Makine öğrenme ve pekiştirmeli öğrenme algoritmaları ile denizaltı savunma harbinin modellenmesi
Modeling anti-submarine warfare with machine learning and reinforcement learning algorithms
- Tez No: 842342
- Danışmanlar: PROF. DR. HAYRİ SEVER
- Tez Türü: Yüksek Lisans
- Konular: Savunma ve Savunma Teknolojileri, Defense and Defense Technologies
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Çankaya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Veri Analitiği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 137
Özet
Denizaltılar savaş sahnesine çıktıkları ilk andan itibaren savaşın gidişatını doğrudan etkileyebilen platformlar olmuştur. Bu platformlar dost unsur olarak kullanıldığında büyük bir kuvvet çarpanı olabilecekleri gibi tehdit unsur olduklarında ise büyük bir risk olacaklardır. Bu nedenle harekât sahasında bu denli büyük etkiye sahip platformlara karşı etkin bir savunma yapısına sahip olunması oldukça önemlidir. Bu çalışmada tehdit denizaltılara karşı etkin bir savunma yapısına sahip olunabilmesi için gerekli platformlar (savaş gemisi, uçak ve helikopter) ile bu platformlardan atılacak silah sayıları hesaplanmaya çalışılmıştır. Bu kapsamda ilk olarak çalışmada kullanılacak veriler tanımlanmış ve anılan veriler ön işleme tabi tutulmuştur. Bu doğrultuda DSH'ı etkileyen parametrelerin neler olduğu belirlenmiş ve bu parametreler için uygun dağılımlara sahip verilerden 220 satırlık kaynak veri seti oluşturulmuştur. Daha sonra bu veri setindeki veri sayılarını artırmak için 8 farklı sentetik veri üretme tekniğinden faydalanarak (her bir teknik ile veri setindeki satır sayısı 10000 yapılmıştır.) yeni veri setleri oluşturulmuştur. Müteakiben hangi teknik ile veri artırımı yapılacağının belirlenmesi için oluşturulan veri setlerine bir dizi test uygulanarak en iyi sonucu veren sentetik veri üretme tekniği belirlenmiştir. Yapılan inceleme neticesinde en uygun veri artırım yönteminin MDO yöntemi olduğu belirlenmiştir. Ardından MDO yöntemiyle oluşturulmuş 10000 adet veri ile 7 farklı makine öğrenme modeli kullanılarak her bir tehdit denizaltı imhası için gerekli silah sayıları belirlenmiştir. Çalışmanın sonraki bölümünde; ilk olarak tehdit denizaltı tespit olasılıkları hesaplanmıştır. Ardından tespit olasılıkları, atılması gereken silah sayıları ve platform/silah maliyetleri kullanılarak ve Pekiştirmeli Öğrenme algoritmasından faydalanılarak tüm tehdit denizaltıların imhası için çeşitli harekât tarzlarından alınan sonuçlar hesaplanmıştır. Bu hesaplamalara göre optimal harekât tarzı belirlenmiştir. Çalışmanın son kısmında ise elde edilecek kazanımlara değinilmiştir.
Özet (Çeviri)
Submarines have been platforms that can directly affect the course of war from the moment they first appeared on the battlefield. While these platforms can be a great force multiplier when used as a friendly element, they will be a great risk when they are used as a threat. For this reason, it is very important to have an effective defense structure against platforms that have such a great impact in the field of operations. In this study, the necessary platforms (warship, aircraft and helicopter) and the number of weapons to be fired from these platforms were tried to be calculated in order to have an effective defense structure against threat submarines. In this context, firstly, the data to be used in the study were defined and the said data were pre-processed. In this regard, the parameters affecting submarine defense warfare were determined and a 220-line source data set was created from data with appropriate distributions for these parameters. Then, new data sets were created by using 8 different synthetic data generation techniques (the number of rows in the data set was increased to 10000 with each technique) to increase the number of data in this data set. Subsequently, a series of tests were applied to the created data sets to determine which technique would be used to increase data, and the synthetic data generation technique that gave the best results was determined. As a result of the examination, it was determined that the most suitable data augmentation method was the MDO method. Then, the number of weapons required to destroy each threat submarine was determined by using 10000 data created by the MDO method and 7 different machine learning models. In the next part of the study; First, threat submarine detection probabilities were calculated. Then, using detection probabilities, number of weapons to be fired and platform/weapon costs, and using the Reinforcement Learning algorithm, the results obtained from various operational modes were calculated to destroy all threat submarines. According to these calculations, the optimal mode of operation was determined. In the last part of the study, the gains to be achieved are mentioned.
Benzer Tezler
- Derin pekiştirmeli öğrenme yöntemi ile görüntü hash kodlarını oluşturma
Generating image hash codes with deep reinforcement learning method
ELİF AKKAYA
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURHAN BARAKLI
- A comparative study of nonlinear model predictive control and reinforcement learning for path tracking
Yol izleme için doğrusal olmayan model öngörülü kontrol ve pekiştirmeli öğrenmenin karşılaştırmalı çalışması
GAMZE TÜRKMEN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. OVSANNA SETA ESTRADA
- Autonomous vehicle control using reinforcement learning
Otonom bir aracın pekiştirmeli öğrenme ile kontrolü
HÜMA BOZKURT
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik MühendisliğiKadir Has ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ATİLLA ÖZMEN
PROF. DR. TÜLAY YILDIRIM
- Trajectory tracking control of a quadrotor with reinforcement learning
Pekiştirmeli öğrenme ile bir quadrotor'un yörünge takip kontrolü
EREN ÇAKMAK
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Q öğrenme algoritması ile kontrolör tasarımı
Controller design via Q learning algorithm
ERVA HATUN TEKEOĞLU
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. MÜJDE GÜZELKAYA