu RF [MHz] Numer impulsu RF [MHz] Copy Egzemplarz of radar nr no [ s] Copy Egzemplarz of radar nr no.3 3 [ s] RF [MHz] RF [MHz] Copy Egzemplarz of radar nr no.2 2 [ s] Copy Egzemplarz of radar nr no.3 3 [ s] 20 Numer impulsu Rys. 5. Zobrazowanie 3-D RF dla 3 egzemplarzy radaru tego samego typu RF [MHz] Rys. 6. Histogram RF dla 3 egzemplarzy radaru tego samego typu. Rejestracja 3 egzemplarzy Rejestracja 3 egzemplarzy Egzemplarz nr 1 Egzemplarz nr 2 Egzemplarz nr 3 Egzemplarz nr 1 Egzemplarz nr 2 Egzemplarz nr 3 PRI[µs] Rys. 7. Histogram pełnego cylu zmian PRI dla 3 egzemplarzy radaru tego samego typu. PRI[µs] Rys. 8. Histogram wybranej z cylu zmian pojedynczej wartości PRI dla 3 egzemplarzy radaru tego samego typu. 14

15 Opis procedury pomiarowej wraz z oreśleniem doładności pomiaru zastosowanego odbiornia mirofalowego (użytego w procedurze badawczej) przedstawiony został w pt niniejszego Autoreferatu oraz w pracy [2]. Aby można było doonać procesu identyfiacji poszczególnych egzemplarzy radarów, na etapie wstępnego przetwarzania danych opracowałem metodę wyznaczania strutury podstawowych parametrów mierzalnych sygnału radarowego w postaci sformalizowanych czasowo-częstotliwościowych wetorów danych pomiarowych PDW. Wetory te, będą stanowiły dane wejściowe do dalszego procesu generacji cech dystyntywnych, na etapie przetwarzania zasadniczego [3, 5]. Należy zaznaczyć, że powstały wetor podstawowych parametrów mierzalnych sygnału radarowego będzie stanowił dane wejściowe dla opracowanych nowatorsich metod generacji cech oraz opisywanego procesu specyficznej identyfiacji SEI. aie założenie zostało przyjęte przez mnie, w celu późniejszego porównania wyniów i rezultatów identyfiacji przy zastosowaniu różnych metod estracji cech oraz ońcowego procesu identyfiacji realizowanego w bazie danych systemu ELIN. Zgodnie z powyższym, w procesie wstępnej obróbi utworzony został wetor danych pomiarowych PDW, tóry stanowi sformalizowaną struturą danych typu reordowego, gdzie poszczególne jego elementy zawierają parametry częstotliwościowe i czasowe sygnału radioloacyjnego zgodnie ze wzorem (1), gdzie Nr() - oznacza numer -tego impulsu, tp() - oznacza czas przyjścia -tego impulsu w [s], A() - oznacza amplitudę -tego impulsu, PW() - oznacza czas trwania -tego impulsu w [s], PRI() - oznacza ores powtarzania -tego impulsu w [s]; RF() - oznacza częstotliwość nośną -tego impulsu w [MHz], n -oznacza liczę impulsów w rejestracji zawalifiowanych do analizy natomiast - oznacza numer impulsu w rejestracji. Nr(1) Nr(2)... PDW Nr( )... Nr( n) t t p p (1) (2)... t ( ) p... t ( n) p A(1) A(2)... A( )... A(2) PW(1) PW(2)... PW( )... PW( n) PRI(1) PRI(2)... PRI( )... PRI( n) RF(1) RF(2)... RF( )... RF( n) (1) W wyniu dalszych przeształceń wetora PDW powstał Wetor Sygnałowy WS, tórego pola zawierają oreślone parametry częstotliwościowe i czasowe sygnału, zgodnie PRI z zależnościami (2)-(4). Parametry czasowe wetora WS oznaczają odpowiednio: wartość minimalną oresu powtarzania impulsów PRI min, wartość średnią oresu powtarzania impulsów PRI EV, wartość masymalną oresu powtarzania impulsów PRI max, liczbę wartości oresu powtarzania impulsów npri, liczbę średnich wartości oresu powtarzania impulsów npri EV, wartość minimalną czasu trwania impulsu PV min, wartość średnią czasu trwania impulsu PW EV oraz wartość masymalną czasu trwania impulsu PW max, zgodnie ze wzorem (2). PRI WS PRI, PW (2) min PRI EV, PRI max, npri, npri EV, PWmin, PWEV, RF Parametry częstotliwościowe wetora sygnałowego WS zostały oreślone zgodnie ze wzorem (3) i oznaczają odpowiednio: wartość minimalną częstotliwości nośnej sygnału RF, wartość średnią częstotliwości nośnej za ores RF EV, wartość masymalną min max 15

16 częstotliwości nośnej w oresie zmian RF max liczbę średnich częstotliwości nośnych w cylu zmian, liczbę wartości częstotliwości nośnej nrf, nrf EV. RF WS RF, nrf (3) min RFEV, RFmax, nrf, Wetor WS, tórego ostateczna strutura przedstawiona została zgodnie ze wzorem (4), zawiera ponadto parametry dotyczące informacji o doładnościach pomiaru częstotliwości nośnej sigrf, oresu powtarzania impulsów sigpri oraz czasu trwania impulsu sigpw. PRI RF WS WS, WS, sigrf, sigpri, sigpw (4) Parametry te są podstawą do oreślania szeroości przedziałów dopuszczalnych zmian parametrów sygnału radarowego, tj.: RF, PRI oraz PW i będą one wyorzystane do procesu oceny efetywności działania szybo-decyzyjnego algorytmu identyfiacji FdIA, (p. pt ). Proces tworzenia wetora sygnałowego WS również został poddany procesowi implementacji i automatyzacji na etapie wstępnego przetwarzania danych oraz przetwarzania zasadniczego systemu ELIN (p. pt 4.3.2, Rys. 2). EV Opracowanie algorytmu hierarchicznego grupowania danych [7] Jedna z nowatorsich metod generacji cech dystyntywnych polegała na opracowaniu oraz implementacji algorytmu hierarchicznego grupowania danych HACA 6 (ang. Hierarchical Agglomerative Clustering Algorithm) bazującego ma schemacie aglomeracyjnym bottom up 7, tóry umożliwił otrzymanie dendrogramów grupowania hierarchicznego dla oresów powtarzania impulsów PRI [7] oraz ich dalszą analizę w celu estracji cech dystyntywnych. W celu zbadania poszczególnych cech wetora WS zastosowana została hierarchiczna metoda grupowania danych. Metoda ta wyorzystuje algorytm hierarchicznego podziału i grupowania oparty na procedurze aglomeracyjnej. Chcąc podzielić zadany zbiór n elementów na L grup w pierwszym rou podzielony on został na n grup. Oznacza to, że ażda grupa zawiera tylo jeden element. W olejnym rou następuje łączenie w jedną grupę dwóch elementów o najwięszym podobieństwie. W rezultacie powstanie (n-1) grup, następnie (n-2) grup, aż do otrzymania wymaganej liczby zbiorów. Zaimplementowany do celów badawczych algorytm hierarchicznego grupowania został sparametryzowany dwuelementowo. Jeden z parametrów dotyczył sposobu wyznaczenia podobieństwa między badanymi cechami poprzez zastosowanie odległości Eulidesa, Mahalanobisa oraz Hamminga. Drugi parametr był związany z metodą łączenia grup poprzez zastosowanie ryterium mimimalnej odległości NNC (ang. Nearest Neighbour Criterion) oraz ryterium masymalej odległości FNC (ang. Furthest Neighbour Criterion). 6 HACA - ang. Hierarchical Agglomerative Clustering Algorithm. 7 Podejście aglomeracyjne (bottom-up): początowo, ażdy obiet stanowi osobny laster, następnie, w olejnych iteracjach, lastry są łączone w więsze lastry. 16

