Ground penetrating radar antenna design to detect buried object and signal processing with deep learning networks by usingnumerical electromagnetic methods
Gömülü hedef tespit etmek için yere nüfuz eden radar anten tasarımı ve sayısal elektromanyetik yöntemler kullanarak derin öğrenme ağları ile sinyal işleme
- Tez No: 800491
- Danışmanlar: DOÇ. DR. HAMİD TORPİ
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- 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: 115
Özet
Tezde, gömülü nesne, B-tarama verileri üretmek için tanımlanmış yere nüfuz eden radar modellerinin 3 boyutlu tam dalga ve zamanda sonlu farklar yöntemi tabanlı elektromanyetik simülasyonlarını yapay zeka tabanlı ağlarla karakterize edilir. İş, farklı konumlara gömülmüş, çeşitli yarıçaplardaki mükemmel elektrik iletken, silindirik şeklindeki bir nesnenin karakteristik parametrelerini birbirinden bağımsız ve eş zamanlı olarak tahmin etmektir. Önerilen metodolojiler, derinliği, yatay konumu ve yarıçapı cinsinden nesnenin karakterizasyonu için geliştirilen hızlı ve doğru veri odaklı vekil modellerden yararlanmaktadır. Bu amaçla üç farklı veri seti ve metodolojisi dikkate alınmıştır. İlk olarak, birkaç doğrusal örneklenmiş eğitim senaryosu kullanılarak istenmeyen yankıları azaltmadan A-tarama analizi ile geometrik ve fiziksel parametreleri açısından nesne karakterizasyonuna odaklanan yeni bir derin öğrenmeye dayalı yapı, zaman-frekans regresyon modeli önerilmiştir. Diğer bir metodoloji, doğrusal regresyon algoritması aracılığıyla B-tarama verilerinden çıkarılan hiperbolik işaretler düzeyinde çalışılarak elde edilir, bu da verilerin boyutunu ve büyüklüğünü etkili bir şekilde azaltır. Bu metodoloji, yansıyan elektrik alanlarının genliklerinin tarama açıklığına göre değişimini içeren 2B B tarama görüntüsünden indirgenen 1B verilere dayanır. Hiperbolik işaretler, tümü önerilen metodoloji kullanılarak çıkarılabilen derinlik, yatay konum ve yarıçap dahil olmak üzere gömülü nesnenin karakteristik parametreleri hakkındaki bilgileri kodlar. Nesne yarıçapının ve konum parametrelerinin aynı anda parametrik tahmini zor bir sorundur. B-tarama profillerinde işleme adımlarının uygulanması, mevcut metodolojilerin bir sınırlaması olan yüksek hesaplama maliyetlerine neden olur. Metamodelin kendisi, yeni bir derin öğrenmeye dayalı değiştirilmiş çok katmanlı algılayıcı yapısı kullanılarak oluşturulur. Son metodoloji, dört farklı toprak ortamına gömülü nesne için çeşitli veri kümelerini içeren vaka incelemeleriyle kapsamlı bir karakterizasyon analizi önerilmiştir. Herhangi bir istenmeyen yankıları azaltma yöntemi uygulanmayan ZFS için özelleştirilmiş sunulan DRA yapısı, niteliksel anlamda tahmin performansına sahiptir ve kıyaslama modellerinden ve karşılaştırmalı vakalardan daha üstündür. Sunulan yaklaşımlar, çok katmanlı algılayıcı (MLP), konvolüsyonel sinir ağı (CNN), Gauss süreci (GP) regresyonu ve destek vektör regresyon makinesi (SVRM) dahil olmak üzere son teknoloji regresyon teknikleriyle uygun bir şekilde karşılaştırılmıştır. Ayrıca, önerilen vekil modeller, fiziksel ölçümleri veri kaynağı olarak ele alma yaklaşımlarının uygunluğunun göstergesi olarak ölçüm verileri aracılığıyla doğrulanmaktadır.
Özet (Çeviri)
In the thesis, the buried object is characterized with artificial-intelligence-based networks using 3-D full-wave and FDTD-based electromagnetic simulations of defined ground penetrating radar (GPR) models to generate B-scan data. The task is to estimate characteristic parameters of a cylindrical shape, perfectly electric conductor (PEC) object of various radii, buried at different positions independently from each other and simultaneously. The proposed methodologies capitalize on fast and accurate data-driven surrogate models developed for object characterization in terms of its depth, lateral position, and radius. For this purpose, three different data sets and methodologies are taken into consideration. Firstly, a novel deep learning-based framework, time-frequency regression model (TFRM) which focuses on the object characterization in terms of its geophysical parameters with A-scan analysis without clutter reduction by using a few linear sampled train scenarios is proposed. Another methodology is achieved by operating at the level of hyperbolic signatures extracted from the B-scan data through linear regression algorithm, which effectively reduces the dimensionality and the size of data. This methodology relies on reduced of 2D B-scan image to 1D data including variation of reflected electric fields' amplitudes with respect to the scanning aperture. The hyperbolic signatures encode information about the characteristic parameters of the buried object, including depth, lateral position, and radius, all of which can be extracted using proposed methodology. Parametric estimation of the object radius and the location parameters simultaneously is a challenging problem. The application of processing steps on B-scan profiles incurs high computational costs, which is a limitation of the current methodologies. The metamodel itself is rendered using a novel deep-learning-based modified multilayer perceptron (M2LP) framework. The final methodology is proposed a comprehensive characterization analysis with study cases including diverse data sets for object buried in four different soil media. The characteristic parameters independently from each other and simultaneously are estimated via computationally efficient a novel deep regression network (DRN) by using time frequency spectrogram (TFS) of unprocessed, raw consecutive A-scans. The presented DRN framework customized for TFS without any application of clutter reduction method has prediction performance in a qualitative sense and superior to benchmark models and comparative cases. The presented approaches are favourably benchmarked against the latest developed regression techniques, including multilayer perceptron (MLP), convolutional neural network (CNN), Gaussian process (GP) regression and support vector regression machine (SVRM). Furthermore, the proposed surrogate models are validated via measurement data, which is indicative of suitability of the approaches to handle physical measurements as data sources.
Benzer Tezler
- UHF (aşırı yüksek frekans) bandında yere nüfuz eden radar uygulamaları için geniş bantlı anten tasarımı
Design of broadband antennas in UHF (ultra-high frequency) band for gpr (ground penetrating radar) applications
HAKAN ŞENGÜL
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. BİRSEN SAKA TANATAR
- Vivaldi Antenna Design for gpr application
Yeraltı görünteleme radarı için vivaldi anten tasarımı
BADER MOHAMMAD HASAN AWAD
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Aydın ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SAEID KARAMZADEH
- Yere nüfuz eden radar (ground penetrating radar) (darbe üreteci ve anten dizaynı)
Ground penetrating radar (pulser and antenna design)
VEYSİ ÖZTÜRK
Yüksek Lisans
Türkçe
1999
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. CEM NAKİBOĞLU
- Geniş bantlı TEM ve ridged horn anten dizisi tasarımı
Wide band TEM and ridged horn antenna array design
ALPER ÇALIŞKAN
Yüksek Lisans
Türkçe
2014
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET SERDAR TÜRK
- Sığ yüzeyaltı görüntüleme için IHA üzerine entegre edilebilen yüksek çözünürlüklü YNR sistem geliştirilmesi
Development of high resolution YNR system that can be integrated on the UAV for shallow subsurface imaging
RASİM KADİRHAN
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiBursa Uludağ ÜniversitesiElektronik Ana Bilim Dalı
DOÇ. DR. ENES YİĞİT