Geri Dön

Radarla hedef tanıma ve sınıflandırma için temel bileşenler analizine dayalı yeni karma yöntemler

Novel hybrid methods based on pca for radar target recognition and classification

PDF İndir

  1. Tez No: 512065
  2. Yazar: YAŞAR KARTAL
  3. Danışmanlar: PROF. DR. MURAT TAYFUN GÜNEL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2018
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Telekomünikasyon Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 93

Özet

Radar hedeflerini görüntülemek için Yapay Açıklıklı Radar (YAR) ve Ters Yapay Açıklıklı Radar (TYAR) kullanılmaktadır. Hedefi tanıma ve sınıflandırma için ise literatürde çeşitli yöntemler mevcuttur. Bu yöntemlerden bazıları için kullanılacak olan radar hedefinin radar kesit alan (RKA) değerleri gerekir. RKA değeri ise bir hedefe elektromanyetik dalganın gödnerilerek geri yansıyan elektromanyatik dalganın elektrik alanının ölçülmesi ile elde edilir. Elde edilen RKA değerleri, açı çeşitlemesi ve frekans çeşitlemesi kullanılarak genişletilir. Oluşturulan bu RKA değerleri bir matris şekline getirilerek hedef tanıma ve sınıflandırma algoritmalarında kullanılır. Bu çalışmada öznitelik çıkarımına dayalı radar hedef tanıma ve sınıflandırma yöntemleri incelenmiş ve bazı karma yöntemler önerilmiştir. Bu yöntemlerin en önemli zorluğu özniteliklerin seçimi konusudur. Özniteliklerin seçimine dayalı farklı yaklaşımlar incelenmiş ve karşılaştırılmıştır. Radar hedeflerinin tanınması ve sınıflandırılması için incelenen Temel Bileşenler Analizi (TBA) tabanlı yaklaşımlardan birisi Çekirdek Temel Bileşenler Analizi (ÇTBA) 'dir. Ayrıca TBA yöntemi ile birlikte Doğrusal Ayrımcılık Analizi (DAA) ve Fisher Doğrusal Ayrımcılık (FDA) yöntemleri incelenmiştir. Hazırlanan veri setleri ile başarı oranı açısından birbirine olan üstün ve zayıf yönleri analiz edilmiştir. Bu yöntemlerle beraber birden fazla yöntemin birleşiminden meydana gelen, TBA+DAA, TBA+FDA, TBA+DAA+FDA, DAA+FDA, ÇTBA+DAA, ÇTBA+FDA ve ÇTBA+DAA+FDA yeni karma yöntemler de oluşturulup incelenmiştir. TBA yöntemi çok boyutlu veriyi daha az boyutlu bir alt uzaya dönüştürür. Bu doğrusal ve dik geçişi yaparken kovaryans matrisini kullanır. Kovaryans matrisinin özdeğer ve özvektörleri sayesinde temel bileşenler hesaplanır. Aynı zamanda çok boyutlu veriyi daha az boyuttaki veriye dönüştürdüğünden sıkıştırma da yapılmış olur. TBA yönteminde farklı hedeflere ait veriler çok büyük bir varyans ile dağılmak zorundadır. Çok küşük varyanslı dağıldığı durumlarda ise TBA'in başarımı düşmektedir. Böyle bir durumda TBA, doğrusal bir geçiş ile alt uzayda ayrışmayı yapamamaktadır. Bu nedenle veriyi doğrusal