Geri Dön

Hava hedeflerinin yüksek çözünürlüklü menzil profili verilerinden makina/derin öğrenme yöntemleri ile sınıflandırılması

Classification of aerial targets from high resolution range profile data using deep/machine learning methods

PDF İndir

  1. Tez No: 1018893
  2. Yazar: SEDAT TÜRE
  3. Danışmanlar: PROF. DR. SELÇUK PAKER
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Mikrodalga radarlar, Microwave radars
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Telekomünikasyon Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Yüksek Çözünürlüklü Menzil Profilleri (YÇMP), hedefin menzil eksenindeki saçılma merkezlerini karakterize ederek hava hedefleri hakkında ayırt edici yapısal bilgiler sunmaktadır. Bu özellik, YÇMP'yi hem askerî tehdit değerlendirmesi hem de sivil gözetleme ve tanımlama uygulamalarında kritik bir veri kaynağı haline getirmektedir. Bu tez çalışmasında, YÇMP tabanlı hava hedefi sınıflandırma problemi kapsamlı bir perspektifle ele alınmış; Makine Öğrenmesi (ML), Bir Boyutlu (1B) Derin Öğrenme, İki Boyutlu (2B) Derin Öğrenme ve Hibrit (DL-ML) yaklaşımları karşılaştırmalı olarak incelenmiştir. Bu çalışma kapsamında üç farklı hava platformu kategorisi incelenmiştir: füzeler (AGM-65 Maverick, AGM-84 Slam ER, AGM-114 Hellfire, AGM-119 Penguin, AIM-7 Sparrow, BGM-109 Tomahawk), muharip uçaklar (Eurofighter, F-16 Fighting Falcon, F-22 Raptor, Su-57 Felon, Mig-29 Fulcrum, T-38 Talon) ve sivil hava araçları (An-26, Yak-42, Cessna Citation S/II). YÇMP verileri, geliştirilen bir simülasyon altyapısı ve platformlara ait 3B CAD modelleri kullanılarak üretilmiş; simülasyonun geçerliliği, seçili platformlar için elde edilen YÇMP'lerin literatürde yer alan ölçülmüş örneklerle karşılaştırılması yoluyla doğrulanmıştır. Deneylerde literatürle uyumlu radar parametreleri kullanılmış; taşıyıcı frekans olarak C-bandı (5520 MHz) ile X-bandı (9.5 GHz ve 10 GHz), bant genişliği olarak 200/400/600 MHz ve darbe genişliği olarak 25 µs ve 40 µs değerleri dikkate alınmıştır. Gauss dağılımlı toplamsal gürültü altında veri kümeleri oluşturulmuş; yaygın kullanılan üç hava hedefi için her sınıfta 1250 eğitim ve doğrulama/test aşamalarında 200'er örnek içeren dengeli bir deney düzeni kurulmuştur. Makine öğrenmesi aşamasında YÇMP'lerden; tekil öznitelikler (GLCM, HOG, PCA, MSER), dönüşüm tabanlı öznitelikler (STFT, DWT, Gabor, DCT, CZT) ve bunların birleşimlerinden oluşan hibrit öznitelikler çıkarılmış; ayrıca otomatik kodlayıcı (AE) tabanlı temsil öğrenme yaklaşımları da değerlendirilmiştir. Elde edilen öznitelikler AdaBoost, Bagging/Random Forest, Karar Ağaçları, k-NN, LDA ve SVM gibi sınıflandırıcılarla test edilmiş; birleşik öznitelikler ve AE tabanlı temsillerle beş farklı hedef kategorisinde ortalama doğruluk %53,65 seviyelerine kadar ulaşmıştır. Derin öğrenme tarafında, ham 1B YÇMP dizileri üzerinde 1B-CNN, LSTM, GRU ve BiLSTM mimarileri uygulanmış; ön işleme durumuna bağlı olarak yaklaşık %87,57–%88,19 doğruluk aralığında sonuçlar elde edilmiştir. YÇMP'lerin 2B