Geri Dön

Evrişimli sinir ağı kullanarak dengesiz doppler radar verisinde hedef sınıflandırma

Target classification in unbalanced doppler radar data using convolutional neural network

  1. Tez No: 795982
  2. Yazar: MUHAMMED ERDOĞAN
  3. Danışmanlar: DOÇ. DR. OKTAY YILDIZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 74

Özet

Kritik öneme sahip askeri ve sivil yerleşkelerin korunması geçmişte olduğu gibi günümüzde de önemini korumaktadır. Bu amaçla, çeşitli sensörler barındıran sistemler geliştirilmektedir. Sensörlerin sağladığı verilerden bilginin elde edilmesi de donanımların en verimli şekilde kullanılması açısından önemlidir. Radar sistemleri keşif, gözetleme ve tespit amacıyla sıklıkla kullanılmaktadır. Literatürdeki radar verisi ile makine öğrenmesi tabanlı yaklaşımlarla hedef sınıflandırma yapılan çalışmalar incelendiğinde radar tiplerinin dört sınıfa ayrıldığı görülebilmektedir. Bunlar, doppler radarları, SAR, pasif radarlar ve uzun menzil hava savunma radarlarıdır. Doppler etkisini referans alarak geliştirilen radarlar doppler radarı olarak isimlendirilirler. Gerçekleştirilen çalışma kapsamında dengesiz doppler veri seti üzerinde çeşitli deneysel çalışmalar yürütülerek literatürdeki mevcut yöntem ve yaklaşımların yanında, sınıflandırma için gerçekleştirilen aşamalardaki yöntemler çeşitlendirilerek sınıflandırma performansının artırılması ve literatürdeki çalışmalar ile karşılaştırılarak elde edilen sonuçların değerlendirilmesi amaçlanmaktadır. Bu amaçla halka açık, dengesiz bir veri seti kullanılarak radar verisinden hedef sınıflandırma yapılmaktadır. Literatürde sıklıkla tercih edilen rastgele orman ve SVM algoritmaları ile evrişimli sinir ağı modeli, çeşitli ön işleme adımları ve farklı eğitim yaklaşımları doğrultusunda test edilmektedir. Performans açısından en verimli önişleme, sınıflandırıcı model ve eğitim yaklaşımının belirlenmesi amaçlanmaktadır. Veri setinin, SMOTE veri ön işleme tekniği kullanılarak dengeli hale getirilen veri seti ile önerilen evrişimli sinir ağı modeli k-kat çapraz doğrulama yaklaşımıyla %99,98 eğitim doğruluğuna ulaşılmaktadır. Test verisi ile elde edilen performans metrikleri de diğer yöntemlere göre başarılı daha başarılı sonuçlar elde etmiştir. Aynı veri seti ile literatürde gerçekleştirilen çalışmalar göz önüne alındığında, önerilen yöntemin literatürdeki diğer yöntemlerle rekabet edebilecek seviyede olduğu söylenebilmektedir.

Özet (Çeviri)

The protection of critically important military and civil settlements maintains its importance today as it was in the past. For this purpose, systems with various sensors are being developed. Extracting information from the data which is provided by the sensors is also important for the most efficient use of the equipment. Radar systems are frequently used for reconnaissance, surveillance and detection purposes. There are rule-based and machine learning-based methods for the classification of objects detected by radar. In machine learning-based approaches, the characteristics of the target object are learned by the model over time without the need for expert opinion. For this reason, these methods are more advantageous than rule-based methods. The studies on the target classification using the radar data with machine learning-based approaches are examined, it can be seen that the radar types are divided into four categories. These are doppler radars, SAR, passive radars and long-range air defense radars. Radars developed based on the Doppler effect are called Doppler radar. Within the scope of the study, various experimental studies are carried out on the unbalanced Doppler data set, in addition to the existing methods and approaches in the literature, it is aimed to increase the classification performance by diversifying the methods in the stages performed for classification and to evaluate the results obtained by comparing them with the studies in the literature. For this purpose, target classification is made from radar data using a public, unbalanced data set. Random forest and SVM algorithms, which are frequently preferred in the literature, and the convolutional neural network model are tested in line with various preprocessing steps and different training approaches. It is aimed to determine the most efficient preprocessing, classifier model and training approach in terms of performance. 99.98% training accuracy is reached with the proposed convolutional neural network model k-fold cross-validation approach with the data set balanced using the SMOTE data preprocessing technique. Performance metrics obtained with test data also achieved more successful results than other methods. Considering the studies carried out in the literature with the same data set, it can be said that the proposed method is at a level that can compete with other methods in the literature.

Benzer Tezler

  1. PriorBox: Long-tail calibration with priors

    PriorBox: Ön bilgi ile dengesiz veri kalibrasyonu

    ABDULLAH DURSUN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ RAMAZAN GÖKBERK CİNBİŞ

  2. Sparse representation based ECG heartbeat classification using convolutional neural networks

    Tıbbı sinyal sınıflandırması için seyrek temsil tabanlı çevrimsel sinir ağlarının kullanılması

    KASIM SHOBAK

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGaziantep Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEMA KAYHAN

  3. X-ray görüntülerinde omuz artroplastisi ımplantlarının sınıflandırılmasında yeni bir derin öğrenme yaklaşımı

    A novel deep learning approach to classifying shoulder arthroplasty implants in x-ray images

    SHAMRIZ NAHZAT

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ METE YAĞANOĞLU

  4. Predicting software vulnerabilities and vulnerability inducing code changes using deep neural networks

    Derin sinir ağlarını kullanarak yazılım güvenlik açıklarını ve güvenlik açığına sebep olan kod değişikliklerini tahmin etme

    SEFA EREN ŞAHİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AYŞE TOSUN

  5. Random capsule network (CAPSNET) forest model for imbalanced malware type classification task

    Dengesiz sınıf dağılımına sahip kötü amaçlı yazılım sınıflandırma görevi ̇için rassal kapsül ağı (CAPSNET) orman modeli

    AYKUT ÇAYIR

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKadir Has Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı

    PROF. DR. HASAN DAĞ