17 Distance Distance Autoreferat Janusz Dudczy Załączni nr Copy of Radar No Copy of Radar No dx = Clusters Clusters Rys. 9. Dendrogram grupowania hierarchicznego PRI dla odległości Mahalanobisa oraz ryterium NNC. Proces lasteryzacji w tym algorytmie można podzielić na trzy etapy, tj.: liczenie odległości, budowa dendrogramu (na podstawie zadanych parametrów) oraz przycięcie dendrogramu na oreślonym poziomie. Prezentowaną metodę wyorzystano w procedurze badawczej do grupowania wetorów WS w procesie identyfiacji poszczególnych egzemplarzy radarów tego samego typu. Wetory WS reprezentują podstawowe parametry mierzalne sygnałów radarowych. Wynii grupowania oresów powtarzania impulsów PRI, zostały zaprezentowane w postaci dendrogramów w pracy [7]. Przyładowy dendrogram został przedstawiony na Rys. 9 niniejszego autoreferatu. Zbiory danych pomiarowych PDW jaie uzysano w wyniu przeprowadzonej procedury pomiarowej a następnie utworzone z nich wetory WS tratowane są jao dane jednorodne, gdzie wyeliminowane zostały załócenia w ciągach pomiarowych PRI. Wszystie wyonane pomiary sygnałów radarowych odbywały się podczas pracy bojowej radarów. Łącznie zarejestrowano iladziesiąt tysięcy impulsów pochodzących od ilunastu urządzeń radarowych tego samego typu. Aby zapewnić powtarzalność otrzymanych wyniów pomiarowych, pomiaru sygnału radarowego ażdego egzemplarza radaru doonałem w czterech miejscach pomiarowych z zachowaniem stałej odległości od źródła emisji radarowej. Wyboru trzech egzemplarzy (tego samego typu radaru) do szczegółowej weryfiacji doonałem w sposób, w tórym ich dysloacja zapewniała porównywalne (we wszystich trzech przypadach) uształtowanie terenu w obszarze dooła miejsca dysloacji radaru. W czasie prowadzonych pomiarów zachowano stałe wartości progów detecji oraz stałe wartości czułości odbiornia superheterodynowego, ustalone podczas pomiaru na częstotliwości nośnej analizowanego źródła emisji. Uzysany zbiór danych pomiarowych opisuje analizowany sygnał radarowy z wyjścia demodulatora amplitudy (AM Lin) oraz demodulatora częstotliwości (FM) Zastosowanie analizy modulacji międzyimpulsowej do estracji cech dystyntywnych sygnału radarowego [4] Kolejnym obszarem, jai podjąłem w procesie SEI, była adaptacja analizy modulacji międzyimpulsowej oresów powtarzania impulsów PRI do estracji cech dystyntywnych. 17

18 Modulacja międzyimpulsowa oresu powtarzania impulsów (ang. inter-pulse repetition interval) oznacza modulację między olejnymi impulsami w sygnale radarowym. Oreśla się ją na podstawie czasów przyjścia impulsów, przy czym można wyróżnić następujące jej typy: stały ores powtarzania impulsów (ang. PRI Fixed), płynnie zmienny ores powtarzania impulsów (ang. PRI Sliding), zatrzymany i przełączany ores powtarzania impulsów (ang. PRI Dwell and Switch), przemienny ores powtarzania impulsów (ang. PRI Stagger) oraz flutuujący ores powtarzania impulsów (ang. PRI Jitter). Zobrazowania poszczególnych rodzajów modulacji międzyimpulsowej otrzymane z rzeczywistych pomiarów parametrów sygnału wybranych typów radarów o różnym przeznaczeniu, przedstawione zostały w pracy [4]. W tym przypadu generacji cech dystyntywnych, parametry czasowe Wetora Sygnałowego WS uległy modyfiacji, zgodnie ze wzorem (5) i oznaczają one odpowiednio: stały ores powtarzania impulsów S L H PRI PRI, wraz z jego wartością masymalną F M, płynnie zmienny ores powtarzania impulsów S PRI H i minimalną S PRI L, zatrzymany D S i przełączany ores powtarzania impulsów PRI & 1 wraz z poszczególnymi wartościami od D S 1 oraz liczbą wartości npri & Stg, przemienny ores powtarzania impulsów PRI 1 wraz z poszczególnymi wartościami od 1 oraz liczbą wartości J powtarzania impulsów PRI, wraz z jego wartością masymalną L H Stg npri oraz flutuujący ores J PRI H i minimalną J PRI L. PRI WS (5) F S D& S D& S Stg Stg J PRI M, PRI L, H, PRI 1, npri, PRI 1, npri, PRI L, H RF Parametry częstotliwościowe wetora WS również uległy modyfiacji zgodnie F ze wzorem (6) i oznaczają odpowiednio: wartość średnią częstotliwości nośnej RF stałego S oresu powtarzania impulsów, wartość średnią częstotliwości nośnej RF płynnie zmiennego D S oresu powtarzania impulsów, wartość średnią częstotliwości nośnej RF & zatrzymanego Stg i przełączanego oresu powtarzania impulsów, wartość średnią częstotliwości nośnej RF J przemiennego oresu powtarzania impulsów oraz wartość średnią częstotliwości nośnej RF flutuującego oresu powtarzania impulsów. RF F S D& S Stg J WS RF, RF, RF, RF, RF (6) PD Parametry czasowe wetora WS również uległy zamianom i zgodnie ze wzorem (7) F oznaczają odpowiednio: wartość średnią czasu trwania impulsu PD stałego oresu S powtarzania impulsów, wartość średnią czasu trwania impulsu PD płynnie zmiennego D S oresu powtarzania impulsów, wartość średnią czasu trwania impulsu PD & zatrzymanego Stg i przełączanego oresu powtarzania impulsów, wartość średnią czasu trwania impulsu PD przemiennego oresu powtarzania impulsów oraz wartość średnią czasu trwania impulsu J PD flutuującego oresu powtarzania impulsów. PD F S D& S Stg J WS PD, PD, PD, PD, PD (7) Powyższa analiza umożliwiła wyznaczenie rozszerzonego wetora cech, gdzie w oparciu o relacyjną bazę danych i zaimplementowany szybo-decyzyjny algorytm identyfiacji FdIA został doonany proces identyfiacji źródeł emisji radarowych, (p. pt ). 18

19 Frequency Autoreferat Janusz Dudczy Załączni nr Histogramowa metoda budowy rozładu PRI [2] Kolejnym, podjętym obszarem badawczo-nauowym, było opracowanie nowatorsiej histogramowej procedury budowy rozładu PRI oraz doonanie procesu jej implementacji w systemie ELIN. W procesie wstępnego przetwarzania danych w systemie awizycji, analizy i identyfiacji sygnałów radarowych ELIN (p. pt 4.3.2, Rys. 2) olejne wartości PRI ( 1),PRI (2),...,PRI ( ),...,PRI ( n 1) oresu powtarzania impulsów potratowano jao n-wymiarową zmienną losową PRI. Wybierając ze zbioru realizacji wartość wyróżnioną l PRI w oraz dopuszczalny przedział zmienności od wartości pomierzonych PRI (uwarunowany rozdzielczością przyrządu pomiarowego) ΔPRI, utworzono zbiór wartości l l l PRI PRI ΔPRI ; PRI ΔPRI. Powtarzając operację l - razy, uzysano stan s w w powtarzalności wyznaczanych wartości. Zgodnie z powyższym wartości średnie uzysane metodą histogramową będą wyrażone równaniem (8), gdzie l - oznacza numer lasy szeregu rozdzielczego, natomiast s w stanowi liczebność wzorcową w danej lasie szeregu rozdzielczego wyniająca z zastosowanej metody odładania MH (ang. holdout method) 8. PRI swl l MH M 1 H s PRI w l swl j1 Podczas badań jaie przeprowadziłem wyorzystując tę metodę, doonałem analizy łącznie 246 emisji radarowych pochodzących od 6 egzemplarzy radarów tego samego typu. Uzysane zbiory rejestracji wetorów pomiarowych PDW zostały przedstawione w postaci wyresu wartości podstawowych parametrów mierzalnych, tj.: RF, PW oraz PRI na Rys. 10 i 11. Rysune 10 przedstawia histogram PRI wszystich sześciu badanych egzemplarzy radarów w zobrazowaniu łącznym. Rysune 11 przedstawia wyres 3-D paramentów RF, PRI oraz PW sześciu egzemplarzy, również w zobrazowaniu łącznym. PRI l j (8) Copy of Radar No.1 Copy of Radar No.2 Copy of Radar No.3 Copy of Radar No.4 Copy of Radar No 5 Copy of Radar No.6 RF [MHz] Copy of Radar No.1 Copy of Radar No.2 Copy of Radar No.3 Copy of Radar No.4 Copy of Radar No.5 Copy of Radar No PRI [µs] Rys. 10. Histogram PRI sześciu badanych egzemplarzy radarów w zobrazowaniu łącznym PW [µs] Rys. 11. Wyres 3-D dla RF, PRI oraz PW sześciu badanych egzemplarzy radarów PRI [µs] 8 Metoda odładania (ang. holdout method) dzieli dostępny zbiór danych pomiarowych na dwa rozłączne zbiory, tj. zbiór używany do uczenia lasyfiatora oraz zbiór służący do testowania lasyfiatora. Zazwyczaj stosuje się następujący podział dostępnego zbioru danych: 2/3 dostępnych danych tworzy zbiór uczący, a 1/3 zbiór testowy. 19

