Evrişimli sinir ağı kullanarak dengesiz doppler radar verisinde hedef sınıflandırma
Target classification in unbalanced doppler radar data using convolutional neural network
- Tez No: 795982
- Danışmanlar: DOÇ. DR. OKTAY YILDIZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- PriorBox: Long-tail calibration with priors
PriorBox: Ön bilgi ile dengesiz veri kalibrasyonu
ABDULLAH DURSUN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ RAMAZAN GÖKBERK CİNBİŞ
- 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
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGaziantep ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEMA KAYHAN
- 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
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ METE YAĞANOĞLU
- 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
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE TOSUN
- 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
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKadir Has ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. HASAN DAĞ