آمار

تعداد نشریات36
تعداد شماره‌ها1,218
تعداد مقالات8,812
تعداد مشاهده مقاله7,428,088
تعداد دریافت فایل اصل مقاله4,360,232
ابراهیم زاده, عطاالله, آخوندی درزیکلایی, محمد. (1395). تخمین پارامترهای مدل K کلاتر رادار با استفاده از الگوریتم جستجوی گرانشی. پدافند الکترونیکی و سایبری, 4(3), 55-65.
عطاالله ابراهیم زاده; محمد آخوندی درزیکلایی. "تخمین پارامترهای مدل K کلاتر رادار با استفاده از الگوریتم جستجوی گرانشی". پدافند الکترونیکی و سایبری, 4, 3, 1395, 55-65.
ابراهیم زاده, عطاالله, آخوندی درزیکلایی, محمد. (1395). 'تخمین پارامترهای مدل K کلاتر رادار با استفاده از الگوریتم جستجوی گرانشی', پدافند الکترونیکی و سایبری, 4(3), pp. 55-65.
ابراهیم زاده, عطاالله, آخوندی درزیکلایی, محمد. تخمین پارامترهای مدل K کلاتر رادار با استفاده از الگوریتم جستجوی گرانشی. پدافند الکترونیکی و سایبری, 1395; 4(3): 55-65.