20 Autoreferat Janusz Dudczy Załączni nr 2 W procedurze pomiarowej zastosowano odbiorni superheterodynowy, tóry umożliwia oreślenie wartości częstotliwości nośnej (minimalnej, średniej i masymalnej) z doładnością 0,5 MHz oraz wartości oresu powtarzania impulsu (minimalnej, średniej i masymalnej) w zaresie od 2 s do 20 ms, z doładnością 0,05 s. Aby osiągnąć zamierzony cel, w tracie procedury SEI doonałem analizy regularności zmian PRI dla wybranych wcześniej egzemplarzy. Do tego celu zaimplementowałem procedurę, tóra umożliwiła uzysanie przestrzennej siati, prezentującej w trzech wymiarach regularność oresu PRI (analizowanych sygnałów radarowych) w zależności od liczby impulsów. Uzysane rezultaty rozstały przedstawione w pracy [2]. W niniejszym autoreferacie przyładowe zobrazowanie graficzne zostało przedstawione na Rys. 12. Łatwo zauważyć, iż w zarejestrowanej paczce impulsów egzemplarza nr 1 znajdują się znieształcenia w regularności PRI, tóre zaznaczono czerwoną strzałą. Zważywszy na ich nieregularność występowania w paczce, uwidaczniają one szczególne cechy nadajnia. Proces ich detecji umożliwia jednoznaczną identyfiację egzemplarza radaru PRI [ s] Egz. Radaru Nr Numery impulsów Rys. 12. Zobrazowanie 3-D rozładu wartości PRI analizowanego egzemplarza radaru nr Wyznaczanie atratora przeształcenia oraz estracja cech dystyntywnych [1, 5, 6] Kolejny obszar pracy nauowo-badawczej w aspecie metod generacji cech dystyntywnych dotyczył opracowania nowatorsiej metody wyznaczania atratora przeształcenia zbiorów pomiarowych sygnałów radarowych poprzez wyznaczenie uogólnionej funcji pomiarowej zadanej wielomianem Lagrange a (przy wyorzystaniu opracowanej do tego celu metody transformacji puntów pomiarowych oraz metody regresji liniowej) w celu estracji dwóch dodatowych cech dystyntywnych, tj.: pola powierzchni pod funcją pomiarową oraz długości jej łuu, będących dobrymi miarami separacji w procesie specyficznej identyfiacji źródeł emisji SEI. Metoda generacji cech dystyntywnych polegała na opracowaniu analitycznej procedury tworzenia atratora funcji pomiarowej oraz jej implementacji. Doonałem rejestracji sygnałów radarowych, gdzie olejne wartości częstotliwości nośnej sygnału radarowego, odpowiadają poszczególnym puntom pomiarowym. Ilość puntów pomiarowych została 20

21 wybrana doświadczalnie i stanowi podwójną wartość masymalnej szeroości filtru pośredniej częstotliwości odbiornia superheterodynowego, tóry został użyty w procedurze pomiarowej, tj. 40 MHz. Z tego założenia wynia graniczna pierwotna liczba puntów pomiarowych N = M = 80. Uzysany zbiór puntów pomiarowych został przyporządowany p l w formie wetorów pomiarowych prawostronnych p i lewostronnych p o początu p p p p w wybranym puncie odniesienia f0, taich że, p p, p,..., p ] i [ 1 2 W celu wyznaczenia pożądanych cech selecji opracowałem transformację gdzie t jest obrazem wetora wetorowi l p. Wyorzystując wetory N l l l l p [ p 1, p2,..., pm ]. : p p t, p p w postaci wetora o współrzędnych odpowiadających 1 2 p p i l p odwzorowanie powyższe zapisałem w przestrzeni eulidesowej, tj.: : E E. W rozpatrywanym zagadnieniu transformacje te są odwzorowaniami liniowymi, zatem można je zapisać w formie macierzowej jao: p t ( p, A), gdzie A jest macierzą zadanej transformacji. W zależności od uzysanej symetrii bądź asymetrii (lewo/prawo-stronnej) puntów pomiarowych ułożyły się one tworząc trzy różne puntowe wyresy rozrzutu. Przyładowe zobrazowanie graficzne dla asymetrii prawostronnej przedstawione zostało na Rys. 13. fn y f m l f n r transformacja puntów pomiarowych przetransformowane punty pomiarowe zares asymetrii prawostronnej N > M fn x fn punt odniesienia f0 Rys. 13. Zobrazowanie transformacji puntów pomiarowych w dwuwymiarową przestrzeń eulidesową dla zaresu asymetrii prawostronnej. Analiza wyniów pomiarowych została przeprowadzona w następujących przypadach, tj. gdy liczba puntów pomiarowych prawostronnych jest więsza lub równa liczbie puntów pomiarowych lewostronnych oraz gdy liczba puntów pomiarowych prawostronnych jest mniejsza od liczby puntów pomiarowych lewostronnych. W zależności od uzysanej symetrii bądź asymetrii lewo/prawostronnej, punty pomiarowe utworzą trzy różne, puntowe wyresy rozrzutu. Przetransformowane oraz zobrazowane łącznie punty pomiarowe na wyresie (Rys. 14) tworzą tzw. funcję pomiarową K ( f n ). W oparciu o uzysaną transformację puntów pomiarowych, można wysunąć hipotezę, że funcje g A ( f n ), g B ( f n ), g C ( f n ), g D ( f n ) należące do lasy funcji liniowych, będą liniami regresji dla przetransformowanych puntów pomiarowych. 21

22 Rys. 14. Wyres rozrzutu puntów pomiarowych po transformacji - atrator przeształcenia funcji pomiarowej. Rys. 15. Zobrazowanie funcji pomiarowej zadanej wielomianem Lagrange a. W dalszej części procedury wyorzystana została metoda regresji liniowej w celu wyznaczenia równań regresji oraz współrzędnych puntów charaterystycznych, tj.: PAB, PBC, PCD oraz PAD, (Rys. 14). Następnie obliczone punty charaterystyczne (będące rozwiązaniem równań regresji) zostały wyorzystane do wyznaczenia funcji pomiarowej przechodzącej przez te punty w postaci wielomianu Lagrange a (Rys. 15). Zapis funcji pomiarowej K f ) w postaci wielomianu Lagrange a stopnia, zadanego 1 puntami ( n charaterystycznymi, gdzie a, a 1, a 2,..., a0 - stanowią parametry charaterystyczne uogólnionej funcji pomiarowej zgodnie z zależnością (9), umożliwił estrację cech dystyntywnych poprzez wyznaczenie pola powierzchni pod tą funcją oraz długości łuu powstałej funcji, (Rys. 15). Cecha S, stanowi wartość pola powierzchni domniętego obszaru płasiego rozciągającego się od wyresu uogólnionej funcji pomiarowej K ( f n ) w przedziale f f, zgodnie z zależnością (10). Długość łuu ww. funcji K jao min n, nmax druga dystyntywna cecha ZE, została wyrażona poprzez wartość L w przedziale f min, fnmax zgodnie z równaniem (11). n f n K( f ) a f a a n n fn a 2 fn... 0 (9) S fn fn 1 2 K( fn) dfn ( a fn a fn a fn... a ) df min min n f (10) f n max n max L f max n f min n fn K( fn) 1 dfn f n f max min n a fn ( 1) a 1 f... a1 dfn (11) ransformując zbiory puntów pomiarowych w zaresie ich symetrii bądź asymetrii lewo/prawostronnej otrzymano atrator przeształcenia, tóry w szczególności może być fratalem. Zbiór przeształceń afinicznych stanowi w tym przypadu system przeształceń iterowanych IFS (ang. Iterated Function System), zaś otrzymany fratal uogólnionej funcji pomiarowej jest atratorem opisywanej procedury SEI. Wyznaczone w ten sposób dwie dodatowe cechy modyfiują wetor podstawowych parametrów mierzalnych sygnału radarowego, a dalszy proces identyfiacji w oparciu o rozszerzony wetor cech, umożliwia 22

