Deniz hedefi sınıflandırmada farklı kargaşa giderme yöntemleri için performans analizi
Performance analysis for various clutter elimination methods in ship target classification
- Tez No: 511600
- Danışmanlar: DR. ÖĞR. ÜYESİ AHMET SERBES
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Haberleşme Bilim Dalı
- Sayfa Sayısı: 93
Özet
Son zamanlarda oldukça popüler olan radar menzil profilleri ile hedef sınıflandırma çalışmaları, gerek hedeflerin çok çeşitli olması gerekse gerçek veriler ile yapılan sınıflandırma işlemlerinde ilgili hedeflerin yanı sıra ortamda kargaşa unsurlarının bulunması nedeniyle zor bir problem olma özelliğini sürdürmektedir. Bu tez çalışması kapsamında, menzil profillerinden kargaşa gidermeye yönelik olarak uygulanabilecek üç farklı kargaşa giderme yönteminin performans incelemesi yapılmıştır. Ele alınan kargaşa eleme yöntemlerinin performans analizleri, dokuz farklı deniz hedefi için operasyonel sahadan ölçümsel olarak elde edilen menzil profilleri kullanılarak gerçekleştirilmiştir. İlgili yöntemlerin, kargaşa giderme performanslarının yanı sıra deniz hedefi sınıflandırmadaki olumlu veya olumsuz etkilerini incelemek için, dikkate alınan hedeflere ait kargaşası giderilmiş menzil profilleri iki farklı sınıflandırıcı yapısına girdi olarak sağlanmış ve her bir kargaşa giderme yönteminin sınıflandırma performansına olan etkileri gösterilmiştir. Deniz hedeflerine ilişkin menzil profillerinden kargaşanın giderilmesi amacıyla, literatürde sıklıkla kullanılan basit eşikleme yöntemi ile birlikte daha önce bu alanda kullanılmayan, yerel olmayan ortalamalar (Non-local Means, NLM) ve tekil değer ayrışımı (Singular Value Decomposition, SVD) tabanlı kargaşa giderme yöntemleri dikkate alınmıştır. Bu yöntemlerin kargaşa giderme anlamındaki performans analizi, ortalama karesel hata oranı metriği ve aykırı değer analizi kullanılarak karşılaştırılmıştır. Kargaşa giderme yöntemlerinin hedef sınıflandırma performansına olan etkisini ölçmek için, iki farklı sınıflandırıcı yapısına kargaşa eleme yöntemleri sonucu elde edilen ölçümsel menzil profilleri girdi olarak verilmiş ve sonuçlar incelenmiştir. Kullanılan sınıflandırıcı yapılarından bir tanesi son yıllarda kullanımı yaygınlaşan derin öğrenme tabanlı konvolüsyonel sinir ağları (Convolutional Neural Network, CNN), diğeri ise yapay sinir ağları temelli olasılıksal sinir ağları (Probabilistic Neural Network, PNN) yöntemidir. CNN yönteminde öznitelik çıkartımı sınıflandırıcı yapısı içerisinde gerçekleştirilirken, PNN yapısında ise menzil profillerinden elde edilen iki boyutlu dalgacık dönüşümü katsayıları öznitelik olarak kullanılmıştır. Öznitelik çıkartma aşamasında iki boyutlu dalgacık dönüşümü yönteminin seçilmesindeki amaç, incelenen kargaşa giderme algoritmalarının tek başlarına yeterli olup olmadığını araştırmak ve yeterli gelmedikleri durumda izlenecek yöntemi belirlemektir. Tezin son bölümünde, ölçümsel menzil profilleri kullanılarak yapılan deniz hedefi sınıflandırma uygulamaları sonuçları verilmektedir. Sınıflandırma sonuçları incelenerek kargaşa giderim işleminin sınıflandırma performansını ne derece etkilediği ve hangi yöntemin radar menzil profilleri özelinde etkili olduğu tartışılmaktadır.
Özet (Çeviri)
Target classification studies with radar range profiles, which are very popular in recent years, continue to be a difficult problem during classification processes due to the presence of environmental clutter factors in the measuremental data. In this dissertation, performance analysis of three different clutter elimination algorithms has been carried out in order to remove clutter from range profiles. Performance analyzes of the clutter elimination algorithms were carried out using range profiles obtained via measurements related to nine different marine targets. In order to investigate the effects of the clutter removal performance as well as the classification results, the clutter-free range profiles have been provided as an input to classifier structures and the effects on the classification performance have been demonstrated. In this context, simple thresholding which is commonly used in the literature in clutter elimination processes as well as non-local means- (NLM) and singular value decomposition- (SVD) based clutter elimination methods that have not been used in this area are considered. The performance analysis of the clutter elimination methods are compared in the manner of mean square error rate metric and outlier analysis method. In addition to this, to determine the effect of considered clutter elimination methods on target classification performance, clutter-free range profiles of nine marine targets are fed to classifier structures as inputs and the results are examined. One of the used classifier structures is the deep learning-based convolutional neural network (CNN) which has an increasing popularity in recent years. Artificial neural networks-based probabilistic neural network (PNN) is used as the other method. In the CNN method, the feature extraction is performed automatically in the classifier structure, while in the PNN classifier structure, manually extracted two dimensional wavelet coefficients are used as the input features. The purpose of selecting wavelet-based features is to investigate that whether the clutter elimination methods are sufficient alone or not, and also to find out which method should be followed. At the end of this dissertation, results of marine target classification simulations using measuremental range profiles will be given. By examining the classification results, it is discussed how the clutter elimination methods affect the classification performance and which method is effective for measuremental range profiles
Benzer Tezler
- New clutter removal methods for through obstacle target detection
Engel arkası hedef tespitinde yeni kargaşa giderme yöntemleri
DENİZ KUMLU
Doktora
İngilizce
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. IŞIN ERER
- Deniz hedeflerinin geleneksel ve derin öğrenme tabanlı yöntemler ile sınıflandırılması
Automatic classification of maritime targets via the traditional and deep-learning-based methods
YUSUF ALAGÖZ
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgi Güvenliği Mühendisliği Ana Bilim Dalı
PROF. DR. ENSAR GÜL
DR. ÖĞR. ÜYESİ AHMET FATİH MUSTAÇOĞLU
- 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
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Makine öğrenmesi ve görüntü işleme yöntemleri ile sar görüntülerinde gemi tespiti
Ship detection from sar images with machine learning and image processing methods
TAHA BURAK ÖZDEMİR
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. KAZIM HANBAY
- Socio-economic impact analysis of air pollution reduction scenarios with benmap-ce program: Dilovasi example
Hava kirliliği azaltma senaryolarının benmap-ce programı ile sosyo-ekonomık etki analizi: Dilovası örneği
ZEYNEP FERİHA ÜNAL
Yüksek Lisans
İngilizce
2021
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN TOROS