temsillere dönüştürülmesiyle AlexNet, GoogleNet, DenseNet, MobileNetV2, ResNet50/101 ve Xception gibi CNN mimarileri değerlendirilmiş; üç yaygın sivil hava aracı için 2B CNN yaklaşımı %94,22 ortalama doğruluk ile en yüksek başarımı göstermiştir. Ayrıca CNN ile öznitelik çıkarımı ve SVM ile sınıflandırmayı birleştiren hibrit DL–ML yaklaşımı incelenmiş ve aynı senaryoda %90,38 doğrulukla 2B CNN'in gerisinde kalmıştır. Savaş uçakları ve hava hedeflerinin radar sinyalleri üzerinden sınıflandırılması amacıyla geliştirilen derin öğrenme modellerinin performansını belirleyen temel faktörler kapsamlı bir şekilde analiz edilmiştir. Analiz sonuçları; İşaret-Gürültü Oranı (SNR), Darbe Sıkıştırma Oranı (PCR), hedef boyutu ve radar parametreleri gibi unsurların sınıflandırma başarısını doğrudan etkilediğini, özellikle küçük hedeflerde doğruluk düşüşü yaşansa da uygun ön işleme adımları ve veri temsilleriyle (1B/2B) anlamlı iyileştirmeler sağlandığını göstermiştir. Eğitim sürecinde SGDM, Adam ve RMSProp gibi optimize edicilerin, öğrenme oranlarının ve mini yığın (mini-batch) boyutlarının başarıda kritik rol oynadığı belirlenmiş; eğitim-test veri setinin %86/%14 oranında ayrılmasının hem 1B hem de 2B modellerde en tutarlı sonuçları verdiği tespit edilmiştir. Geliştirilen modellerin performansı doğruluk, kesinlik, geri getirme ve F1-skoru metrikleriyle desteklenerek çok yönlü olarak değerlendirilmiştir. AlexNet, ResNet50, MobileNetv2 ve DenseNet201 gibi 2B Evrişimsel Sinir Ağı (CNN) mimarilerinde transfer öğrenme ve erken durdurma yaklaşımları kullanılarak aşırı öğrenmenin önüne geçilmiş ve ağın genelleme yeteneği güvence altına alınmıştır. Ayrıca, modellerin karar mekanizmalarını şeffaf kılmak amacıyla t-SNE yöntemiyle yüksek boyutlu özniteliklerin sınıflar arası ayrım yeteneği incelenmiş ve Grad-CAM ısı haritalarıyla ağın sinyal/görüntü üzerindeki odak noktaları görselleştirilmiştir. Çeşitli gürültü senaryoları altında gerçekleştirilen bu analizler, radar sinyallerinin sınıflandırılmasında derin öğrenme ve özellik görselleştirme tabanlı bu entegre yaklaşımın yüksek etkinlik gösterdiğini kanıtlamıştır. Bu tez çalışması, simüle edilmiş YÇMP verileri üzerinde derin öğrenme tabanlı sınıflandırıcıların—özellikle 2B CNN yaklaşımlarının—yüksek başarıma ulaşabildiğini ve YÇMP tabanlı otomatik tanıma sistemlerinin radar sistemlerine entegre edilerek hava hedeflerini hızlı ve güvenilir biçimde ayırt edebileceğini ortaya koymaktadır. Çalışmanın katkıları; 1B ve 2B derin öğrenme yaklaşımlarının sistematik karşılaştırılması, doğrulanmış simülasyon altyapısıyla güvenilir YÇMP üretim çerçevesi sunulması, veri işleme ve eğitim oranlarının performansa etkisinin incelenmesi, ve gerçek zamanlı radar tabanlı tanıma sistemleri için uygulanabilir bir yol haritası geliştirilmesidir. Bu tez, YÇMP tabanlı hava hedefi sınıflandırması alanında derin öğrenme tekniklerinin üstünlüğünü kanıtlayan kapsamlı bir araştırma sunmakta ve özellikle operasyonel sahada gelecekteki çalışmalar için sağlam bir temel oluşturmaktadır.

