Makine öğrenme tabanlı ters yapay açıklıklı radar tekniği ile karmaşık hedeflerin görüntülenmesi
Imaging of complex targets by machine learning based inverse synthetic aperture radar technique
- Tez No: 840197
- Danışmanlar: PROF. DR. ÖZLEM ÖZGÜN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Radar sistemleri ile karmaşık hedefler görüntülenirken, bu sistemler çevresel bir etken olan gürültüden oldukça etkilenir ve yüksek çözünürlüklü görüntüler veremez. Bu duruma bir çözüm sunmak amaçlı, iyi bir sinyal isleme teknigi olan Ters Yapay Açiklikli Radar (TYAR) ve derin öğrenme tabanlı bir yapi olan Evrisimsel Sinir Ağları (ESA) bir arada kullanılmıştır. Bu sayede geleneksel TYAR görüntüleme yöntemlerinin sahip olduğu, zaman veri yetersizliği gibi problemlerin aşılması amaçlanmıştır. Elektromanyetik dalga ile aydınlatılan 7 farklı karmaşık hedeften X bandını (8-12 GHz) kapsayacak sekilde, faklı açı ve polarizasyonda toplam 400 adet geri saçılan elektrik alan bilgisi ANSYS HFSS programı kullanılarak toplanmıştır. Bu veriler MATLAB ile işlenerek hem saçılma merkezi ile TYAR göruntüleri oluşturulmuş, hem de menzil-Doppler yardımı ile ESA yapısı için giriş görüntü verisi olarak kullanılmıştır. ESA yapıları hem gürültü sorununu aşmak hem de çözünürlük iyilestirmek üzere eğitilmiştir. 21 katman ve 11 katmandan oluşan iki farklı ESA yapısı kurulmuş ve bunlar gürültü sorunu çözmek amaçlı karşılaştırılmıştır. Daha sonra saçılma merkezi çıkartılarak yeniden oluşturulan görüntüler ve çıkartılmamış halindeki görüntüler bu yapılar kullanılarak karşılaştırılmıştır. Son olarak bu görüntüler çözünürlük problemini çözmek için rasgele örneklenerek bozulmuş ve eğitim sonuçları karşılaştırılmıştır. Bu yapılan üç farklı test sonucunda ESA yapıları başarılı görüntü sonuçları vermiş ve gelecek çalışmalarda da az veri ile etkili sonuçlar alınabileceğini göstermiştir.
Özet (Çeviri)
When imaging complex targets with radar systems, these systems are highly affected by environmental noise and cannot provide high resolution images. In order to provide a solution to this situation, a combination of Inverse Synthetic Aperture Radar (ISAR), which is a good signal processing technique, and Convolutional Neural Networks (CNN), a deep learning based structure, are used. In this way, it is aimed to overcome the problems of traditional TAR imaging methods such as lack of time and data. A total of 400 backscattered electric field data is collected from 7 different complex targets illuminated by electromagnetic waves at different angles and polarizations covering the X band (8-12 GHz) using ANSYS HFSS software. These data are processed with MATLAB to create ISAR images with the scattering center and used as input image data for the CNN structure with the help of range-Doppler. The CNN structures are trained to overcome the noise problem and to improve the resolution. Two different CNN structures consisting of 21 layers and 11 lavers are built and compared to solve the noise problem. Then, the reconstructed images with the scattering center and the unconstructed images are compared using these structures. Finally, these images are randomly sampled and distorted to solve the resolution problem and the training results are compared. As a result of these three different tests, CNN structures yielded successful image results and demonstrated that effective results can be obtained with less data in future studies.
Benzer Tezler
- Derin öğrenme ile süper çözünürlüklü radar görüntüleme
Super resolution radar imaging with deep learning
İREM FADİME ERİM
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Yapay zekâ yöntemleriyle termoelektrik modülün kontrolü
Control of thermoelectric module with artificial intelligence methods
TUFAN KOÇ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiMilli Savunma ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NEVRA BAYHAN
PROF. DR. SEDAT BALLIKAYA
- Purchase prediction and item prediction with RNN using different user-item interactions
Farklı kullanıcı-ürün etkileşim türlerini kullanarak özyineli sinir ağları ile ürün ve satış tahminlemesi
FULYA ÇELEBİ SARIOĞLU
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YUSUF YASLAN
- Multi-Task U-Net Surrogate for Aerodynamic and Aeroacoustic Source Field Prediction of Airfoils
Kanat Profillerinin Aerodinamik ve Aeroakustik Kaynak Alanı Tahmini için Çoklu Görev U-Net Vekil Modeli
YUSUF AKTAŞ
Yüksek Lisans
İngilizce
2026
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. BAHA ZAFER
- Restoring underwater images from turbidity and motion blur – a three-step framework
Bulanıklık ve hareketten etkilenmiş sualtı görüntülerinin iyileştirilmesi – üç adımlı bir yaklaşım
FATIMA IQBAL
Yüksek Lisans
İngilizce
2026
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
PROF. DR. SERHAT KÜÇÜKALİ