Yeni nesil derin öğrenme modelleri kullanılarak radar sinyallerinin otomatik kimliklendirilmesi
Automatic identification of radar signals using next-generation deep learning models
- Tez No: 1009428
- Danışmanlar: DR. ÖĞR. ÜYESİ FATİH ALPASLAN KAZAN
- Tez Türü: Yüksek Lisans
- Konular: Savunma ve Savunma Teknolojileri, Defense and Defense Technologies
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Savunma Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, modern Elektronik Harp (EH) ortamlarında kritik bir öneme sahip olan radar sinyallerinin otomatik kimliklendirilmesi problemi ele alınmıştır. Bu amaçla, derin öğrenme tabanlı yaklaşımlardan olan uzun kısa süreli bellek (Long Short Term Memory, LSTM), çift yönlü LSTM (Bidirectional Long Short Term Memory, BiLSTM) ve kapılı tekrarlayan birim (Gated Recurrent Unit, GRU) ile kural tabanlı klasik deinterleaving algoritması karşılaştırmalı olarak analiz edilmiştir. Bu kapsamda gerçek saha koşullarını yansıtacak şekilde 10 farklı radar yapısı temel alınarak oluşturulan veri setleri üzerinden, yapay zekâ modelleri 144 farklı senaryo ile eğitilmiştir. Eğitimde kullanılan PRI dışındaki tüm sinyal parametreleri değiştirilerek gerçek ortama yakın hale getirilen 128 adet bağımsız test senaryosu üzerinde sınanmıştır. Test senaryoları; tekli, ikili ve üçlü radar ortamlarını içerecek şekilde kurgulanmış ve EH ortamının en zorlayıcı koşullarından olan eksik darbe (darbe kaçırma) bozulmaları analizlere dahil edilmiştir. Elde edilen bağımsız test sonuçlarına göre, 512 darbe tanımlayıcı kelime uzunluğundaki darbe trenleri üzerinden yapılan değerlendirmelerde derin öğrenme modelleri, klasik yönteme kıyasla yaklaşıkm% 10-12 bandında daha yüksek bir genel başarım sergilemiştir. Ortalama doğruluk oranlarında LSTM modeli % 96,94, GRU modeli % 96,16 ve BiLSTM modeli % 95,25 başarı elde ederken, klasik deinterleaving algoritması % 85,08 seviyesinde kalmıştır. Özellikle senaryo karmaşıklığının ve eksik darbe oranının % 0,84'e kadar arttığı üçlü radar senaryolarında klasik yöntemin başarısı % 83,16'ya gerilerken, aynı koşullarda LSTM modeli % 96,20 doğrulukla zamansal örüntüleri öğrenme ve darbe kaçırma senaryolarında diğer derin öğrenme modellerinden ayrışarak gücünü kanıtlamıştır. Bağımsız test sonuçları ile eğitim sonuçları arasındaki farkın % 1-2 bandında kalması; radyo frekansı (Radio Frequency, RF), darbe genişliği (Pulse Width, PW), darbe geliş açısı (Angle of Arrival, AOA) ve darbe genliği (Pulse Amplitude, PA) gibi parametreleri değiştirilmiş veriler üzerinde, modellerin ezberlemeden (overfitting) yüksek bir genelleme kabiliyetine ulaştığını göstermektedir. İşlem süreleri açısından merkezi işlem birimi (Central Processing Unit, CPU) üzerinde yapılan testlerde, klasik deinterleaving yöntemi ortalama 0,10 saniyede sonuç üretirken derin öğrenme modellerinin sonuç üretme süresi ortalama 0,61 - 0,67 saniye olarak ölçülmüştür. Ancak grafik işlem birimi (Graphics Processing Unit, GPU) tabanlı donanımlar kullanıldığında, bu modellerin gerçek zamanlı EH sistem gereksinimlerini rahatlıkla karşılayabileceği değerlendirilmektedir. Sonuç olarak, fiziksel anlamlılık sınırları ve tehdit kütüphanesi ile desteklenen bu hibrit derin öğrenme mimarisinin, yoğunlaştırılmış ve bozulmuş sinyal ortamlarında radar kimliklendirme görevleri için dayanıklı, güvenilir ve yüksek performanslı bir çözüm sunduğu ortaya konmuştur.