Özet (Çeviri)

High-Resolution Range Profiles (HRRPs) characterize the scattering centers of a target along the range axis, thereby providing distinctive structural information about airborne targets. This property makes HRRPs a critical data source for both military threat assessment and civilian surveillance and identification applications. In this dissertation, the HRRP-based airborne target classification problem is addressed from a comprehensive perspective, with comparative analyses of Machine Learning (ML), one-dimensional (1D) Deep Learning, two-dimensional (2D) Deep Learning, and hybrid (DL–ML) approaches. Within the scope of this study, three different categories of aerial platforms were examined: missiles (AGM-65 Maverick, AGM-84 Slam ER, AGM-114 Hellfire, AGM-119 Penguin, AIM-7 Sparrow, BGM-109 Tomahawk), combat aircraft (Eurofighter, F-16 Fighting Falcon, F-22 Raptor, Su-57 Felon, Mig-29 Fulcrum, T-38 Talon), and civilian aircraft (An-26, Yak-42, Cessna Citation S/II). HRRP data were generated using a developed simulation infrastructure and 3D CAD models of the platforms; the validity of the simulation was confirmed by comparing HRRPs obtained for selected platforms with measured examples reported in the literature. Radar parameters consistent with prior studies were employed in the experiments: carrier frequencies in the C-band (5520 MHz) and X-band (9.5 GHz and 10 GHz), bandwidths of 200/400/600 MHz, and pulse widths of 25 µs and 40 µs. Data sets were constructed under Gaussian-distributed additive noise, and a balanced experimental design was established with 1250 training samples and 200 validation/test samples per class for three widely used airborne targets. In the machine learning phase, HRRPs were processed to extract individual features (GLCM, HOG, PCA, MSER), transform-based features (STFT, DWT, Gabor, DCT, CZT), and hybrid features combining these representations. Autoencoder (AE)-based representation learning approaches were also evaluated. The extracted features were tested with classifiers such as AdaBoost, Bagging/Random Forest, Decision Trees, k-NN, LDA, and SVM; hybrid features and AE-based representations achieved average accuracies up to 53.65% across five target categories. On the deep learning side, raw 1D HRRP sequences were processed using 1D-CNN, LSTM, GRU, and BiLSTM architectures, yielding accuracies in the range of 87.57–88.19%, depending on preprocessing. By transforming HRRPs into 2D representations, CNN architectures such as AlexNet, GoogleNet, DenseNet, MobileNetV2, ResNet50/101, and Xception were evaluated; for three common civilian aircraft, the 2D CNN approach achieved the highest performance with an average accuracy of 94.22%. A hybrid DL–ML approach combining CNN-based feature extraction with SVM classification was also examined, but achieved 90.38% accuracy—falling short of the 2D CNN results. In this study, the fundamental factors determining the performance of deep learning models developed for the classification of fighter aircraft and aerial targets based on radar signals were comprehensively analyzed. The analytical results demonstrated that parameters such as Signal-to-Noise Ratio (SNR), Pulse Compression Ratio (PCR), target size, and radar configurations directly influence classification performance. Although a decrease in accuracy was observed particularly with small-scale targets, significant improvements were achieved through appropriate preprocessing steps and data representations (1D/2D). During the training process, optimizers (such as SGDM, Adam, and RMSProp), learning rates, and mini-batch sizes were identified as playing a critical role in the overall success. Furthermore, partitioning the dataset into an 86%/14% training-testing split yielded the most consistent results across both 1D and 2D models. The performance of the developed models was comprehensively evaluated using multiple metrics, specifically accuracy, precision, recall, and F1-score. By implementing transfer learning and early stopping mechanisms in 2D Convolutional Neural Network (CNN) architectures—such as AlexNet, ResNet50, MobileNetv2, and DenseNet201—overfitting was effectively mitigated, thereby securing the generalization capabilities of the networks. Moreover, to enhance the transparency of the models' decision-making mechanisms, the inter-class discriminative ability of high-dimensional features was analyzed using the t-SNE method, while the specific regions of interest on the signals or images focused on by the network were visualized utilizing Grad-CAM heatmaps. Conducted under various noise scenarios, these analyses substantiate that this integrated approach, predicated on deep learning and feature visualization, exhibits high efficacy in the classification of radar signals. This study demonstrates that deep learning-based classifiers—particularly 2D CNN approaches—can achieve high performance on simulated HRRP data, and that HRRP-based automatic recognition systems can be integrated into radar systems to enable rapid and reliable discrimination of airborne targets. The contributions of this work include the systematic comparison of 1D and 2D deep learning approaches, the provision of a validated simulation-based framework for reliable HRRP generation, detailed analyses of the impact of data processing and training ratios on performance, and the development of a practical, scalable roadmap for real-time radar-based recognition systems. Overall, this dissertation presents a comprehensive investigation that establishes the superiority of deep learning techniques in HRRP-based airborne target classification and provides a solid foundation for future operational studies.

Benzer Tezler

  1. Tez No

    894592

    Improved helicopter classification via deep learning and overlapped range-doppler maps

    Derin öğrenme ve örtüşen menzil-doppler görüntüleri ile geliştirilmiş helikopter sınıflandırması

    DENİZ CAN ACER

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. IŞIN ERER

  2. Tez No

    961601

    Scientific machine learning supported track-to-track fusion

    Bilimsel makine öğrenmesi destekli takip bilgisi füzyonu

    RECEP AYZİT

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Uçak Mühendisliğiİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BARIŞ BAŞPINAR

  3. Tez No

    925687

    X-bant gürültü radarı ile dron ve martıların mikro-doppler karakteristiklerin çıkarımı

    Extraction of micro-doppler characteristics of drone and seagulls with x-band noise radar

    KARTAL KAAN GÜMEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. SELÇUK PAKER

  4. Tez No

    946368

    Vital sign detection in the debris environments using SFCW radar

    SFCW radar ile enkaz ortamlarında yaşamsal bulguların tespiti

    BARIŞ YILMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. IŞIN ERER

  5. Tez No

    887241

    Air-to-ground target classification and heading angleestimation using radar range profiles

    Radar menzıl profı̇llerı̇nı̇ kullanarak havadan yere hedef sınıflandırma ve yön açısı kestı̇rı̇mı̇

    MURAT KÖKÇÜ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Medipol Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. BAHADIR KÜRŞAT GÜNTÜRK

Geri Dön