Geri Dön

Radar mikro-doppler imza sınıflandırma problemi için derin sinir ağı başlatma ve eğitim metodolojileri

Deep neural network initialization and training methodologies for radar micro doppler signature classification

  1. Tez No: 486625
  2. Yazar: MEHMET SAYGIN SEYFİOĞLU
  3. Danışmanlar: DOÇ. DR. AYŞE MELDA YÜKSEL TURGUT, YRD. DOÇ. DR. AHMET MURAT ÖZBAYOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2017
  8. Dil: Türkçe
  9. Üniversite: TOBB Ekonomi ve Teknoloji Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 71

Özet

Son zamanlarda, derin yapay sinir ağları (DNN), sentetik açıklılı radar (SAR) veya mikro-Doppler tabanlı otomatik hedef tanıma gibi RF sinyal sınıflandırma uygulamalarında araştırma konusu olmuştur. Bununla birlikte, radar verisi elde etmenin masraflı ve zor olması, elde edilebilecek veri sayısını kısıtlamaktadır. DNN'ler yüksek varyanslı modeller olmaları sebebiyle aşırı öğrenmeye yatkıdırlar. Dolayısıyla iyi bir genelleme öğrenebilmek için fazla miktarda etiketlenmiş veriye ihtiyaç duymaktadırlar. Bu tez çalışmasında, ilk olarak 4 GHz sürekli dalga radarı 12 farklı ancak birbirine benzer insan hareketi için bir veri seti oluşturulmuştur. Sonrasında literatürde az sayıda veriyle DNN eğitmek için önerilen iki temel teknik kıyaslanmıştır: Gözetimsiz ön-eğitim ve aktarımlı öğrenme. Gözetimsiz ön-eğitim bir konvolüsyonel otokodlayıcı (CAE) yapısı üzerinden, aktarımlı öğrenme ise ImageNet üzerine eğitilmiş popüler CNN mimarileri (VGGNet, GoogleNet and ResNet) üzerinden gerçekleştirilmiştir. Buna ek olarak, aktarımlı öğrenmenin benzer transfer alanı üzerinden uygulanabilmesi için, farklılaştırılmış radar mikro-Doppler simülasyonları oluşturan yenilikçi bir metot önerilmiştir. Tüm sonuçlar, el işçiliği ile oluşturulmuş özniteliklerin çıkartılarak bir SVM sınıflandırıcısının eğitildiği geleneksel yöntem ile kıyaslanmıştır. Tezin sonunda, önerilen artçıl aktarımlı öğrenme ağı DivNet'in, diğer DNN mimarileri arasında en yüksek sınıflandırma doğruluğunu sağladığı ve gürültüye karşı gürbüz olduğu gösterilmiştir.

Özet (Çeviri)

Recently, deep neural networks (DNNs) have been the subject of intense research for the classification of radio frequency (RF) signals, such as synthetic aperture radar (SAR) imagery or micro-Doppler based automatic target recognition. However, a fundamental challenge is the typically small amount of data available due to the high costs and resources required for measurements. Deep neural networks (DNNs), however, require large-scale labeled datasets to prevent overfitting while having good generalization. In this thesis, the efficacy of two neural network initialization techniques - unsupervised pre-training and transfer learning - for dealing with training DNNs on small data sets are compared. Unsupervised pre-training is implemented through the design of a convolutional autoencoder (CAE), while transfer learning from two popular CNN architectures (VGGNet, GoogleNet and ResNet). Also, a novel method for generating diversified radar micro-Doppler signatures using Kinect-based motion capture simulations is proposed as a training database for DNNs exploiting transfer learning. Results have also been compared with the conventional approach where handcrafted features are employed to train an SVM classifier. In particular, it is shown that the proposed residual transfer learning network, DivNet, offers the highest classification accuracy among other DNN architectures and, is robust to image noise.

Benzer Tezler

  1. 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. Radar mikro-Doppler imzalarinin özniteliklerden faydalanilarak insan hareketlerinin tespitinin gerçekleştirilmesi ve karakteristiklerinin çikarilmasi

    Determination and characterization of human movements by utilization of attributes of radar micro-Doppler signatures

    ONUR TEKİR

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiMersin Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. CANER ÖZDEMİR

    DR. ÖĞR. ÜYESİ BETÜL YILMAZ

  3. Gürültülü durumlar için radar mikro-doppler sınıflandırma başarımının iyileştirilmesi

    Enhancement of radar micro-doppler classification performance in noisy conditions

    CESUR KARABACAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Elektrik ve Elektronik MühendisliğiTOBB Ekonomi ve Teknoloji Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. SEVGİ ZÜBEYDE GÜRBÜZ

  4. Classification of human motion using radar micro-doppler signatures with hidden markov models

    İnsan hareketlerinin radar mikro-doppler imzaları ve gizli markov modelleri ile sınıflandırılması

    MEHMET ONUR PADAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ÇAĞATAY CANDAN

  5. The application of micro doppler features in target classification

    Mikro doppler özelliklerin hedef sınıflandırmasındaki uygulaması

    ÖZGE TOPUZ ALEMDAROĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2014

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÇAĞATAY CANDAN

    PROF. DR. SEYİT SENCER KOÇ