23 rozpoznanie poszczególnych egzemplarzy radarów. Cechy S i L stanowią informację dystyntywną będącą dobrą miarą separacji w procesie SEI. Jednocześnie, w wyniu zastosowanych przeształceń transformujących zbiory puntów pomiarowych, otrzymano atrator przeształcenia uogólnionej funcji pomiarowej. Uzysany atrator posłuży dalszym badaniom w celu optymalizacji procedury specyficznej identyfiacji egzemplarzy radarów tego samego typu. Przyładowe zobrazowania uzysanych wartości S i L wraz z przebiegiem funcji pomiarowych dla trzech egzemplarzy radarów tego samego typu zostały przedstawione na Rys Funcja pomiarowa Funcja pomiarowa Funcja pomiarowa Numer puntu pomiarowego Numer puntu pomiarowego Numer puntu pomiarowego Rys. 16. Atrator przeształcenia oraz estracja cech L i S dla egz. nr 1. Rys. 17. Atrator przeształcenia oraz estracja cech L i S dla egz. nr 2. Rys. 18. Atrator przeształcenia oraz estracja cech L i S dla egz. nr 3. Powyższa metoda została przeze mnie doładnie opisana w pracach [5], [6] oraz [1]. W pracy [1] szczególny nacis położyłem na rozwiązanie równania regresji. W pracy [6] doonałem uogólnienia metody poprzez wyznaczenie uogólnionej funcji pomiarowej, natomiast w pracy [5] soncentrowałem się na zastosowaniu metody w celu estracji cech i obliczeniu współczynnia poprawnej identyfiacji CIC dla wetorów podstawowych oraz rozszerzonych o dwie ww. cechy (S i L) Identyfiacja źródeł emisji w bazie danych systemu ELIN [3, 7, 8] Ja zostało wsazane w pt 4.3.2, analiza podstawowych parametrów mierzalnych sygnału radarowego może prowadzić do rozpoznawania typów. Bardziej zaawansowany proces dotyczy identyfiacji i umożliwia rozpoznawanie poszczególnych egzemplarzy radarów tego samego typu Wieloanałowy uładu identyfiacji z niezależnym pomiarem odległości [8] Opracowanie wieloanałowego uładu rozpoznania i identyfiacji RER (ang. Radar Emitter Recognition) z niezależnym pomiarem odległości dla wetorów podstawowych cech mierzalnych sygnału radarowego (w ażdym z anałów uładu), to olejne podjęte przeze mnie zagadnienie [8]. Podstawowym zadaniem identyfiacji źródeł emisji promieniowania radioloacyjnego jest wyznaczenie powierzchni rozdzielających wzorce w przestrzeni cech. Zawalifiowanie analizowanego sygnału radarowego, a tym samym jego źródła emisji, do odpowiedniej lasy bazuje na oreśleniu położenia tego obietu względem powierzchni dysryminujących. 23

24 Wybór lasy Autoreferat Janusz Dudczy Załączni nr 2 Aby wspomniane powyżej zadanie identyfiacji mogło zostać przeprowadzone, onieczne jest oreślenie metryi radaru w przestrzeni cech oraz docelowo, zaprojetowanie wetorów wzorcowych w Bazie Danych 9 wraz z uwzględnieniem specyfii taiej bazy danych dla systemów ELIN oraz EW. W powyższym onteście, zaproponowałem rozwiązanie zagadnienia identyfiacji radarów bazujące na porównaniu odległości lasyfiowanego radaru od poszczególnych centrów las, uwzględniając również przypade, w tórym cechy wzorców nie są liniowo separowalne. Z tego powodu, bardzo istotnym wyzwaniem, było opracowanie metody wyznaczania powierzchni rozdzielających wzorce las w przestrzeni cech w zaresie rozpoznania i lasyfiacji sygnałów radarowych. Kolejnym zadaniem procesu SEI było oreślenie sposobu obliczania odległości badanego egzemplarza radaru od centrum lasy, przy uwzględnieniu rozproszenia i orelacji wartości cech wetora sygnałowego WS. Opracowany uład rozpoznania słada się z niezależnych anałów i został przedstawiony na Rys. 19. r 1 1 r1 1 WS WS 1 p 2 y1 y d1 ( WS ) n WS R r 2 WS WS 2 p y 2 2 r d2 ( WS ) 1 2 y Decyzja r 3 WS WS 3 p y 3 3 r d3 ( WS ) 1 3 y Rys. 19. Schemat trójanałowego uładu RER, bazujący na transformacie K-L. Każdy z anałów został przyporządowany do tego samego typu rozpoznawanych radarów. Głównym zadaniem ażdego anału było doonanie oceny odległości d i(ws) badanego egzemplarza radaru od swojej lasy na podstawie definicji wartości cech jego podstawowych parametrów mierzalnych (wetor WS ), gdzie i oznacza indes lasy. Bardzo istotny problem, jai pojawił się w ww. metodzie obejmował reguły wyboru decyzji, tóra oparta jest na wyznaczaniu wartości różnych funcjonałów d i(ws). Zagadnienie to dotyczy bezstronności wniosowania. Aby rozwiązać ww. bezstronność wniosowania przyjąłem założenie, że Ed1( WS1) Ed2( WS 2), gdzie WS - jest zmienną losową oreślającą wartości cech elementów lasy radaru o indesie, Ed ( WS ) - jest wartością oczeiwaną odległości d j dla lasy radaru o indesie. Oczywiście należało oreślić odległość, tóra ww. warune bezstronności będzie spełniać. Aby rozwiązać problem, wyznaczyłem macierz owariancji wetora WS wraz z wartościami własnymi i ortogonalnymi wetorami własnymi tej macierzy. Następnie zastosowałem przeształcenie Karhunena-Loeve a (K-L) o macierzy przeształcenia, tórej wiersze są ortogonalnymi wetorami własnymi macierzy owariancji. Doonując deorelacji współrzędnych wetora cech WS oraz unormowania 9 Budowa metryi radaru oraz wzorców w bazie danych systemu ELIN została przedstawiona w pt Autoreferatu. j 24

25 rozproszenia wartości współrzędnych uzysałem macierz orelacji równą macierzy jednostowej. Odległość d (WS) wetora WS od lasy G zdefiniowana została zgodnie ze wzorem (12), gdzie funcjonał d (WS) oreśla odległość wetora cech WS badanego egzemplarza radaru od centrum W S jao odległość Mahalanobisa. d( WS) z z r [ t, t 1 2,..., t ]... 0 ( WS WS) R n n 1 z n 2 y ( WS WS) n 1 ( tr) 2 n 1 ( r 1 t ) ( tr) 0 t 1 0 t2 r ( WS WS) n tn Λ 1 ( WS WS) (12) Uśredniając wartość uzysanego funcjonału zgodnie ze worem (12), wyznaczona została wartość Ed (u) zgodnie ze wzorem (13). Ed( WS) E[( WS WS) R Ey y E... 1 n ( WS WS)] E[ r n 1 2 y n 1 Ey 2 n 1 Λ r ] E[ y Λ 1 y] (13) Powyższa analiza umożliwia zastosowanie definicji odległości d (WS) dla anału o wsaźniu i { 1,2,..., L} zgodnie ze wzorem (14), gdzie WS i jest wartością oczeiwaną wetora cech lasy G i, natomiast Ri E( WS i WS i)( WS i WS i) jest macierzą owariancji wetora cech lasy G i. Należy również dodać, że funcjonały d i oreślone wzorem (14), w tórej WS jest zmienną losową oreślającą wartości cech elementów lasy i G i spełniają warune bezstronności Ed1( WS1) Ed2( WS 2), natomiast doładny proces analizy i wyznaczania poszczególnych wartości został zawarty w pracy [8]. i di ( V ) ( WS WS i) R B 1 i ( WS WS i) (14) E d ( WS ) n i{1,2,..., L} (15) i i Proces uczenia oraz wyznaczanie współczynnia poprawnej identyfiacji CIC wraz z wyorzystaniem metody holdout [8] Proces identyfiacji radarów w rzeczywistym systemie rozpoznania ELIN należało poprzedzić procesem uczenia, tóry miał na celu estymację wartości oczeiwanej wzorców lasy, estymację macierzy owariancji wzorców las dla ażdego zbioru wzorców lasy oraz 25

26 wyznaczenie wartości własnych macierzy owariancji i przynależnych im ortogonalnych wetorów własnych. Aby uogólnić opracowaną metodę, odrzuciłem założenie, że wyznaczone macierze owariancji są nieosobliwe, bowiem pratya poazuje, że macierze owariancji mogą nie spełniać ww. warunu. W taiej sytuacji wśród wartości własnych macierzy mogą wystąpić wartości zerowe. Powoduje to bra możliwości unormowania poszczególnych współrzędnych transformaty K-L. Z tego powodu odległość d (WS) wetora sygnałowego WS od lasy G zdefiniowana zgodnie ze wzorem (12), modyfiuje się do postaci oreślonej wzorem (16), gdzie p oreśla ilość niezerowych wartości własnych macierzy owariancji, R jest odwrotnością Moore a-penrosego macierzy owariancji R, zgodnie z wyrażeniem R M, natomiast M - jest macierzą wyrażoną wzorem (17). d( WS) z z r [ t... t 1... t ( WS WS) p n ] p p z p 2 y p 1 ( tr) 2 0 t 1 0 t p r tn 1 ( r M( WS WS) ( WS WS) p 1 t ) ( tr) R ( WS WS) (16) M p (17) Istotnym elementem opracowanej metody było wyznaczenie współczynnia poprawnej identyfiacji CIC 10 (ang. Correct Identification Coefficient) zgodnie ze wzorem (18), gdzie nb P - oznacza liczbę prawidłowych (poprawnych) porównań wetorów cech podstawowych WS z wetorami wzorcowymi V P w zadanej lasie, natomiast N - oznacza liczbę wszystich porównań podzieloną przez liczbę zbiorów testowych. n CIC B P (18) N Liczba prawidłowych porównań nb P została wyznaczona zgodnie ze wzorem (19), j w tórym funcja i przyporządowuje parom wetorów WS i,v Pj wartość równą 1 jeżeli i=j, lub wartość równą 0 jeżeli i j. n B P I J i1 j1 i j (19) 10 CIC - (ang. Correct Identification Coefficient) współczynni poprawnej identyfiacji. 26

