Seyrek açısal monostatik RKA verilerinden makine öğrenmesi tabanlı süper-çözünürlüklü RKA üretimi
Machine learning-based super-resolution RCS generation from sparse angular monostatic RCS data
- Tez No: 1000378
- Danışmanlar: PROF. DR. MELTEM ERYILMAZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Electrical and Electronics Engineering, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Geçici elektromanyetik, Radar kesit alanı, Yapay zeka ve makine öğrenmesi dersi, Transient electromagnetic, Radar cross section, Artificial intelligence and machine learning course
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Ostim Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yazılım Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Radar kesit alanı (Radar Cross Section – RCS), bir hedefin radar sistemleri tarafından algılanabilirliğini tanımlayan temel elektromanyetik büyüklüklerden biridir. Özellikle askeri platformlar ve düşük görünürlük uygulamalarında, RCS'nin açısal dağılımının yüksek çözünürlükle elde edilmesi kritik öneme sahiptir. Ancak elektriksel olarak büyük hedefler için tam dalga elektromanyetik çözücüler kullanılarak yüksek açısal çözünürlükte RCS hesaplanması, yüksek hesaplama süresi ve bellek maliyetleri doğurmaktadır. Bu nedenle pratik uygulamalarda RCS verileri genellikle seyrek açısal örnekleme ile elde edilmekte, bu durum ise lokal saçılım etkilerinin ve keskin rezonans davranışlarının yeterince temsil edilememesine yol açmaktadır. Bu tez çalışmasında, seyrek açısal çözünürlükte elde edilen monostatik RKA verilerinden yararlanarak, makine öğrenmesi tabanlı bir yaklaşımla yüksek açısal çözünürlüklü RCS tahminlerinin üretilmesi amaçlanmıştır. Tek aşamalı regresyon modellerinin sınırlı performans göstermesi nedeniyle, çok aşamalı ve residual öğrenmeye dayalı hibrit bir mimari önerilmiştir. Geliştirilen yöntem; global destek vektör regresyonu (SVR), sabit elevasyon doğrusu boyunca phi-line residual öğrenme, azimut ekseninde segmentli residual modelleme ve kritik açısal bölgelerde uygulanan lokal residual iyileştirme adımlarından oluşmaktadır. Eğitim verileri, 5° açısal çözünürlükte MLFMA tabanlı tam dalga elektromanyetik çözümlerden elde edilmiştir. Doğrulama amacıyla kullanılan 1° açısal çözünürlüklü RKA verileri ise eğitim sürecine dahil edilmemiştir. Sayısal sonuçlar, önerilen yöntemin klasik interpolasyon yaklaşımlarına kıyasla belirgin bir doğruluk artışı sağladığını göstermektedir. Global SVR modeliyle yaklaşık 3.5 dB olan ortalama mutlak hata, segmentli ve lokal residual düzeltmelerle yaklaşık 1 dB seviyesine düşürülmüştür. Ayrıca doğrulama noktalarının \%60'ından fazlasında hata 1 dB'nin altında elde edilmiştir. Elde edilen bulgular, seyrek açısal örneklemeye dayalı tam dalga çözümlerden, düşük hesaplama maliyetiyle yüksek doğrulukta süper-çözünürlüklü monostatik RKA üretiminin mümkün olduğunu ortaya koymaktadır.
Özet (Çeviri)
High–angular–resolution radar cross section (RCS) analysis of electrically large targets requires a substantial computational cost when full-wave solvers are employed. In practical applications, RCS data are therefore computed using sparse angular sampling, which leads to the loss of critical scattering details such as sharp nulls and resonant peaks. In this paper, a machine learning–based super-resolution framework is proposed to reconstruct high–resolution monostatic RCS patterns from sparsely sampled angular data. The proposed method employs a multi-stage hybrid learning architecture consisting of a global support vector regression (SVR) model followed by residual learning, azimuthal (phi-line) modeling, segmented residual correction, and local refinement. Importantly, high–resolution reference RCS data are not used during training and are reserved exclusively for validation, ensuring that the proposed approach performs true super-resolution rather than interpolation. Numerical results obtained from multilevel fast multipole algorithm (MLFMA) simulations demonstrate that the proposed method reduces the mean absolute error (MAE) from approximately 3.5 dB to nearly 1 dB along the validation azimuth line, while preserving sharp scattering features. The results confirm that the proposed framework provides an accurate and computationally efficient alternative for high–resolution RCS prediction.
Benzer Tezler
- Decomposing linear programs for parallel solution
Doğrusal programların paralel çözümleme içim bölünmesi
ALİ PINAR
Yüksek Lisans
İngilizce
1996
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiDOÇ.DR. CEVDET AYKANAT
- 2-boyutlu seyrek özbağlanımlı modelleme ile radar hedef sınıflandırma
Radar target identification with 2-D sparse AR modelling
KORAY SARIKAYA
Yüksek Lisans
Türkçe
2014
Savunma ve Savunma Teknolojileriİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. IŞIN YAZGAN ERER
- Sparse linear prediction models for radar imaging and classification
Radar hedef görüntüleme ve sınıflandırma için seyrek doğrusal öngörü modelleri
BAHAR ÖZEN
Yüksek Lisans
İngilizce
2015
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. IŞIN ERER
- An efficient beam and channel acquisition via sparsity map and joint angle-delay power profile estimation for wideband massive MIMO systems
Geniş bantlı masif MIMO sistemler için seyreklik haritası ve uzay-zaman güç profili kestirimine dayalı etkili hüzme ve kanal öğrenme algoritmaları
ALİ OSMAN KALAYCI
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN MUZAFFER GÜVENSEN