GNSS karıştırma tipi sınıflandırmada makine öğrenmesi yaklaşımı
Machine learning approach in GNSS jamming type classification
- Tez No: 758902
- Danışmanlar: DR. YAKUP SABRİ ÖZKAZANÇ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 94
Özet
GNSS sinyalleri günümüzde uydu takımına bağlı olarak konumun, zamanın ve hızın tespit edilmesinde değerlendirilen sinyallerdir. Askeri ve sivil unsurların birçoğu ilgili verileri elde edebilmek için GNSS yapısında olan GPS, GLONASS, BEIDOU gibi sistemlerden gelen bu sinyalleri kullanır. Bu bilgi insanlı/insansız tüm platformların ulaşmak istediği hedefe en düşük sapmayla en doğru şekilde ulaşmasını amaçlar. Ancak, bu sinyallerin karıştırılması ve kullanıcının bu sinyalden elde etmesi gereken veriye ulaşmasının engellenmesi yaklaşımı günümüzde sıkça kullanılan yaklaşımlardandır. Karıştırıcıların müdahalesiyle platformlar ve sistemler konum veya hız kaybederek etkisiz hale gelebilmektedir. Unsurların ele geçirilmesi, kırıma uğraması, kaybolması, istenen şekilde görev icra edememesi gibi durumlar karıştırma faaliyetlerinin ana çıktılarındandır. Kullanıcı karıştırmanın bahsedilen bu olumsuz etkilerinden kurtulabilmek amacıyla karıştırıcıyı tespit etmeyi ve etkisini azaltıcı bazı yaklaşımlar sergilemeyi hedefler. Karıştırıcıların belirli türleri bulunmaktadır. Bu türlerin birbirinden ve karıştırma olmayan durumdan ayrılabilmesi, karıştırıcı etkisinin azaltılmasında kritik öneme sahip bir durum olarak değerlendirilmektedir. Sınıflandırmanın doğru yapılabilmesi negatif etkilerin azaltılmasına dair en doğru çözümün uygulanabilmesine imkan sağlar. Bu sınıflandırmanın yüksek hızlarda yapılabilmesi insan eliyle mümkün olamamaktadır. Bu nedenle ve en doğru sınıflandırmayı elde edebilmek amacıyla bu sınıflandırma problemlerinin çözümünde makine öğrenmesi yaklaşımlarından birinin ya da birkaçının kullanılması birçok farklı çalışmada ele alınmıştır. GNSS karıştırıcıların tespit edilmesini ve karıştırıcı türünün doğru sınıflandırılmasını amaçlayan bu çalışmada, AM, FM, NB ve Chirp karıştırıcı olarak dört durum ve karıştırıcı olmayan durum olmak üzere beş durum belirlenmiş, her durum için 10000 adet sinyal olarak toplamda 50000 adet sinyal üretilmiştir. Oluşturulan sinyaller belirli gürültü ve karıştırma oranlarına bağlı olarak daha gerçekçi bir hale getirilmiştir. Elde edilen sinyaller öncelikle doğrudan ham veri olarak, sonrasında kısa zamanlı Fourier dönüşüm (STFT) ile elde edilen öznitelikler kullanılarak ve ardından Wigner-Ville Dağılımı ile elde edilen öznitelikler kullanılarak makine öğrenmesi modellerine girdi olarak sağlanmıştır. Öznitelik çıkarılarak yürütülen çalışmalarda tercih edilen STFT ve Wigner-Ville analiz yöntemlerinden hangisinin daha iyi performans sergilediği ve öznitelik çıkarılmadan doğrudan ham verilerle yapılan çalışmalarda elde edilen performansın öznitelik çıkarılarak yürütülen çalışmalara kıyasla nasıl bir sonuç sağladığı analiz edilmiştir. Ham veri ve zaman-frekans analizleriyle elde edilen öznitelikler CNN, SVM, RF, MLP ve NN olarak belirlenen beş ayrı makine öğrenmesi modeline verilmiş ve öğrenme performansları elde edilmiştir. Tüm verilerle elde edilen sonuçlar AM, FM, NB, Chirp ve NJ olarak etiketlenmiştir. NJ durumu karıştırmanın olmadığı durumu ifade ederken, AM, FM, Chirp ve NB durumları ilgili karıştırıcıların varlığının tespit edildiği durumları ifade etmektedir. Tercih edilen makine öğrenmesi modellerinden en iyi performansın STFT ile elde edilen özniteliklerin kullanılmasıyla yürütülen CNN öğrenme modeli sonucunda sağlanabildiği ve sınıflandırma performansının \%98.5 olduğu gözlenmiştir.