27 Wartość odległości (di) Autoreferat Janusz Dudczy Załączni nr 2 W czasie badania, doonałem rejestracji iluset sygnałów radarowych w paczach o długości 5000 impulsów ażda (co umożliwił zastosowany odbiorni mirofalowy). Procedura pomiarowa była realizowana podczas pracy bojowej urządzeń radarowych przy wyorzystaniu odbiornia superheterodynowego lasy ELIN. W wyniu wstępnego przetwarzania danych pomiarowych uzysane zostały wetory WS (p. pt ) na podstawie tórych utworzone zostały wetory wzorcowe V P. Przy ich tworzeniu wyorzystana została metoda odładania holdout (p. pt ). Proces identyfiacji zrealizowałem w oparciu o pomiar odległości przy zastosowaniu ryterium lasyfiacji minimalno-odległościowej NNC, zgodnie z prezentowaną metodą. W celu oceny jaości procesu lasyfiacji został wyznaczony wsaźni poprawnej identyfiacji CIC Uzysane wynii procesu identyfiacji dla opracowanego uładu [8] Uzysane rezultaty zostały przedstawione w pracy [8]. W niniejszym autoreferacie w abeli 1 oraz na Rys. 20 zaprezentowana została tylo część uzysanych wyniów procesu identyfiacji SEI. Odpowiednio srzyżowane olumny i wiersze ażdego z wetorów WS oraz wzorców radarów w postaci wetorów wzorcowych V P (p. abela 1), przedstawią stopień ich podobieństwa oreślony wartością odległości. Mniejsza wartość tej odległości oznacza więsze podobieństwo wetora WS do wzorca. abela 1. Wynii obliczeń odległości d 1(WS) dla egzemplarza radaru nr. 1 w anale L=1 dla 16 porównań w lasie G 1. d1(ws-vp) WS (lasa G 1) VP (lasa G 1) 0,714 11,647 4,302 3,374 11,821 0,798 3,567 6,995 3,267 3,414 0,516 4,273 5,278 6,728 4,178 0, Liczba porównań (V P) Liczba porównań (WS) 4 Rys. 20. Zobrazowanie graficzne 3D uzysanych wartości odległości w anale L=1, dla 16 porównań egzemplarza radaru nr. 1 w lasie G 1. 27

28 Dodatowo na uzysanych zobrazowaniach graficznych (Rys. 20) przerywaną czerwoną elipsą oznaczono minimalne wartości odległości d (WS) w zadanej lasie Gi. Uzysane minimalne odległości wsazują jednocześnie liczbę prawidłowych porównań nb P wetorów cech podstawowych z wetorami wzorcowymi w zadanej lasie. W ażdej z las (G1 G3) doonałem 16-stu porównań tych wetorów oraz wyznaczyłem współczynni CIC. Wynii zostały przedstawione w abeli 2 oraz graficznie zobrazowane na Rys. 21. W ońcowym procesie identyfiacji został wyorzystany szybo-decyzyjny algorytm FdIA. Mechanizm działania algorytmu FdIA oraz uzysane rezultaty identyfiacji przy zastosowaniu FdIA zostały opisane w pt oraz pt abela 2. Wartości współczynniów poprawnej identyfiacji CIC metody RER dla trzech rozpoznawanych egzemplarzy radarów w lasach G 1 G 3. i CIC lasa G1 lasa G2 lasa G3 WS 0,234 0,194 0,264 VP 0,534 0,614 0,498 Rys. 21. Zobrazowanie graficzne wartości współczynnia CIC dla trzech egzemplarzy radarów w zadanych lasach G 1 G 3 trójanałowego uładu identyfiacji RER z niezależnym pomiarem odległości. Opracowany uład identyfiacji z niezależnym pomiarem odległości oraz metoda bazująca na Specyficznej Identyfiacji Emiterów zrealizowana została w oparciu o wyorzystanie paietu oprogramowania MatLab, a uzysane wynii zostały zapisane w dedyowanej do tego celu bazie danych systemu ELIN. Należy również dodać, że funcjonały d spełniają warune bezstronności Ed1( WS1) Ed2( WS 2). Uzysane wartości CIC dla wetora cech podstawowych na poziomie: 0,234, 0,194 oraz 0,264 wsazują na jednoznaczność procesu identyfiacji międzylasowej na poziomie od 19,4 % do 23,4 %. Uzysane wartości CIC dla wetora cech podstawowych na poziomie: 0,534, 0,614 oraz 0,498 wsazują na jednoznaczność procesu identyfiacji wewnętrzlasowej na poziomie od 49,8 % do 61,4 %. Uzysany wyni CIC powodujący zwięszenie jednoznaczności procesu SEI w przedziale od 30,4 % do 38 % można uznać za dobry, biorąc pod uwagę fat, że prezentowana metoda identyfiacji bazująca na niezależnym pomiarze odległości nie jest sompliowana implementacyjnie oraz dostarcza wynii w czasie rzeczywistym, co jest szczególnie istotne w systemach rozpoznania i wali eletronicznej. i 28

29 Szybo-decyzyjny algorytm identyfiacji FdIA oraz jego parametryzacja [3] W procesie specyficznej identyfiacji sygnałów radarowych oraz źródeł ich emisji opracowałem szybo-decyzyjny algorytm identyfiacji FdIA oraz doonałem jego implementacji w BD. Na podstawie doonanych pomiarów, źródła sygnałów radarowych zostały opisane za pomocą wetorów sygnałowych WS, tóre są sformalizowaną struturą danych typu reordowego (p. pt ). W wyniu procedury identyfiacji otrzymałem wyniowy wetor sygnałowy WWS zgodnie ze wzorem (20), tóry zawiera liczbę wzorców P sojarzonych z wetorem WS, dla tórych wartość funcji decyzyjnej K jest więsza od N zera, numer egzemplarza wzorca decyzyjnej K ijmax np, dla tórego Kij = max, wartość masymalną funcji N, wetor wzorcowych parametrów czasowych wzorcowych parametrów częstotliwościowych RF PV dla tórych Kij = max. ij PRI PV oraz wetor PRI RF WWS P N, np for 0 N, K for max ijmax, PV, PV (20) Kij Kij for Kij max for Kij max Funcja decyzyjna Kij służy do oceny stopnia podobieństwa i -tego wetora WS do j -tego wzorca znajdującego się w bazie danych 11. Schemat procesu identyfiacji wetora sygnałowego WS w Bazie Danych został doładnie opisany w pracy [3] Parametryzacja szybo-decyzyjnego algorytmu identyfiacji FdIA [3] W aspecie prac nad FdIA opracowałem również metodę trzy-stopniowej parametryzacji tego algorytmu (poprzez implementację trzech różnych sposobów wyznaczenia stopnia podobieństwa wetora WS z wzorcem w BD oraz oreślenie trzy-stopniowej wartości funcji decyzyjnej [3]. W wyniu tego opracowana i zaimplementowana Procedura FILRUJ sprawdzała fat zawierania się przedziału zmian częstotliwości nośnej (RF) oraz oresu powtarzania impulsów (PRI) wzorca radaru (w Bazie Danych) z zaresem zmian częstotliwości nośnej RF RF ) oraz oresu powtarzania impulsów ( min max ( min max PRI PRI ) wetora WS. Pozytywna wartość tych sprawdzeń (FILRUJ = true) upoważniała algorytm do oreślenia wartości funcji decyzyjnej K ij, (oreślającej stopień podobieństwa wetora WS do wzorca w Bazie Danych), a w onsewencji wyznaczenia wyniowego wetora WSS (po sprawdzeniu wszystich wzorców Bazy Danych), będącego wyniiem działania algorytmu. W celu parametryzacji wartości funcji decyzyjnej została również opracowana i zaimplementowana Procedura PORÓWNAJ. Procedura ta oreślała wartość funcji decyzyjnej K jao ocenę stopnia podobieństwa i -tego wetora WS do j -tego wzorca ij w BD na podstawie parametrów czasowych i częstotliwościowych zmierzonego sygnału. 11 WWS zawiera również dodatowe informacje dotyczące czasu wyrycia sygnału, czas zaniu sygnału, datę wyrycia, przeznaczenie radaru, rodzaj platformy, przynależność państwową oraz typ radaru, dla tórych funcja decyzyjna K max. Powyższe cechy wetora WWS mają szczególne znaczenie związane ij z operacyjnym wyorzystaniem uzysanych danych w celu budowania bazy wiedzy jao istotnego omponentu bazy danych dla systemów ELIN. Dane te nie zostały uwzględnione w zależności (20), bowiem nie stanowią głównego celu merytorycznego niniejszej metody identyfiacji. 29