olmayan bir geçişle alt uzaya iz düşüren Çekirdek TBA yöntemi önem kazanır. ÇTBA doğrusal olmayan geçişi çekirdek fonksiyonları vasıtasıyla yapmaktadır. Literatürde sıkça kullanılan çekirdek fonksiyonları ise gauss, polinom ve hiperbolik tanjant'tır. Bu çalışmada ise polinom çekirdek fonksiyonu kullanılmıştır. DAA yöntemi ile de hem sınıflar içi hem de sınıflar arası benzerliğe bakılarak başarımın genellenmesi sağlanır. Özniteliklerin seçimi konusu incelendiğinde ise FDA yöntemi bu noktada optimum geçiş matrisini elde edebilmek için optimizasyon gerektirir. Böylelikle optimum özdeğer ve özvektör seçimi yapılır. Literatürde birden fazla yöntemin birleşiminden oluşturulan karma yöntemler de vardır. Örneğin TBA+DAA yöntemi bu çalışmada incelenmiştir. TBA yöntemi ile sınıflandırma başarısının düşük olduğu, çok yakın varyans ile dağılmış hedeflerde TBA+DAA yöntemi başarıyı arttırmaktadır. Ayrıca literatürde olmayan TBA+DAA+FDA, DAA+FDA, ÇTBA+DAA, ÇTBA+FDA ve ÇTBA+DAA+FDA karma yöntemler de bu çalışmada oluşturulup, sonuçları incelenmiştir. Çalışmada eliptik silindir, dikdörtgen düzlem ve eşkenar üçgen düzlem kullanılmıştır. Benzetim için MATLAB tabanlı kullanıcı arayüz programı (GUI) tasarlanmıştır. Böylelikle kullanılacak özdeğer vektör sayısı, sinyal gürültü oranı değeri, eğitim veri setinin büyüklüğü ve gürültü gücünü ayarlanarak, seçilen yöntemin analizi yapılmıştır. Sonuç olarak yeni oluşturulan karma yöntemlerin karşılaştırılmaları detaylı bir şekilde yapılmıştır. Başarı oranı tüm metodlar için yüzde olarak hesaplanıp, karşılaştırmalar için kullanılmıştır. TBA yöntemi çok büyük varyans ile dağılmış verilerde en yüksek başarı oranını sağlamıştır. FDA yöntemi %96,24'lük başarı oranı ile frekans çeşitlemesinin kullandığı veri setinde en yüksek başarı oranına sahiptir. TBA+DAA+FDA ve TBA+DAA yöntemleri farklı sınıflardan oluşturulan ve açı çeşitlemesinin kullanıldığı veri seti için incelendiğinde düşük sayıda özdeğer vektör kullanıldığı durumlarda başarı oranının arttığı gözlenmiştir. FDA yöntemi ise yüksek sayıda özdeğer vektör kullanıldığı durumlarda başarı oranı artmaktadır. TBA+FDA yönteminde eğitim veri seti büyüklüğü arttıkça başarım oranı da artmaktadır. ÇTBA+DAA yöntemi %33,41 başarı oranı ile farklı sınıflardan oluşturulan veriler için en düşük başarı oranına sahiptir. Aynı sınıftan oluşturulan hedeflerde ise DAA+FDA %33,33 ile en düşük başarı oranına sahiptir. Frekans çeşitlemesinin kullanıldığı verilerde ise ÇTBA, ÇTBA+DAA, ÇTBA+FDA ve ÇTBA+DAA+FDA yöntemleri TBA, TBA+DAA, TBA+FDA, TBA+DAA+FDA, FDA ve DAA+FDA yöntemleri ile kıyaslandığında en düşük performansa sahip olduğu gözlenmiştir.