Özet (Çeviri)
Today, GNSS signals are signals that are evaluated in determining position, time and speed depending on satellite sets. In order to obtain relevant data many of the military and civilian elements use these signals from systems such as GPS, GLONASS, BEIDOU, which are parts of the GNSS system. This information aims to ensure that all manned/unmanned platforms reach the target they want to achieve in the most accurate way with the lowest deviation. However, the approach of jamming these signals and preventing from accessing the data the user they need to obtain from this signal is one of the approaches frequently used today. Platforms and systems can be adjusted to their position or speed and they can be neutralized by losing their consciousness about it with the intervention of jamming. Situations such as seizing, breaking, disappearing, and inability to perform tasks as desired are among the main outputs of jamming activities. In order to get rid of these negative effects of jamming, the user aims to identify the mixer and show some approaches to reduce its effect. There are certain types of jamming. The separation of these cases from each other and from the state without jamming is considered a critical situation in reducing the jamming effect. The correct classification enables the most accurate solution to be applied to reduce negative effects of jamming. It is not possible to make this classification at high speeds by human hands. For this reason, using one or more of the machine learning approaches in solving these classification problems in order to obtain the most accurate classification, has been discussed in many different studies. There are four cases as AM, FM, NB and Chirp jamming and fifth situation are determined as a case without jamming In this study which aims to detect GNSS jamming and to classify the jamming types correctly. We had a totally of 50000 signals are produced as 10000 signals for each cases. The generated signals are made more realist depending on certain noise ratios and mixing ratios. The obtained signals are provided as input to the machine learning models firstly as raw data directly, then by using the features extraction by short-time Fourier transform (STFT), and then by using the features extraction with the Wigner-Ville Distribution. It has been analyzed which of the preferred STFT and Wigner-Ville analysis methods performs better in feature extraction proccessing and how does the performance obtained in studies conducted directly with raw data without feature extraction compare to the studies conducted by feature extraction. Raw data and features extracted by time-frequency analyzes were given to five different machine learning models determined as CNN, SVM, RF, MLP and NN and learning performances were obtained. Results with all data are labeled as AM, FM, NB, Chirp, and NJ cases. The NJ case represent the absence of jamming, while the AM, FM, Chirp and NB cases represent the cases in which the presence of the relevant jamming is detected. It has been observed that the best performance from the preferred machine learning models can be achieved as a result of the CNN learning model carried out by using the features extracted with STFT, and the classification performance is \%98.5.
Benzer Tezler
- GNSS ve IMU kullanarak ARM tabanlı seyrüsefer sisteminin geliştirilmesi
Development of ARM based navigation system using GNSS and IMU
RAMAZAN SAYAN
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ VEYSEL GÖKHAN BÖCEKÇİ
PROF. DR. HAYRİYE KORKMAZ
- Taguchi yöntemi ile uyarlamalı GPS karıştırma bastırıcı sistem tasarımı
Design of adaptive GPS jamming mitigation system through Taguchi's method
SEMİH SELÇUK ÖZDEMİR
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERTUĞRUL AKSOY
- Starlink tabanlı radyo konumlama sisteminin kavramsal tasarımı
Conceptual design of starlink based radio locationing system
DOĞUKAN KÖK
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YAKUP SABRİ ÖZKAZANÇ
- Optimal fusion of multiple GNSS signals via kalman filtering against spoofing sources
Aldatma kaynaklarına karşı kalman filitre kullanarak çoklu GNSS sinyallerinin optimum birleştirilmesi
SELÇUK ŞAHİN
Yüksek Lisans
İngilizce
2016
Elektrik ve Elektronik MühendisliğiTürk Hava Kurumu ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ABEDALLATIF BABA
YRD. DOÇ. DR. SUDANTHA BALAGA
- Uydudan küresel konumlama sistemleri alıcıları için karıştırmaya dayanaklı ön-uç elektroniği ve anten tasarımı
Anti-jam RF front-end and antenna design for global navigation satellite system receivers
OLCAY YİĞİT
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik MühendisliğiEge ÜniversitesiElektromanyetik Alanlar ve Mikrodalga Tekn. Ana Bilim Dalı
PROF. DR. KORKUT YEĞİN