30 W opracowanym algorytmie zastosowałem trzy różne warianty procedur realizujących ocenę stopnia podobieństwa i -tego wetora WS do j -tego wzorca w Bazie Danych, tj.: procedurę PORÓWNAJ _1, PORÓWNAJ_2 oraz PORÓWNAJ_3. Wartość funcji decyzyjnej w procedurze PORÓWNAJ_1 oreślona została na podstawie znormalizowanej sumy ważonych cząstowych ocen zgodności dopuszczalnych przedziałów zmian parametrów wetora WS i parametrów wzorca BD. Zdefiniowana liczba oreślająca taą samą wagę w ażdego parametru wetora WS uniemożliwiła ocenę wpływu parametru na procedurę identyfiacji. Aby wyeliminować dysfuncję procedury PORÓWNAJ_1 wprowadziłem procedurę PORÓWNAJ_2, będącą modyfiacją poprzedniej. Modyfiacja polegała na innym obliczaniu zgodności przedziałów zmian -tego parametru i -tego wetora z j -tym wzorcem Bazy Danych. Zgodność nie była oreślana binarnie ( 0 lub 1 ) lecz na podstawie stopnia zawierania się przedziałów zmian -tego parametru i -tego wetora z odpowiednim parametrem j -tego wzorca Bazy Danych. Wartość p tej zgodności wyznaczona została na podstawie wzorów (21 22), tóre uwzględniają stopień porywania się obu przedziałów (Rys. 23). Definiowana wartość p przyjmuje wartości z zaresu <0..1>. ij ij p 1 ij WS 3sigWS BD 3sigBD WS 3sigWS WS 3sigWS (21) p 2 ij BD 3sigBD WS 3sigWS WS 3sigWS WS 3sigWS (22) Przedział zmian -tego parametru wetora WS 1 p ij Przedział zmian -tego parametru wzorca BD Przedział zmian -tego parametru wetora WS 2 p ij Wartość parametru Rys. 23. Oreślanie zgodności p ij z uwzględnieniem stopnia porywania się przedziałów zmian parametru wetora WS i wzorca BD. Kolejnym roiem było opracowanie procedury PORÓWNAJ_3 będącej olejną modyfiacją procedur PORÓWNAJ_1 oraz PORÓWNAJ_2. Modyfiacja polegała na bardziej wyrafinowanym obliczaniu zgodności p przedziałów zmian -tego parametru i -tego ij wetora z j -tym wzorcem Bazy Danych. W tym przypadu, zgodność została oreślona numerem trzy-sigmowego przedziału zmian -tego parametru wzorca Bazy Danych, w tórym zawiera się -ty parametr wetora WS. Został on tratowany jao wielość puntowa. W zależności od numeru przedziału oraz wagi w, - temu parametrowi nadaje 30

31 się więszą ocenę zgodności, zgodnie ze wzorem (23). Sposób oreślania oceny zgodności K dla w 2 przedstawiony został na Rys. 24. ij w Kij (23) pij rzysigmowe przedziały zmian -tego parametru wzorca BD K ij=2, p ij=1, w = 2 K ij=1, p ij=2, w = 2 K ij=0.75 p ij=3, w = 2 Wartość parametru Wartość -tego parametru wetora WS Rys. 24. Ilustracja graficzna oreślania zgodności K ij Uzysane wynii procesu identyfiacji przy wyorzystaniu FdIA [3] Opracowany algorytm identyfiacji FdIA wyorzystałem w procesie SEI oraz doonałem oceny wyniów identyfiacji (a tym samym działania ww. algorytmu) na podstawie iluset rejestracji sygnałów radarowych pochodzących od ilunastu różnych typów radarów. W zbiorze tych rejestracji były również wetory WS pochodzące do ilu egzemplarzy tego samego typu radaru. Zaimplementowana do celów badawczych baza danych umożliwiła procedurę identyfiacji dla trzech różnych przypadów zaimplementowanej procedury PORÓWNAJ. W zależności od zastosowanej procedury PORÓWNAJ uzysano różne wartości funcji decyzyjnej Kij, oreślającej stopień podobieństwa wetora WS do wzorca w Bazie Danych. Wymieniona wyżej funcja decyzyjna przyjmuje wartości z zaresu <0..99>, gdzie wartość zero oznacza bra podobieństwa wetora WS ze wzorcem w Bazie Danych, natomiast wartość równa 99 oznacza całowite podobieństwo obu wetorów. W przypadu procedury PORÓWNAJ_1, tóra oreśla jednaowe znaczenie wszystich parametrów biorących udział w obliczaniu wartości funcji decyzyjnej K założono wagę w 1 i uzysano ocenę zgodności wetora WS z wzorcem wynoszącą 88 dla identyfiacji typów radarów oraz wartość równą 26 dla identyfiacji egzemplarzy tego samego typu radaru. W przypadu procedury PORÓWNAJ_2, tóra umożliwia definiowanie wielości wag poszczególnych paramentów wetora WS oraz płynny stopień porywania się przedziałów, założono stopień porywania się tych przedziałów p odpowiednio 0,3, 1,0 oraz 0,0. Dla wszystich parametrów czasowych przyjęto wartość wagi w równą 2, natomiast dla wszystich parametrów częstotliwościowych przyjęto wartość wagi w równą 3. W wyniu obliczeń uzysano wartość funcji decyzyjnej K równą 92 dla identyfiacji typów oraz wartość funcji decyzyjnej równą 47 dla identyfiacji egzemplarzy tego samego typu radaru. ij ij ij 31

32 Distance Distance Autoreferat Janusz Dudczy Załączni nr 2 W przypadu procedury PORÓWNAJ_3, tóra umożliwia oreślenie trzy-sigmowego przedziału zmian -tego parametru wzorca, w tórym zawiera się -ty parametr wetora WS, założono stopień porywania się przedziałów p równy odpowiednio 1,0, 2,0 oraz 3,0. Wartości wag zgodności Kij ij w dla wszystich parametrów były równe 2, natomiast wartości oceny były równe odpowiednio 0,75, 1,0 oraz 2,0. W procesie identyfiacji zysano wartość funcji decyzyjnej Kij równą 92 dla identyfiacji typów oraz wartość równą 63 dla identyfiacji egzemplarzy tego samego typu. Również w onsewencji działania algorytmu FdIA wyznaczyłem postaci wyniowych wetorów sygnałowych WWS, tóre utworzyły nowe reordy w bazie danych. Jest to bardzo cenna informacja o rozpoznawanych źródłach emisji, tóra w dalszym procesie optymalizacji tego algorytmu przyczyni się do usprawnienia procesu identyfiacji oraz zwięszenia efetywności działania samej bazy danych Zastosowanie algorytmu hierarchicznego grupowania danych oraz miar odległości w procesie SEI [7] Kolejnym zadaniem nauowo-badawczym było zastosowanie w rozpoznawaniu sygnałów radarowych algorytmu hierarchicznego grupowania danych HACA bazującego ma schemacie aglomeracyjnym bottom up (opisanego w pt ) w celu oceny stopnia jego przydatności i suteczności w procesie identyfiacji sygnałów radarowych. Zastosowany w procesie SEI ww. algorytm umożliwił otrzymanie dendrogramów grupowania hierarchicznego dla oresów powtarzania impulsów PRI. W wyniu zastosowania metody aglomeracyjnej bottom-up, początowo ażdy wetor pomiarowy PRI stanowił oddzielny laster (lasę), a w olejnych iteracjach lastry zostały łączone w więsze lastry, aż do momentu, iedy wszystie wartości PRI należały do jednego lastra. Dzięi temu strutura lasteryzacji została przedstawiona w postaci dendrogramów. Przyładowe zobrazowanie tego procesu zobrazowano na Rys. 25. Copy of Radar No Copy of Radar No dx = Clusters Clusters Rys. 25. Dendrogram grupowania hierarchicznego PRI (miara odległości Mahalanobisa, ryterium najbliższego sąsiada NNC). 32

