Właściwości algorytmu hipergeometrycznego podziału cząstki danych w aspekcie przetwarzania danych wywiadu elektronicznego

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

Identyfikatory

DOI

10.15199/59.2025.3.3

Warianty tytułu

EN

Properties of the hypergeometric algorithm of data particle division in the aspect of electronic intelligence processing

• Języki publikacji: PL

Abstrakty

PL

Celem artykułu było określenie właściwości algorytmu hipergeometrycznego podziału cząstki danych pod kątem skuteczności oraz czasu realizacji procesu klasyfikacji. W eksperymentach wykorzystano znormalizowany, trójwymiarowy zbiór danych opisujący trzy atrybuty impulsów sygnałów radarowych pochodzących z trzech emiterów różnego typu. Dla opisywanej, trójwymiarowej przestrzeni cech, dokonana została metoda walidacji krzyżowej w wariancie sprawdzenia prostego, pozwalająca na utworzenie dwóch podzbiorów wykorzystywanych przy klasyfikacji: zbioru treningowego oraz zbioru testowego. Przeprowadzone badania wykazały istotny wpływ poziomu głębokości podziału d na skuteczność klasyfikacji oraz czas jej realizacji, co zostało przedstawione w postaci danych tabelarycznych oraz zobrazowań ukazujących rezultaty eksperymentów. Otrzymane wyniki wykazały, że algorytm hipergeometrycznego podziału cząstki danych jest w stanie ze skutecznością na poziomie 97% klasyfikować impulsy pochodzące z trzech źródeł emisji radarowej, co potwierdza zasadność jego wykorzystania w aspekcie przetwarzania danych wywiadu elektronicznego.

EN

The purpose of this paper was to determine the properties of the hypergeometric data particle partitioning algorithm in terms of efficiency and execution time of the classification process. The experiments used a normalized threedimensional dataset describing three attributes of radar signal pulses coming from three emitters of different types. For the described three-dimensional feature space, a cross-validation method of the simple check variant was performed, allowing the creation of two subsets used for classification: a training set and a test set. The conducted research showed a significant influence of the level of subdivision depth d on the effectiveness of classification and its execution time, which was presented in the form of tabular data and images showing the results of experiments. The results obtained showed that the hypergeometric data particle partitioning algorithm can classify pulses from three radar emission sources with 97% efficiency, which confirms the validity of its use in the aspect of electronic intelligence processing.

Słowa kluczowe

PL

algorytm; radar; ELINT

EN

algorithm; radar; ELINT

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2025
• Tom: nr 3
• Strony: 16--21
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Olszewski Jakub

• Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego, Warszawa

autor

Mazur Piotr

• 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] M. Haenlein i A. Kaplan, „A Brief History of Artificial Intelligence: On the Past, Present, and Future of Artificial Intelligence,” California Management Review, p. 000812561986492, 2019.
• [2] Ł. Rybak, „Rozprawa doktorska - Geometryczny podział cząstki danych w klasyfikacji wielowymiarowych zbiorów danych,” Luty, 2022.
• [3] Ł. Rybak i J. Dudczyk, „A Geometrical Divide of Data Particle in Gravitational Classification of Moons and Circles Data Sets,” Entropy, tom 22, p. 108, 2020.
• [4] L. Peng, Y. Chen, B. Yang i Z. Chen, „A Novel Classification Method Based on Data Gravitation,” w Neural Networks and Brain, 2005.
• [5] R. Wiley, Electronic Inteligence: The interception of radar signals, Nonwood MA: Artech House, Inc., 1985.
• [6] C. Tao, L. Yuning, G. Limin i L. Yu, „A novel deinterleaving method for radar pulse trains using pulse,” IET Radar, Sonar & Navigation, 2023.
• [7] Ł. Rybak i J. Dudczyk, „Application of Data Particle Geometrical Divide Algorithms in the Process of Radar Signal Recognition,” Sensors, tom 23, p. 8183, 2023.
• [8] Ł. Rybak i J. Dudczyk, „Właściwości algorytmu hipergeometrycznego podziału czastki danych w zaawansowaym rozpoznawaniu sygnałów radarowych,” w XIII Konferencja Naukowo-techniczna „Systemy rozpoznania i walki radioelektronicznej” KNTWRE, 2024.
• [9] Ł. Rybak i J. Dudczyk, „Variant of Data Particle Geometrical Divide for Imbalanced Data Sets Classification by the Example of Occupancy Detection,” Appl. Sci., tom 11, p. 4970, 2021.
• [10] K. Taunk 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.
• [11] Ł. Rybak i J. Dudczyk, „Impact of data particle divide depth level on the effectiveness of hypergeometrical divide classifier,” Bulletin of the Polish Academy of Sciences. Technical Sciences, tom 73, nr 1, p. e152603, 2025.
• [12] F. Pedregosa et al., „Scikit-learn: Machine Learning in Python,” JMLR 12, pp. 2825-2830, 2011.
• [13] L. Buitinck et al. „API design for machine learning software: experiences from the scikit-learn project”, 2013.

Uwagi

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