تخمین پارامترهای مدل K کلاتر رادار با استفاده از الگوریتم جستجوی گرانشی

رادار
مقاله 4، دوره 4، شماره 3، آبان 1395، صفحه 55-65    اصل مقاله (1.05 M)
نوع مقاله: مقاله پژوهشی
نویسندگان
عطاالله ابراهیم زاده* 1؛ محمد آخوندی درزیکلایی2
1صنعتی نوشیروانی
2دانشگاه صنعتی نوشیروانی بابل
تاریخ دریافت: 24 آبان 1394،  تاریخ بازنگری: 02 بهمن 1402،  تاریخ پذیرش: 28 شهریور 1397 
چکیده
تخمین پارامترهای مدل‌ آماری کلاتر، مسأله‌ای مهم در زمینه مدل‌سازی، شبیه‌سازی، طبقه‌بندی و شناسایی کلاتر رادار می‌باشد. کلاتر رادار، ذاتاً دارای ماهیت تصادفی است، بنابراین عموماً از توزیع‌های آماری برای توصیف بهتر ویژگی‌های کلاتر رادار استفاده می‌شود. توزیع K یکی از مدل‌های رایج برای توصیف کلاتر است که دارای دو مؤلفه اسپیکل و توان محلی می‌باشد. این توزیع دارای دو پارامتر مقیاس و شکل می‌باشد و به دلیل آن‌که مؤلفه‌‌های آن توسط توزیع گاما مدل‌سازی می‌شوند، مسأله تخمین پارامتر‌های توزیع K مسأله‌ای چند بعدی، غیرخطی و پیچیده است. در این مقاله، روش جدیدی مبتنی بر الگوریتم جستجوی گرانشی جهت تخمین پارامتر‌های توزیع K پیشنهاد شده است. روش پیشنهادی دارای دقت بسیار بالا در تخمین پارامتر‌های این نوع کلاتر می‌باشد. برای ارزیابی دقیق روش پیشنهادی این مقاله، تابع توزیع احتمال و تابع چگالی طیف توان کلاتر با پارامتر‌های تخمین زده در دو آزمایش مختلف مورد ارزیابی قرار گرفتند. هم‌چنین از تست کولموگروف-اسمیرنوف نیز برای تعیین میزان دقت کلاتر تولیدی استفاده گردید. نتایج شبیه‌سازی و ارزیابی، کارآمدی روش پیشنهادی برای تخمین پارامتر‌های توزیع K را به وضوح تصدیق می‌کنند.
کلیدواژه‌ها
الگوریتم جستجوی گرانشی؛ تخمین پارامتر؛ توزیع آماری K؛ کلاتر رادار؛ تست کولموگروف- اسمیرنوف
عنوان مقاله [English]
Parameter Estimation of K Distribution Radar Clutter with the Gravity Searching Algorithm
نویسندگان [English]
Ataollah Ebrahim Zadeh1؛ Mohammad Akhondi2
چکیده [English]
Parameter estimation is an important task in the modeling, classification, and detection of radar
clutters. Radar clutters have stochastic characteristics. Therefore, Statistical distributions are
usually used to describe the features of clutters better. K distribution is one of the most common
models utilized to the simulation of clutters. This distribution, which consists of scale and shape
parameters, has two speckle and local power components. Because local power component is
modeled by gamma distribution, the parameter estimation of K distribution is a high
dimensional and nonlinear problem. In this paper, a novel method is proposed based on the
gravity searching algorithm for the parameter estimation. This new method has high accuracy
and validity in estimating parameters. For the evaluation of the proposed method, the estimated
probability density function and power spectrum in two different experiments were compared to
actual ones. Finally, the results of the new method are compared to the results of the maximum
likelihood method. Furthermore, K-S test is performed to evaluate generated clutters with
estimated parameters. Results prove the validity of the proposed method for the parameter
estimation.
کلیدواژه‌ها [English]
Gravity Searching Algorithm, K distribution, Parameter Estimation, Radar Clutter, K-S Test
مراجع
  1. G. Li, B. Yu, “Modelling And Simulation Of Coherent Weibull Clutter,” IEEE Proceedings of Radar and Signal Processing, vol. 136, no.3, pp. 2–12, 1989.
  2. B. Wang, J. Wang, D. Wang, J. Zhang, “Clutter Modeling and Analysis Based On ZMNL Method,” Journal of Theoretical and Applied Information Technology, vol. 45, no. 2, pp.3-20, 2012.
  3. K. D. Ward, R. J. A. Tough, S.Watts, “Sea Clutter: Scattering, the K Distribution and Radar Performance,” Waves in Random and Complex Media, vol. 17, no. 2, pp.233–234, 2007.
  4. T.K. Moon, W.C. Stirling, “Mathematical Methods and Algorithm for Signal Processing”, Prentice-Hall, 2000.
  5. I. R. Joughin, D. B. Percival, D. P. Winebrenner, “Maximum Likelihood Estimation of K Distribution Parameters for SAR data,” Geoscience and Remote Sensing, IEEE Transactions on, vol. 31, no. 5, pp. 989–999, 1993.
  6. F. Gini, M. Montanari, L. Verrazzani, “Maximum likelihood, ESPRIT, and Periodogram Frequency Estimation of Radar Signals in K-distributed Clutter,” Signal processing, vol. 80, no. 6, pp. 1115–1126, 2000.
  7. R. S. Raghavan, “A Method for Estimating Parameters of K-distributed Clutter,” Aerospace and Electronic Systems, IEEE Transactions on, vol. 27, no. 2, pp. 238–246, 1991.
  8. A. Davari, M. H. Marhaban, S. B. M. Noor, M. Karimadini, A. Karimoddini, “Parameter Estimation of K-distributed Sea Clutter Based on Fuzzy Inference and Gustafson–Kessel Clustering,” Fuzzy Sets and Systems, vol. 163, no. 1, pp. 45–53, 2011.
  9. M. H. Marhaban, “Estimation of K–Distributed Clutter by Using Characteristic Function Method,”Journal Technology, Vol. 48, No. 1, pp. 29–40, 2012.
  10. S.Q. Ren, Y.X. Liu, X. Li, Z.W. Zhuang, “Parameters Estimation for Generalized K-Distributed Clutter Model,” Acta Electronica Sinica, vol. 34, no. 12, pp.2265-2278, 2006.
  11. M. P. Wachowiak, R. Smolikova, J. M. Zurada, A. S. Elmaghraby, “Estimation of K Distribution Parameters Using Neural Networks,” IEEE Transactions on Biomedical Engineering, vol. 49, no. 6, pp. 617–620, 2002.
  12. D. R. Iskander, A. M. Zoubir, B. Boashash, “A Method for Estimating the Parameters of the K-Distribution,” IEEE Transactions on Signal Processing, vol. 47, no. 4, pp. 1147–1151, 1999.
  13. D. Blacknell and R. J. A. Tough, “Parameter Estimation for the K-distribution Based on [z log (z)],” IEEE Proceedings-Radar, Sonar and Navigation, vol. 148, No. 6, pp. 309–312, 2001.
  14. E. Rashedi, H. Nezamabadi-Pour, S. Saryazdi, “GSA: a Gravitational Search Algorithm,” Information sciences, vol. 179, no. 13, pp. 2232–2248, 2009.
  15. H. Yanhui, L. Feng, Z. Baobao, W. Shunjun, “Simulation of Coherent Correlation K-distribution Sea Clutter Based on SIRP,” CIE. Of the Int. Conf. on Radar, 2006, pp. 1–4.
  16. A. Papoulis,” Probability, Random Variables and Stochastic Processes“, McGraw-Hill Inc, pp. 272, Second Edition, 1991.
  17. L. Yunlong, X. Chao, Z. Hongzhong, F. Qiang, “Modeling and Simulation of Correlated K-Distributed Sea Clutter Based on ZMNL,” in Proc. of the Int. Conf. on Signal Processing Systems (ICSPS), 2011.
  18. J. Ward, D. Keith, S. Watts, R.Tough, “Sea Clutter: Scattering, the K Distribution and Radar Performance,” IET, vol. 20, pp 20-26, 2006.
آمار
تعداد مشاهده مقاله: 460
تعداد دریافت فایل اصل مقاله: 171