Özet (Çeviri)

In radar imagining of the targets, Synthetic Aperture Radar (SAR) and Inverse Synthetic Aperure Radar (ISAR) systems are used. For recognition and classification of the targets, many methods exist in literature and many of them require Radar Cross Section (RCS) data of the targets. RCS data are obtained by using electromagnetic wave. Incoming electromagnetic wave reflects from target surface and the scattering electromagnetic wave generates eletricity field. For obtaining of the RCS data, scattering electromagnetic wave is calculated. Angular diversity and frequency diversity techniques are used to enhance RCS data. In angular diversity, frequency is constant, aspect and azimuth angles are changed in an interval. In frequency diversity aspect angles are constant, the frequency is changed in the interval. In this way, RCS data of targets are formed as a matrix. For obtaining RCS data of targets, RCS formulas of the elliptical cylinder, rectangular flat and isosceles triangular flat are used. Two main data set are obtained for angular and frequency diversity. Afetrwards, using same and different targets, other two main data set are obtained. Totally four data set are generated for both recognition and classification of radar targets. Supervised and unsupervised methods are main investigation topics in classification and recognition. In supervised methods, classification and regression are achieved with using known class label. On the other hand, in unsupervised methods clustering of the data is obtained without using class label. In training stage of this work, known class labels are used and feature vectors are generated. Thus recognition of classes is possible with supervised methods. In testing stage of this work, class labels are unknown and classification is achieved via unsupervised methods. Similarity between test and training feature vectors of targets is calculated for decision of class. Similarity means euclidean distance between feature vectors of targets. Therefore minimum distance to training feature vectors determine class of the unknown test targets. In this work, feature extraction based radar target recognition methods are investigated. Main difficulty of the methods is selecting features in terms of best classification performance. In literature there are different aproaches for choosing features. For classification of radar targets, Principal Component Analysis (PCA) based approaches are examined. Kernel PCA, Linear Discriminant Analysis (LDA) and Fisher Linear Analysis methods are also investigated in this work. By using RCS matrix, performance comparison of the methods are compared with each other. Moreover, hybrid form of the PCA, KPCA, LDA and FLD are proposed. These forms are PCA+LDA, PCA+FLD, PCA+LDA+FLD, LDA+FLD, KPCA+LDA, KPCA+FDA and KPCA+LDA+FLD. PCA projects multi dimensional data to less dimensional space. To perfom projection, linear and orthogonal transition is required. The covariance matrix helps linear and orthogonal transition in PCA. Principal components are obtained through the eigenvalues and eigenvectors of covariance matrix. By the time, data compression is achieved via PCA. PCA based methods stand on chosing largest eigevalues and eigenvectors. However chosing process of eigenvalues and eigenvectors is not based on optimum criterion. In PCA method, data has to be distributed with high variance to classify well. In distributed data with low variance, PCA is inefficient and classification performance decreases. In this sitution PCA can not seperate classes on subspace by using linear transition. Therefore KPCA methods have become important in terms of non linear transition. KPCA projects data to subspace with using nonlinear transition. To perform nonlinear transition, kernel fuctions are used. In literature, gauss, polynominal and hyperbolic kernel fuctions are mostly used. In this work, polynominal kernel fuction is investigated and used for recognition and classification of radar targets. In chosing features vectors, FLD method brings different approaches to best seperation using Fisher criterion. Many developped method exist for solving Fisher criterion. In litearture Classical Linear Discriminant Vectors (CLDV), Classical Linear Discriminant Vectors with Whitening Process (CLDVM), Weighted Pairwise Fisher Criteria Vectors with Whitening Process (WPFCVW) techniques are studied. In this work, CLDV technique is considered. Thus optimum eigenvalues and eigenvectors are chosen. PCA+LDA is one of the frequently used hybrid method in literature. Because PCA has disadvantages for seperation of same classes with low variance, PCA+LDA takes advantage by increasing successful recognition rate. Meanwhile, novel methods: PCA+LDA+FLD, LDA+FLD, KPCA+LDA, KPCA+FLD and KPCA+LDA+FLD are proposed in this work. This new methods have significant successful recognition rate for specific situations. MATLAB codes are also developed to compare the methods with each other. Moreover, Matlab Graphical User Interface (GUI) program is designed. Therefore setting of eigenvector number, signal to noise ratio (SNR), size of data sets and noise power make the performance analysis easy. Predicted success percentage is shown in a table. As a conclusion, novel methods are compared successfully. Successful recognition rates of methods are calculated and used for comparisons. PCA has highest successful recognition rate on classes that has high variance. FLD has highest successful recognition rate with %100 for frequency diversity. When examined PCA+LDA+FLDA and PCA+LDA methods for angular diversity and target of different class, successful recognition rate has increased for lower eigenvalues used. FLD method has incresed successful recognition rate according to high eigenvalues used. PCA+FLD method has increased successful recognition rate for big size of training data vectors. KPCA+LDA has the lowest successful recognition rate with %44. LDA+FLD has the lowest successful recognition rate with %33,33. For the targets of same class , KPCA, KPCA+LDA, KPCA+FLD and KPCA+LDA+FLD methods have the worst successful recognition rate comparing with the PCA, PCA+LDA, PCA+FLD, PCA+LDA+FLD, FLD and LDA+FLD methods for frequency diversity technique. The result also show that under the certain condition methods performs desired recognition rate.

Benzer Tezler

  1. Tez No

    553132

    Radarla hedef tanıma ve sınıflandırma için radar kesit alanını kullanarak destek vektör makineleri ve temel bileşenler analizine dayalı yeni yaklaşımlar

    Novel approaches for radar target recognition and classification based on SVM and PCA using RCS

    ERGİN GÖKKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. MURAT TAYFUN GÜNEL

  2. Tez No

    246566

    Methods for automatic target classification in radar

    Radarda otomatik hedef sınıflandırma için yöntemler

    ABDÜLKADİR ERYILDIRIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2009

    Bilim ve Teknolojiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Bölümü

    PROF. DR. A. ENİS ÇETİN

  3. Tez No

    119442

    Doppler radar target recognition by neural networks

    Yapay sinir ağları kullanılarak doppler radarı hedefleri tanıma

    ALPAY ERDOĞAN

    Doktora

    İngilizce

    İngilizce

    2002

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. UĞUR HALICI

  4. Tez No

    46368

    Gemilerin ısar ile görüntülenmesinde radar saçılma yüzeylerinin fizik optik yardımıyla modellenmesi

    Başlık çevirisi yok

    E.ELİF TEPELİ

    Yüksek Lisans

    Türkçe

    Türkçe

    1995

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    PROF.DR. ERCAN TOPUZ

  5. Tez No

    866262

    Enhancement of situational awareness in physical security using mixed reality

    Fiziksel güvenlikte karma gerçeklikle durumsal farkındalığın artırılması

    NAZIM YİĞİT KAVASOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKHAN İNCE

Geri Dön