Istotność procesu normalizacji danych w kontekście przetwarzania danych rozpoznawania radiolelektronicznego z zastosowaniem algorytmów klasyfikacji

• Autorzy: Mazur Piotr , Olszewski Jakub , Rybak Łukasz , Dudczyk Janusz

Identyfikatory

DOI

10.15199/59.2025.3.2

Warianty tytułu

EN

Relevance of data normalization proces in the context of radio reconnaissance data processing using classification algorithms

• Języki publikacji: PL

Abstrakty

PL

W ramach artykułu, autorzy skupili się na istotności procesu normalizacji w odniesieniu do klasyfikacji sygnałów impulsowych przy wykorzystaniu algorytmów klasyfikacji. W ramach pracy zastosowana została metoda normalizacji, polegająca na zrzutowaniu zakresów poszczególnych cech na obustronnie domknięty przedział liczb rzeczywistych od wartości minimalnej 0 i wartości maksymalnej 1. W rozdziale pierwszym, autorzy przystąpili do syntetycznego wprowadzenia do wiodącej tematyki artykułu. W ramach rozdziału drugiego dokonano przeglądu literatury w kwestii poruszanej problematyki, zawierającej istotność normalizacji oraz opis wykorzystanych algorytmów klasyfikacji, którymi były: maszyna wektorów nośnych, algorytm najbliższych sąsiadów oraz technika klasyfikacji i ekstrakcji cech LDA. W rozdziale trzecim dokonano opisu wykonanych badań, włącznie z charakterystyką parametryzacji wykorzystanych algorytmów sztucznej inteligencji. Uzyskane wyniki badań zostały zestawione w rozdziale czwartym. Rozdział piąty stanowi podsumowanie pracy oraz uwzględnienie potencjalnych możliwości rozwoju. Zastosowanie mechanizmu normalizacji wykazało jego zróżnicowany wpływ na rezultaty klasyfikacji danych przy wykorzystaniu różnych algorytmów uczenia nadzorowanego. Dzięki normalizacji, cechy opisujące impuls elektromagnetyczny, traktowane są równorzędnie.

EN

Within the framework of the paper, the authors focused on the relevance of the normalization process in relation to the classification of pulse signals using classification algorithms. Within the framework of the paper, the normalization method , which consists in dropping the ranges of individual features into a two-sided closed interval of real numbers from a minimum value of 0 and a maximum value of 1. Within the first chapter, the authors proceeded with a synthetic introduction to the leading topic of the article. Chapter two included a literature review of the issue addressed, including the relevance of normalization and a description of the classification algorithms used, which were the support vector machine, the nearest neighbor algorithm and the LDA feature classification and extraction technique. The third chapter describes the research performed, including the parameterization characteristics of the artificial intelligence algorithms used. The obtained research results are summarized in Chapter Four. Chapter five summarizes the work and considers potential opportunities for development. The application of the normalization mechanism showed its differential impact on the results of data classification using different supervised learning algorithms. Thanks to normalization, the features describing the electromagnetic pulse are treated equally.

Słowa kluczowe

PL

normalizacja; ELINT; SVM; KNN; LDA

EN

normalization; ELINT; SVM; KNN; LDA

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2025
• Tom: nr 3
• Strony: 10--15
• Opis fizyczny: Bibliogr. 14 poz., rys., tab.

Twórcy

autor

Mazur Piotr

• Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego, Warszawa

autor

Olszewski Jakub

• Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego, Warszawa

autor

Rybak Łukasz

• Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego, Warszawa

autor

Dudczyk Janusz

• Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego, Warszawa

Bibliografia

• [1] P. J. Muhammad Ali, „Investigating the Impact of Min-Max Data Normalizationon the Regression Performance of K-Nearest Neighborwith Different Similarity Measurements,” ARO -THE SCIENTI FIC JOURN AL OF KOY A UNI VERSITY , pp. 85-91, Czerwiec 2022.
• [2] N. Singh i P. Singh, „Exploring the effect of normalization on medical data classification,” w 2021 International Conference on Artificial Intelligence and Machine Vision (AIM V), Gandhinagar, 2021.
• [3] R. Bareth i A. Yadav, „An Impact Investigation of Data Normalization Methods on Load Forecasting with ANN Model,” w 2024 IEEE 21st India Council International Conference (INDICON ), Kharagpur, 2024.
• [4] Zhang, Yingmin i S. Li, „The Method of Intelligent Extracting of Abnormal Data Under Computer Data Mining Technology,” w 2023 3rd International Symposium on Computer Technology and Information Science (ISCTIS ), Chengdu, 2023.
• [5] S. Naruisha i G. F. Shidik, „Evaluation of Normalization in Fake Fingerprint Detection with Heterogeneous Sensor,” w 2018 International Seminar on Application for Technology of Information and Communication, Semarang, 2018.
• [6] Y. Chen, Q. Mao, B. Wang, P. Duan, B. Zhang i Z. Hong, „Privacy- Preserving Multi-Class Support Vector Machine Model on Medical Diagnosis,” IEEE Journal of Biomedical and Health Informatics, tom 26, nr 7, pp. 3342-3353, 2022.
• [7] A. Galih, T. A. Pascal, I. Dwi, B. Bestari Arif i J. Wildan, „Classification Based on the Support Vector Machine for Determining Operational Targets for Controlling Electricity Usage With Conventional Meters: A Case Study of Industrial and Business Tariff Customers From PT PLN (Persero) Indonesia,” Classification Based on the Support Vector Machine for Determining Operational Targets for Controlling Electricity Usage With Conventional Meters: A Case Study of Industrial and Business Tariff Customers From PT PLN (Persero) Indonesia, tom 13, pp. 12388-12398, 2025.
• [8] J. P. Jose, P. Poornima i K. M. Kumar, „A novel method for color face recognition using KNN classifier,” w 2012 International Conference on Computing, Communication and Applications, Dingidul, 2012.
• [9] Z. Yuan, X. Wang, F. Chen i X. Ma, „Improved K-Means Algorithm for Nearby Target Localization,” IEEE Access, tom 13, pp. 14872- 14880, 2024.
• [10] X. Liu i M. Zhao, „Linear Discriminant Analysis-Based Random Features for Kernel Machines,” w 2018 3rd International Conference on Mechanical, Control and Computer Engineering (ICMCCE ), Huhhot, 2018.
• [11] Y. Zhang, X. Chen, M. Feng i J. Liu, „Distributed Sparse Manifold- Constrained OptimizationAlgorithm in Linear Discriminant Analysis,” Journal of Imaging, 13 Marzec 2025.
• [12] F. Ye, Z. Shi i Z. Shi, „A Comparative Study of PCA, LDA and Kernel LDA for Image Classification,” w 2009 International Symposium on Ubiquitous Virtual Reality, Guangju, 2009.
• [13] F. Pedregosa, et. al., „A Brief Review of Nearest Neighbor Algorithm for Learning and Classification,” 2019 International Conference on Intelligent Computing and Control Systems (ICCS ), pp. 1255-1260, 2019.
• [14] J. Dudczyk i A. Kawalec, „Wykorzystanie cech fraktalnych ekstrahowanych z sygnałów radarowych w procesie specyficznej identyfikacji,” Przegląd Elektrotechniczny, pp. 212-215, 2014.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki (2025).