17581

1911 دكتري

دكتري

مخابرات سيستم

اصفهان : دانشگاه صنعتي اصفهان

1400

چهارده، 89 ص.: مصور، جدول، نمودار

محمد رضا تابان

محمد مهدي نقش، سعيد گازر

مجتبي بهشتي، احسان يزديان، عباس شيخي

1401/02/31

كتابنامه

برق

مهندسي برق و كامپيوتر

1401/03/04

2832204

چكيده با پيشرفت تكنولوژي در ابزارهاي اندازه‌گيري و ذخيره‌سازي، در حوزه‌هاي مختلفي نظير پزشكي، زمينه‌هاي مالي و علوم مهندسي با حجم زيادي از داده روبرو هستيم. بسياري از الگوريتم‌هاي پردازشي بر روي داده‌ها با فرض عدم حضور ناهمگني توسعه‌يافته‌اند و حضور داده‌هاي پرت اثر نامطلوب زيادي بر عملكرد آن‌ها دارد. از اين رو شناسايي يا كاهش اثر داده‌هاي پرت در بسياري از زمينه‌هاي تحقيقاتي از اهميت ويژه‌اي برخوردار است. در آشكارساز با ساختار پنجره لغزنده معمولاً فرض بر اين است كه داده‌هاي ثانويه داراي آماره‌اي يكسان با مؤلفه‌ي كلاتر در داده‌هاي تحت آزمون باشند؛ در اين صورت داده‌ها را همگن مي‌نامند. فرض همگن بودن داده‌هاي ثانويه در عمل در صورت وجود داده‌هاي پرت نظير لبه‌ي كلاتر، اهداف تداخلي و يا پارازيت در بين داده‌هاي ثانويه معتبر نيست و عملكرد آشكارسازي كه با اين فرض فرمول‌بندي شده است به‌شدت كاهش مي‌يابد. در گام اول اين پژوهش به‌جاي تلاش در يافتن تعداد سلول‌هاي شامل داده‌هاي پرت و حذف آن‌ها برخلاف روش‌هاي مرسوم، بدون اضافه كردن پيچيدگي محاسباتي سعي در كاهش اثر نامطلوب داده‌هاي پرت شده است. به اين منظور از ميانگين هارمونيكي به‌جاي ميانگين حسابي مرسوم استفاده شده است. ميانگين هارمونيكي ذاتاً نسبت به داده‌هاي پرت با دامنه زياد مقاوم است. سپس احتمال آشكارسازي و هشدار غلط آشكارساز پيشنهادي به‌صورت تئوري و شبيه‌سازي بررسي شده است. با استفاده از داده‌هاي شبيه‌سازي و تصاوير اندازه‌گيري شده SAR برتري آشكارساز پيشنهادي نسبت به ساير رقبا نشان داده شده است. ازنظر پيچيدگي پياده‌سازي و محاسباتي نيز روش پيشنهادي نسبت به ساير روش‌هاي شناخته شده در جايگاه خوبي قرار مي‌گيرد. در گام دوم اين پژوهش حذف داده‌هاي پرت از پنجره مرجع در حالت برداري بررسي شده است. الگوريتم‌هاي حذف داده‌هاي پرت به‌عنوان پيش‌پردازش بر روي داده‌ها اعمال مي‌گردند؛ سپس خروجي آن كه شامل همگن‌ترين دسته از داده‌هاي ثانويه است به‌عنوان ورودي براي ساير الگوريتم‌هاي پردازشي استفاده مي‌شود. پيش‌پردازش داده‌ها براي حذف دادهاي پرت در بسياري از كاربردها نظير سيستم‌هاي رادار، داده‌هاي مالي، داده‌هاي پزشكي و ... قابل استفاده است. در اين پژوهش با استفاده از معيار ML و با فرض توزيع CES براي بردارهاي داده‌هاي ثانويه، الگوريتم حذف داده‌هاي پرت فرمول‌بندي شده است. حل بهينه تابع هدف معرفي شده داراي بار محاسباتي بالايي است؛ از اين رو الگوريتم زير بهينه‌اي مبتني بر تكرار با زمان محاسبات كم و دقت مطلوبي ارائه شده است. الگوريتم معرفي شده در حالت خاص و براي داده‌هايي با توزيع گوسي معادل الگوريتم شناخته‌شده‌ي FMCD براي حذف داده‌هاي پرت است. بررسي‌هاي دقيق نشان داده‌اند كه روش‌هاي پيشنهادي در مقايسه با ساير روش‌هاي مطرح به‌ويژه در محيط‌هاي غير گوسي از نظر سرعت و دقت، عملكرد بهتري دارند. كلمات كليدي: حذف داده‌هاي پرت، داده‌هاي ثانويه ناهمگن، اهداف تداخلي، آشكارساز CFAR، توزيع‌هاي CES، تصاوير SAR.

Abstract With the advancement of technology in measurement and storage devices, we face a large amount of data in various fields such as medicine, finance, and engineering. The presence of outliers has a challenging adverse effect on the performance of many processing algorithms. Therefore, identifying or reducing the effect of outliers is of particular importance in many areas of research. In the first step of this thesis, the presence of outliers in the sliding window detectors is considered. Conventional methods remove outliers by censoring and truncation. In contrast, we propose a detector that softly reduces the adverse effect of outliers without adding computational complexity. The superiority of the proposed detector is shown by simulations and real Synthetic Aperture Radar (SAR) images. In the second step of this thesis, the problem of censoring outliers from the secondary data is investigated. The censoring outliers algorithm is formulated using the Maximum Likelihood (ML) and under Complex Elliptically Symmetric (CES) distribution. The optimal solution of the proposed objective function has a high computational load; therefore, a sub-optimal solution based on iteration with low computational time and good accuracy is proposed. The proposed algorithm is equivalent to a well-known Fast Minimum Covariance Determinant (FMCD) algorithm in a special case and under Gaussian assumption. The simulation results show that the proposed methods outperform other well-known methods in speed and accuracy, especially in non-Gaussian environments. Keywords: Censoring Outliers, Heterogeneous secondary data, Interfering Target, CFAR Detector, CES Distributions, SAR Images.

محمد رضا تابان

محمد مهدي نقش، سعيد گازر

مجتبي بهشتي، احسان يزديان، عباس شيخي