33 Rysune 25 przedstawia dendrogram grupowania hierarchicznego dla zadanej miary odległości Mahalanobisa oraz ryterium minimalno-odległościowego NNC (ang. Nearest Neighbour Criterion), w tórym oreśliłem ilościowo odległość pomiędzy pierwszą parą dwóch lastrów (wyni lasteryzacji dx wynosi 0.104). Etyiety na osi x Rys. 25 odzwierciedlają początową ilość lastrów, a na osi y podobieństwo między grupami. Dzięi taiej prezentacji istnieje możliwość oceny liczby lastrów oraz możliwość analizy pojawienia się wetorów odstających PRI. W wyniu ww. podejścia uzysana została informacja o dystyntywnych cechach wetora podstawowych parametrów mierzalnych sygnału radarowego WS, w aspecie oresu powtarzania impulsów PRI. Wyorzystanie wyniu lasteryzacji dx umożliwiło rozszerzenie cech wetora o uzysane wartości lasteryzacji. Dzięi temu powstał dystyntywny wetor pomiarowy dla ażdego egzemplarza radaru Uzysane wynii procesu identyfiacji Uzysane wynii pomiarowe mają istotny wpływ na proces specyficznej identyfiacji sygnałów radarowych oraz źródeł ich emisji, rozumianej jao identyfiacji poszczególnych egzemplarzy. Przytoczone w niniejszym autoreferacie inne metody SEI, taie ja estracji cech fratalnych, czy metody bazujące na analizie modulacji między-impulsowej, zwięszają prawdopodobieństwo identyfiacji od 50 % do 70 %. W pracy [6] wyazano zwięszenie poziomu współczynnia poprawnej identyfiacji CIC z wartości CIC=0,169 do wartości CIC=0,916, natomiast w pracy [3] masymalna wartość poprawnej identyfiacji w zbiorze egzemplarzy radarów tego samego typu wynosi 63 %. Należy uznać, że jest to bardzo duży wzrost, ale stopień sompliowania tych metod oraz zastosowane algorytmy są złożone obliczeniowo, co powoduje, że czas identyfiacji ulega wydłużeniu. Prezentowana metoda hierarchicznego grupowania wartości PRI, bazująca na HACA zrealizowana została w oparciu o wyorzystanie paietu oprogramowania Matlab, a powstałe wetory cech zostały zapisane w dedyowanej do tego celu Bazie Danych systemu rozpoznania i identyfiacji ELIN Budowa metryi radaru w Bazie Danych systemu ELIN [3, 5] Na obecną chwilę bazy danych stanowią podstawowy element systemu rozpoznania radioeletronicznego. W nowoczesnym procesie projetowania BD na potrzeby ww. systemu rozpoznania, wyorzystuje się metody inżynierii informacji, np. modelowanie związów encji ERM (ang. Entity Relational Modelling). Aby sprostać nowoczesnym wymaganiom tatyczno-technicznym, system rozpoznania powinien zdobywać informacje z całego zaresu widma eletromagnetycznego oraz wyorzystywać narzędzia sztucznej inteligencji AI, tóre powinny być zaimplementowane podczas projetowania taiego systemu. Pragnę zwrócić uwagę na fat, iż opisywany proces projetowania bazy danych, następnie jej orelacja ze specyfią systemu ELIN, w tym metody tworzenia wzorca oraz minimalne obciążenie obliczeniowe, stanowią atualnie wyzwanie dla projetantów i badaczy tego obszaru i na obecną chwilę nie mają optymalnych rozwiązań. 33

34 Budowa metryi radaru w bazie danych [5] Aby wspomniane powyżej zadanie lasyfiacji i identyfiacji SEI mogło zostać przeprowadzone, onieczne jest oreślenie metryi radaru w przestrzeni cech oraz docelowo, zaprojetowanie wetorów wzorcowych w Bazie Danych wraz z uwzględnieniem specyfii taiej bazy danych dla systemów ELIN i wali eletronicznej. Wspomniana wyżej metrya wyorzystywana jest do obliczenia odległości wetora cech od oreślonej lasy. Opracowanie nowej metody budowy wzorca radaru (metryi) w bazie danych uwzględniającej cechy podstawowe sygnału radioloacyjnego oraz cechy dodatowe estrahowane z nowatorsich metod generacji cech dystyntywnych to główne zadanie jaie zostało przeze mnie podjęte. Zgromadzone w bazie danych informacje o poszczególnych typach radarów noszą nazwę metryi radaru. Metrya powinna zawierać wszystie możliwie dostępne informacje odnośnie wartości parametrów sygnału (mogą to być, np. dane atalogowe), charateru ich zmian, rodzajów pracy radaru, jego przeznaczenia, loalizacji, itp. Parametry te powinny mieć charater liczbowy, opisowy oraz graficzny. Zbiór parametrów tworzących ww. metryę radaru w BD można podzielić na podzbiory: parametrów technicznych (częstotliwość nośna, częstotliwość (ores) powtarzania impulsów, czas trwania impulsu, prędość obrotów anteny, szybość sanowania (przeszuiwania przestrzeni), polaryzacja promieniowanego sygnału, rodzaj modulacji częstotliwości, rodzaj przeszuiwania, szeroość wiązi antenowej), parametrów mocowych (moc szczytowa na wyjściu nadajnia, moc nadajnia, straty linii, zys ierunowy anteny, masymalna średnia moc promieniowania), parametrów opisujących typ sanowania (liczba linii poziomych w cylu przeszuiwania, liczba linii pionowych w cylu przeszuiwania, liczba wiąze antenowych, czas potrzebny wiązce antenowej na przebycie jednej linii poziomej, czas powrotu do początu linii, szeroość obszaru przeszuiwania w azymucie, szeroość obszaru przeszuiwania w elewacji), parametrów opisujących w sposób szczegółowy emitowane sygnały (parametry charateryzujące anały częstotliwościowe w obrębie danego rodzaju pracy, parametry opisujące zbocza impulsu, parametry opisujące flutuacje czasu powtarzania impulsów, parametry związane ze zmiennym rodzajem pracy, tzw. stagger, parametry związane z częstotliwością powtarzania paczi impulsów, parametry związane z modulacją czasu trwania impulsu, parametry opisujące typ modulacji częstotliwości, parametry opisujące typ modulacji fazy, parametry opisujące poszczególne wiązi antenowe). Na podstawie doonanych pomiarów sygnałów radarowych w wyniu wstępnego przetwarzania danych (p. pt 4.3.2, Rys. 2), oreśla się podstawowe strutury wetora PDW w postaci parametrów mierzalnych sygnału radarowego, tóre zapisywane są w poszczególnych reordach bazy danych [5]. Oprócz powyższego, nowoczesna strutura metryi radaru zawiera parametry systemu antenowego związanego z danym radarem, wśród tórych można wyróżnić typ anteny oraz setor obserwacji w azymucie i w elewacji. Dane te są szczególnie przydatne do opisu anten montowanych na samolotach. Bardzo istotnym elementem metryi radaru jest charaterystya systemu uzbrojenia lub rodzaj platformy, na tórej zainstalowany jest radar (nazwa uzbrojenia, typ uzbrojenia, nazwa platformy, typ platformy, numer identyfiacyjny platformy, raj na wyposażeniu tórego platforma się znajduje, dane charateryzujące w sposób doładny typ uzbrojenia lub platformy). Kolejnym, istotnym elementem, jai wchodzi w sład metryi radaru jest jego ategoria (przeznaczenie), wido oraz opis dodatowy (z reguły, informacje na temat ategorii radaru zapisane są za pomocą oznaczeń ustandaryzowanych zgodnych ze SANAG oraz Normami Obronnymi). Aby zapewnić poprawność i jednolitość stosowanej terminologii w omawianym obszarze, informacje zawarte w BD zostały znormalizowane zgodnie z oznaczeniami odowymi oraz 34

35 srótami według Normy Obronnej NO-02-A058. Opracowana metrya radaru została zobrazowana na Rys. 26 oraz z powodzeniem zaimplementowana w wybranym systemie rozpoznania radioeletronicznego. RADAR MERICS APPLIED O ELIN SYSEM BAABASE ERP ANENNA PULSE_GROUP_ PAERN MODE RF_MOS_OBSERVED VALUE RF_CHANNELS VALUE REP SP_MOS_OBSERVED _VALUE RF_BEAM_VALUES RF_AGILIY_OOK EMIER PD_MODULAION PD_PMOD PD_FMOD PRI_DWELL WEAPON_ALERNAE CRYSAL_RF PRI_SLIDING PLAFORM_LOCAION PRI_SAGGER PRF_PRI_MOS_OBSERV ED_VALUE SCAN PRI_PRF SEI_PAERN SCAN_RASER PRI_JIER SEI_FEAURE Rys. 26. Strutura metryi radaru w bazie danych systemu ELIN Adaptacja strutury podstawowych danych pomiarowych do budowy wzorca radaru w bazie danych [3, 5] Zgodnie z powyższym, podstawowym elementem tworzącym wetor danych w bazie danych jest strutura podstawowych danych pomiarowych (w postaci ablicy Danych Impulsowych) awizowanych przy pomocy urządzeń rejestrujących lasy EMS/ELIN jao danych do budowy metryi radaru w BD. Strutura tego wetora została przedstawiana w pracach [3, 5] oraz opisana w pt niniejszego autoreferatu. W wyniu dalszych przeształceń powstał wetor danych pomiarowych PDW do budowy metryi radaru w BD. 35

36 Pojęciowy model danych oraz proces jego normalizacji i ońcowa strutura relacyjna BD Powyższe zagadnienie dotyczyło opracowania pojęciowego modelu danych BD systemu ELIN w oparciu o modelowanie związów encji w postaci diagramu ERD, opracowania oraz wyonania optymalizacji pojęciowego modelu danych ERD do postaci 3NF 12 wraz z uwzględnieniem postaci BCNF 13 oraz opracowania fizycznego modelu danych BD systemu ELIN wraz z procesem jej implementacji w postaci strutury relacyjnej. Stworzenie strutury optymalnej bazy danych jest trudnym i sompliowanym zagadnieniem, tóre na dzień dzisiejszy można przybliżać tylo rozwiązaniami quasioptymalnymi. Każda baza danych jest omputerową reprezentacją fragmentu świata rzeczywistego. ym fragmentem świata rzeczywistego są urządzenia radarowe wraz z otaczającym ich środowisiem pola wali. W opisywanym onteście wyróżnia się dwa podstawowe rodzaje modeli, tj.: modele onceptualne oraz implementacyjne. Model onceptualny umożliwia reprezentowanie obietów w uniwersalnym modelu niezależnym od modelu implementacyjnego. Wśród modeli onceptualnych najpopularniejszym jest model związów encji oraz model UML. Model implementacyjny wyorzystywany jest na etapie implementacji systemu bazy danych i odzwierciedla on model onceptualny w onretną struturę danych. Wśród modeli danych najpopularniejszymi obecnie są: relacyjny, obietowy, obietowo-relacyjny i semi-struturalny. Ja wspomniano, jednym z fundamentalnych i nowoczesnych modeli onceptualnych, wyorzystywanym w projetowaniu relacyjnych baz danych jest model związów encji ERM. W modelu tym, obiety świata rzeczywistego są reprezentowane za pomocą encji (ang. entities), a powiązania między obietami za pomocą związów pomiędzy encjami (ang. relationships). Systemy CASE 14, tóre wspierają tworzenia tych diagramów, mogą na ich podstawie automatycznie tworzyć bazy danych odpowiadające relacjom na diagramie. Zastosowana przeze mnie metoda modelowania związów encji stanowi punt wyjścia do zbudowania systemu bazy danych dla współczesnych systemów rozpoznania i wali eletronicznej. System tai będzie odzwierciedlał doładny model potrzeb, w celu zwięszenia możliwości identyfiacyjnych systemów rozpoznania radioeletronicznego. Główne znaczenie w ww. procesie odgrywa pojęciowy model danych. Właściwe opracowanie tego modelu pozbawia BD redundancji oraz dostarcza model, tóry jest niezależny od sposobu przechowywania i organizacji danych. Wyboru sposobu zorganizowania informacji w BD doonuje się na drugim etapie procesu projetowania, tj. na etapie modelu logicznego, dzięi czemu model pojęciowy w postaci diagramu związów encji może zostać zaimplementowany w postaci hierarchicznej, relacyjnej bądź sieciowej. Projetowanie taie jest bardzo orzystne, bowiem umożliwia dowolną organizację danych w olejnym etapie projetu. 12 3NF (ang. hird Normal Form) to 3 postać normalna danych, w tórej dana relacja r o schemacie R jest w 3NF, jeżeli dla ażdej zależności funcyjnej X A w R spełniony jest jeden z następujących warunów: X jest nadluczem schematu R lub A jest atrybutem podstawowym schematu R. 13 BNCF - (ang. Boyce-Codd Normal Form) to postać normalna Boyce a Codda, w tórej dana relacja r o schemacie R jest w postaci normalnej BCNF, jeżeli dla ażdej zależności funcyjnej X A w R spełniony jest następujący warune: X jest nadluczem schematu R. 14 CASE (ang. Computer-Aided Software Engineering, Computer-Aided Systems Engineering) to oprogramowanie używane do omputerowego wspomagania projetowania oprogramowania. 36

37 Rys. 27. Fragment strutury EDR w notacji Barera bazy danych systemu rozpoznania i identyfiacji ELIN postać nieznormalizowana (UNF). Istotnym elementem, w czasie projetowania quasi-optymalnej strutury bazy danych jest przeprowadzenie procesu normalizacji danych. W teorii projetowania BD, proces normalizacji polega na deompozycji schematów relacji na relacje o mniejszym stopniu 15 w celu eliminacji redundancji danych oraz anomalii związanych z atualizacją, wprowadzaniem i usuwaniem danych z bazy danych w procesie tzw. operacji zleceń. Puntem wyjścia procesu normalizacji jest informacja o zależnościach funcyjnych występujących w relacjach, natomiast zależność funcyjna oreśla zależności pomiędzy atrybutami relacji. Przyładowy fragment nieznormalizowanej strutury ERD w notacji Barera, został przedstawiony na Rys. 27. W procesie normalizacji jaą przeprowadziłem, atrybuty encji uzysały postać atomową (1NF), ażdy nieluczowy atrybut był zależny od wszystich części lucza głównego (2NF) oraz żaden atrybut nie będący luczem nie był funcjonalnie związany żadnym innym atrybutem również nie będącym luczem (3NF). Aby dodatowo spełnić warune dostateczny 3NF, opracowując model ERD zapewniłem dla ażdej zależności funcyjnej spełnienie warunu postaci normalnej Boyce a-codda. Poprzez ww. podejście do procesu projetowania bazy danych można stwierdzić, iż uzysana strutura BD jest optymalna, przyjmując jao ryterium optymalizacji dobór i tworzenie 15 Jeśli schemat relacji R oznaczony zostanie przez R(A 1,A 2,..,A n) będzie sładał się z nazwy relacji R oraz listy atrybutów A 1,A 2,..,A n, to liczba tych atrybutów sładających się na schemat relacji R stanowi stopień relacji. 37

38 metryi radaru w bazie oraz uzysaną postać normalną danych (BCNF), tórą w tej dziedzinie uznaje się za wystarczającą do dalszego procesu tworzenia modelu implementacyjnego. Rys. 28. Przyład opracowanej bazy danych dla systemu rozpoznania i identyfiacji systemu ELIN - zobrazowanie ona apliacji. W procesie modelowania danych zastosowałem ERD (ERM) w notacji Barera 16, a opracowany model związów encji dla bazy danych systemu ELIN został przedstawiony w dodatowych pracach 1-6 na str. 40 niniejszego autoreferatu. Ostatnim etapem procesu opracowania BD był proces implementacji. Przyładowe zobrazowanie ona edycyjnego bazy danych znajduje się na Rys. 28, gdzie w interfejsie graficznym BD znajduje się opis radaru, parametry sygnału, sterowanie, tabela zmienna BD oraz tabela stała Baza Danych Uzysane wynii [3] Opracowana i zaimplementowana BD została przeze mnie wyorzystana w procesie identyfiacji radarów przy uwzględnieniu nowatorsich metod generacji cech dystyntywnych. Opracowany i zaimplementowany szybo-decyzyjny algorytm identyfiacji 16 Notacja Barera (notacja Oracle) została opracowana o r. przez zespół, tóry tworzyli Richard Barer, Ian Palmer oraz Harry Ellis i używana jest w modelowaniu ERD. 38

39 FdIA został wyorzystany w procesie SEI dla iluset wetorów sygnałowych pochodzących od ilunastu egzemplarzy radarów tego samego typu. Opracowany i zaimplementowany FdIA umożliwia budowanie bazy wiedzy esperciej, tóra jest integralną częścią Bazy Danych. Dzięi temu minimalizowana jest ilość decyzji niejednoznacznych w procesie rozpoznawania źródeł emisji. Również w onsewencji działania algorytmu FdIA obliczone zostały postaci wyniowych wetorów sygnałowych, tóre utworzyły nowe reordy w bazie danych. W wyniu procesu identyfiacji SEI oraz w oparciu o zaimplementowaną struturę BD uzysano szereg statysty, tóre przedstawiono na Rys. 29 i 30. Przyładowe statystyi umożliwiają zobrazowanie rozładu wetorów sygnałowych w podpasmach częstotliwości oraz stabilność parametrów w czasie, procentowy udziału sygnałów poszczególnych pasm częstotliwości (UHF, L, S, C, X i Ku) wśród sygnałów znajdujących się w BD. Rys. 29. Przyład statystyi zobrazowania rozładu wetorów pomiarowych w podpasmach częstotliwości (UHF, L, S, C, X i Ku) wśród sygnałów znajdujących się w BD. Rys. 30. Przyład statystyi zobrazowania stabilność parametrów w czasie dla delarowanych parametrów wyresu. Projetowaniem onceptualnych oraz implementacyjnych modeli danych w postaci strutur relacyjnych zajmuję się od przeszło 20 lat. W tym celu odbyłem cyl zajęć na 39