RADAR is a technique used to identify and track objects in the surrounding area. This can be done by emitting radio waves and analysing the returning echoes or by analysing the received signals sent by other emitters. For systems that analyse the signals emitted by other emitters it is necessary to determine which of the recorded pulses originate from the same emitter. After sorting the pulses each emitters pulse train can be recreated and compared to a library with information on known emitter types. The process of sorting the pulses is called deinterleaving. The deinterleving problem can be seen as a clustering problem and there are many different clustering methods that can be used to solve the problem. In this thesis we study how an online implementation of a Dirichlet process mixture model performs on the deinterleaving problem. One key feature of a Dirichlet process mixture model that is favorable in the setting of deinterleaving is that the method does not require the number of clusters to be specified in advance. This is important as the number of emitters is not something that can be known in a real setting. The performance of the online Dirichlet process mixture model is studied by testing the method on three different scenarios. The data for the scenarios is generated from a simulation program written for this thesis. The program generates pulse descriptor words that are used for clustering. First we confirm previous results for the method. Then we test the method on more complex data, for example by introducing modes to one attribute. Our tests show us that the method works well for simple data but has some weaknesses that become more apparent for complex data. These weaknesses result in a lower efficiency as well as lower overall quality of the provided clustering solution. 

RADAR är en teknik som används för att identifiera och spåra objekt i omgivningen. Detta kan göras genom att sända ut radiovågor och analysera de återkommande ekona eller genom att analysera de mottagna signalerna skickade av andra sändare. När man analyserar signalerna som sänds ut av andra sändare är det nödvändigt att avgöra vilka av de registrerade pulserna som kommer från samma sändare. När pulserna har sorterats kan varje sändarees pulssekvens återskapas och jämföras med ett bibliotek med information om kända typer av sändare. Sorteringsprocessen kallas pulssortering. Pulssorteringsproblemet kan ses som ett klusteringproblem och det finns många olika kluseringsmetoder som kan användas för att lösa problemet. I detta examensarbete studeras hur en online-implementering av en Dirichletprocess-mixturemotell presterar på pulssorteringsproblemet. En viktig egenskap hos Dirichletprocess-mixturemodeller som är fördelaktig vid pulssortering är att metoden inte kräver att antalet kluster specificeras i förväg. Detta är viktigt eftersom antalet sändare inte är känd information i ett riktigt scenario. Hur online-implementeringen av en Dirichletprocess-mixturmodell presterar på pulssoeringsproblemet studeras genom att testa metoden på tre olika scenarier. Data för scenarierna genereras från ett simuleringsprogram skrivet för detta projekt. Programmet genererar pulsdeskriptorord som används för klustring. Först bekräftar vi tidigare resultat för metoden. Sedan testar vi metoden för mer komplex data, till exempel genom att introducera moder i ett attribut. Våra tester visar att metoden fungerar bra för enkel data men har några svagheter som blir tydligare för mer komplex data. Dessa svagheter resulterar i en lägre effektivitet samt lägre kvalitet på den resulterande klusteringslösningen.