Özet (Çeviri)
In this thesis, the problem of automatic identification of radar signals, which is of critical importance in modern electronic warfare (EW) environments, is addressed. For this purpose, deep learning-based approaches, namely long short-term memory (LSTM), bidirectional LSTM (BiLSTM), and gated recurrent unit (GRU), along with the rule-based classical deinterleaving algorithm, were comparatively analyzed. In this context, artificial intelligence models were trained with 144 different scenarios using datasets generated based on 10 different radar structures to reflect real-world field conditions. They were tested on 128 independent test scenarios, which were made closer to real environments by altering all signal parameters except the PRI used in training. The test scenarios were designed to include single, dual, and triple radar environments, and missing pulse (dropped pulse) corruptions, which are among the most challenging conditions in the EW environment, were included in the analyses. According to the obtained independent test results, in evaluations conducted over pulse trains with a length of 512 pulse descriptor words (PDW), deep learning models exhibited an overall performance approximately 10-12% higher compared to the classical method. In terms of average accuracy rates, the LSTM model achieved 96.94%, the GRU model 96.16%, and the BiLSTM model 95.25% success, whereas the classical deinterleaving algorithm remained at the 85.08% level. Particularly in triple radar scenarios where scenario complexity and the missing pulse rate increased up to 0.84%, the success of the classical method dropped to 83.16%, while under the same conditions, the LSTM model proved its strength by distinguishing itself from other deep learning models in learning temporal patterns and handling missing pulse scenarios with an accuracy of 96.20%. The fact that the difference between the independent test results and the training results remained within the 1-2% band indicates that the models reached a high generalization capability without overfitting on data with altered parameters such as radio frequency (RF), pulse width (PW), angle of arrival (AOA), and pulse amplitude (PA). Regarding processing times, in tests conducted on a central processing unit (CPU), the classical deinterleaving method produced results in an average of 0.10 seconds, while the result production time of deep learning models was measured as an average of 0.61 - 0.67 seconds. However, it is evaluated that when graphics processing unit (GPU)-based hardware is used, these models can easily meet real-time EW system requirements. In conclusion, it has been demonstrated that this hybrid deep learning architecture, supported by physical meaningfulness limits and a threat library, offers a robust, reliable, and high-performance solution for radar identification tasks in dense and corrupted signal environments.
Benzer Tezler
- Novel approaches to radar signal deinterleaving and geolocation in the framework of optimization and deep learning
Radar sinyal ayrıştırma ve konum bulma için optimizasyon ve derin öğrenme tabanlı yeni yaklaşımlar
MUSTAFA ATAHAN NUHOĞLU
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- OFDM-based received waveform design and processing techniques to detect and classify radar targets for next generation integrated sensing and communication systems
Gelecek nesil bütünleşik algılama ve haberleşme sistemleri için radar hedeflerinin tespit ve sınıflandırmasına yönelik OFDM tabanlı dalgabiçimi tasarımı ve sinyal işleme teknikleri
SEYFETTİN MUHİBBULLAH ULUOCAK
Doktora
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MESUT KARTAL
- Açıklanabilir yapay zeka yöntemleri ile toprak tuzluluğu haritalarının üretilmesi
Soil salinity mapping using explainable artificial intelligence methods
SAMET AKSOY
Yüksek Lisans
Türkçe
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- DRONE AND BIRD CLASSIFICATION USING CONVOLUTIONAL NEURAL NETWORKS
EVRİŞİMSEL SİNİR AĞI YÖNTEMİ İLE İNSANSIZ HAVA ARACI VE KUŞ SINIFLANDIRMASI
EDA KARALA
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. BEHÇET UĞUR TÖREYİN
- Applications of deep reinforcement learning for advanced driving assistance systems
İleri sürüş destek sistemleri için derin pekiştirmeli öğrenme uygulamaları
MUHARREM UĞUR YAVAŞ
Doktora
İngilizce
2023
Otomotiv Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR