Improved helicopter classification via deep learning and overlapped range-doppler maps
Derin öğrenme ve örtüşen menzil-doppler görüntüleri ile geliştirilmiş helikopter sınıflandırması
- Tez No: 894592
- Danışmanlar: PROF. DR. IŞIN ERER
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 69
Özet
Radar hedef sınıflandırması, nesneleri radar yankılarına göre tanımlama ve sınıflandırma etme işlemidir. Bu, hava savunması, hava trafik kontrolü dahil olmak üzere çeşitli alanlarda önemli bir görevdir. Radar hedef sınıflandırmasının önemli olmasının ana nedenlerinden biri, nesnelerin etkili bir şekilde algılanmasına ve izlenmesine izin vermesidir. Bu, düşman hedeflerini tespit edip takip edebilmenin gerekli olduğu askeri savunmada özellikle önemlidir. Radar hedeflerini doğru bir şekilde sınıflandırarak, karar vermeyi bilgilendirebilecek ve etkili karşı önlemlerin geliştirilmesine izin verebilecek mevcut nesnelerin türünü ve sayısını belirlemek mümkündür. Radar hedef sınıflandırmasının önemli olmasının bir başka nedeni de, radar sistemlerinin doğruluğunu ve güvenilirliğini artırmaya yardımcı olabilmesidir. Nesneleri doğru bir şekilde tanımlayıp sınıflandırarak, radar sistemleri iletilen bir sonraki darbenin özelliklerini uyarlayabilir ve seçebilir, bu da sistemin genel performansını artırabilir. Radar hedef sınıflandırması için geliştirilmiş birkaç farklı yöntem vardır ve bunlar, sınıflandırma algoritmaları tarafından kullanılan girdiye dayalı olarak geniş bir şekilde beş kategoride gruplandırılabilir. Bu kategoriler arasında mikro-doppler imzaları, Yüksek Çözünürlüklü Menzil Profili Oluşturma, görüntü tabanlı yaklaşımlar, kinematik özellik tabanlı yaklaşımlar (RCS, hız ve konum gibi) ve RD haritaları (Menzil-Doppler haritaları) bulunur. Ek olarak, bu yaklaşımların çıktıları da olasılıksal yöntemler kullanılarak birleştirilebilir. Mikro-Doppler, bir helikopter rotorunun bıçakları veya bir uçağın kanatçıkları gibi bir hedef içindeki küçük hareketli parçaların veya titreşen yapıların Doppler kaymasını tanımlamak için kullanılan bir terimdir. Bu küçük hareketler, hedef hakkında ek bilgi elde etmek için kullanılabilen radar dönüş sinyalinde ince modülasyonlara neden olabilir. Bir hedefin mikro-Doppler imzasını analiz ederek, hedefin sınıflandırılmasına yardımcı olabilecek mevcut hareketli parçaların veya yapıların tipini ve sayısını belirlemek mümkündür. Yüksek Çözünürlüklü Menzil Profili oluşturmaya dayalı başka çalışmalar da var. Yüksek menzilli çözünürlüklü radar (HRRP), yüksek çözünürlüklü menzil profili olarak bilinen bir nesnenin tek boyutlu imzasını elde etmek için kullanılan bir tekniktir. Bu imza, hedefin bir radar darbesine verdiği zaman alanı yanıtının bir temsilidir ve sinyalin genliği, belirli bir zaman gecikmesinde geri dönüşün gücü hakkında bilgi sağlayarak her bir yüksek çözünürlüklü menzil hücresinde ölçülür. HRRP, menzil profili imzalarının farklı özelliklerinden dolayı radar hedeflerinin sınıflandırılmasında kullanışlıdır. Bunun dışında görüntü sınıflandırma yaklaşımları genellikle Sentetik Açıklıklı Radar (SAR) veya ISAR'a dayalıdır. SAR görüntüleri, artan çözünürlüklü tek bir görüntü oluşturmak için farklı konumlardan iletilen çoklu darbelerden gelen sinyalleri birleştiren sentetik açıklık adı verilen bir teknik kullanılarak geri gönderilen radar sinyallerinin işlenmesiyle üretilir. Ortaya çıkan görüntü bir fotoğrafa benzer, ancak görünür ışık yerine radar sinyalleri kullanılarak oluşturulur. Özellikle MSTAR veri setine dayalı birçok hedef sınıflandırma çalışması bulunmaktadır. Kinematik özelliklerse, bir nesnenin hareketi veya hareketi ile ilgili özellikleri veya özellikleri ifade eder. Radar alanında, kinematik özellikler, radar teknolojisi kullanılarak tespit edilip analiz edilebilen bir hedefin hareketinin veya hareketinin özelliklerine bağlıdır. Bu özellikler, hareket özelliklerine göre farklı tipteki hedefleri tanımlamak ve sınıflandırmak için radar tabanlı otomatik hedef tanıma (ATR) sistemlerinde kullanılabilir. Kinematik özellikler, özellik çıkarma algoritmaları ve makine öğrenme teknikleri dahil olmak üzere çeşitli yöntemler kullanılarak radar verilerinden çıkarılabilir. Menzil-Doppler (RD) haritaları, bir hedefin menzili ve hızı hakkında bilgi sağladıkları için radar hedef sınıflandırmasında yaygın olarak kullanılan bir araçtır. RD haritaları, radar yankı sinyalinin Fourier dönüşümü alınarak ve elde edilen verilerin iki boyutlu bir grafikte çizilmesiyle oluşturulur. Hedefin menzili x ekseninde temsil edilir ve hedefin hızı y ekseninde temsil edilir ve genlik z ekseninde görülebilir. Radar hedef sınıflandırması için RD haritalarını kullanmanın çeşitli avantajları vardır. Başlıca faydalarından biri, bir hedefin hareketi ve özellikleri hakkında ayrıntılı bilgi sağlamasıdır. Farklı hedefler benzersiz RD harita imzalarına sahip olacağından, bu özellikle farklı hedef türleri arasında ayrım yapmaya çalışırken faydalı olabilir. Örneğin, bir helikopter, bir araba veya uçaktan farklı bir RD görüntüsüne sahip olacak ve bu, hedefin doğru bir şekilde sınıflandırılmasına izin verecektir. Bu tezde, RD haritalarına odaklanıyoruz ve radar verilerini ve bir GRU ağı ile 2B örtüşen menzil-Doppler harita yaklaşımını kullanarak helikopter hedeflerini sınıflandırmak için bir yöntem öneriyoruz. Tekrarlayan sinir ağları (RNN'ler), dizi verileri işlemek için özellikle uygun olan bir sinir ağı türüdür. Geçitli tekrarlayan birim (GRU) olarak bilinen bir tür RNN, daha küçük veri kümelerini işlemede özellikle etkilidir. GRU'lar, uzun kısa süreli bellek (LSTM) ağları gibi diğer RNN türlerine kıyasla daha basit bir yapıya sahiptir. Verilerdeki uzun vadeli bağımlılıkları etkili bir şekilde yakalayabilirler ki bu genellikle daha küçük veri kümeleriyle çalışırken bir zorluktur. Bunun nedeni, daha küçük veri kümelerinin genellikle öğrenilebilecek daha az veriye sahip olmasıdır, bu da modelin verilerdeki karmaşık kalıpları öğrenmesini zorlaştırabilir. Modelin uzun vadeli bağımlılıkları yakalamasına izin vererek, modelin performansını iyileştirmeye yardımcı olabilecek verilerin temel yapısını daha iyi yakalayabilirler. Ayrıca, LSTM'ler gibi, GRU'lar da, RD harita boyutları aynı olmadığından, radar sınıflandırması için uygun olan değişken uzunluktaki girdi dizilerini işleyebilir. Ayrıca örtüşen pencere, özellikle derin öğrenme alanında veri işleme ve analizde kullanılan bir yöntemdir. Bir veri kümesini daha küçük parçalara veya“pencerelere”bölmeyi ve ardından bu bölümleri aralarında bir miktar örtüşme olacak şekilde üst üste bindirmeyi içerir. Bu örtüşme, sınıflandırma ve tahmin gibi görevler için yararlı olabilecek ek bağlam ve bilgilerin verilere dahil edilmesini sağlar. Örtüşen pencereleri kullanmanın ana faydalarından biri, verilere daha fazla zamansal veya uzamsal bilginin dahil edilmesine izin vermesidir. Örneğin, doğal dil işleme alanında, daha uzun metinleri veya kelime dizilerini işlemek için örtüşen bir pencere yaklaşımı kullanılabilir ve bu da analize daha fazla bağlam ve anlamın dahil edilmesini sağlar . Görüntü işlemede, üst üste binen pencereler, görüntüleri farklı ölçeklerde analiz etmek için kullanılabilir ve ince ayrıntıların yanı sıra genel yapı hakkındaki bilgileri de içerir. Örtüşen pencerelerin diğer bir avantajı, kullanılan modelin sağlamlığını ve genellenebilirliğini geliştirebilmesidir. Model, analize daha fazla bilgi ve bağlam dahil ederek verilerdeki varyasyonları ve sapmaları daha iyi işleyebilir ve bu da görünmeyen veya örneklem dışı verilerde daha iyi performans sağlar. Bu, gerçek dünya uygulamalarında sıklıkla olduğu gibi, veri kümesinin küçük veya dengesiz olduğu durumlarda özellikle yararlı olabilir. Ayrıca, örtüşen pencereler genellikle zaman serisi analizinde ve sıralı verileri içeren diğer görevlerde kullanılır. Buradaki fikir, verileri örtüşen bölümlere veya sabit boyutta“pencerelere”bölmek ve ardından bu pencereleri bir derin öğrenme modeline girdi olarak kullanmaktır. Böylece, hedefle ilgili daha fazla ilgili bilgi tutulduğu için sınıflandırmanın doğruluğunu artırabilir. Ek olarak, örtüşen pencerelerin kullanımı, pencere boyutu hedeflerin boyutuna uyacak şekilde ayarlanabildiğinden, menzil çözünürlüğünden bağımsız olarak RD haritalarının sınıflandırılmasına izin verir. Bu, yöntemi oldukça esnek ve farklı senaryolara uyarlanabilir hale getirir. Bu yaklaşımın, çeşitli radar sistemlerini kullanarak farklı helikopter tiplerini doğru bir şekilde tanımlamada etkili olduğunu gösteriyoruz. Örtüşen bir pencere modelinin kullanılması, uzamsal bilgilerin verilere dahil edilmesine izin verirken, GRU ağı daha küçük veri kümelerini işleyebilir ve hedefle ilgili daha fazla ilgili bilgiyi koruyabilir. Sonuçlarımız, önerilen yöntemin doğruluk ve sağlamlık açısından geleneksel yaklaşımlardan daha iyi performans sergilediğini göstermiştir. Bu yöntem, farklı boyutlardaki radar verilerini sınıflandırabildiği için oldukça esnektir ve farklı senaryolara uyarlanabilir. Radar hedefi sınıflandırması için örtüşen çok hücreli GRU yönteminin, ilk deneyde Radar A ve B'den gelen verilerde sırasıyla yüzde 96,3 ve yüzde 96,13 ile en yüksek helikopter sınıflandırma doğruluğuna sahip olduğu bulunmuştur. İkinci deneyde ayrıca yüzde 93,72'lik bir helikopter sınıflandırma doğruluğu ve yüzde 99,37'lik bir gürültü ve kargaşa doğruluğu elde edilmiştir. F1 puanı ve Mathew Korelasyon Katsayısı (MCC) gibi değerlendirme metrikleri de hesaplanmıştır ve sırasıyla 0,942961037 ve 0,935928076 olarak bulunmuştur. Genel olarak, örtüşen çok hücreli GRU yönteminin, test edilen diğer yöntemlere kıyasla daha iyi performans gösterdiği bulunmuştur. Bu bulguların, önerilen yaklaşımın radar hedeflerinin doğru bir şekilde tanımlanması ve sınıflandırılması için umut verici bir yöntem olduğunu öne sürdükleri için, radar hedefi sınıflandırma alanı için önemli çıkarımları vardır. Önerilen yöntem, radar sistemlerinin performansını önemli ölçüde iyileştirme ve radar verilerine dayanan çeşitli uygulamaların yeteneklerini geliştirme potansiyeline sahiptir.
Özet (Çeviri)
Radar target classification is the process of identifying and categorizing objects based on their radar echoes. This is an important task in a variety of fields, including air defense, air traffic control. One of the main reasons why radar target classification is important is because it allows for the effective detection and tracking of objects. This is particularly important in military defense, where it is necessary to be able to identify and track enemy targets. By accurately classifying radar targets, it is possible to determine the type and number of objects that are present, which can inform decision making and allow for the development of effective countermeasures. There are several different methods that have been developed for radar target classification, which can be broadly grouped into five categories based on the input used by the classification algorithms. These categories include micro-doppler signatures, High Resolution Range Profiling, image-based approaches, kinematic feature-based approaches (such as RCS, velocity, and position), and RD maps (Range-Doppler maps). Additionally, the outputs of these approaches can also be combined using probabilistic methods. In this thesis, we focus on RD maps and propose a method for classifying helicopter targets using radar data and a 2D overlapping range-Doppler map approach with a GRU network. Range-Doppler (RD) maps are a commonly used tool in radar target classification, as they provide information about the range and velocity of a target. RD maps are created by taking the Fourier transform of the radar echo signal and plotting the resulting data in a two-dimensional grid. The range of the target is represented on the x-axis and the velocity of the target is represented on the y-axis, and the amplitude can be seen in the z-axis. There are several advantages to using RD maps for radar target classification. One of the main benefits is that they provide detailed information about the movement and characteristics of a target. This can be particularly useful when trying to distinguish between different types of targets, as different targets will have unique RD map signatures. For example, a helicopter will have a different RD map signature than a car or a plane, which allows for accurate classification of the target. Recurrent neural networks (RNNs) are a type of neural network that are particularly well-suited for processing sequential data. One type of RNN, known as a gated recurrent unit (GRU), is particularly effective at handling smaller datasets. GRUs have a simpler structure compared to other types of RNNs, such as long short-term memory (LSTM) networks.They are able to effectively capture long-term dependencies in the data, which is often a challenge when working with smaller datasets. This is because smaller datasets often have less data available to learn from, which can make it difficult for the model to learn complex patterns in the data. By allowing the model to capture long-term dependencies, they are able to better capture the underlying structure of the data, which can help to improve the performance of the model. Moreover, like LSTMs, they GRUs are able to handle variable-length input sequences which is suitable for radar classification since RD map sizes are not the same. Moreover, the overlapped window is a method used in data processing and analysis, particularly in the field of deep learning. It involves dividing a dataset into smaller segments or“windows,”and then overlaying these segments on top of one another, with some overlap between them. This overlap allows for the incorporation of additional context and information in the data, which can be useful for tasks such as classification and prediction. One of the main benefits of using overlapped windows is that it allows for the inclusion of more temporal or spatial information in the data. For example, in the field of natural language processing, an overlapped window approach can be used to process longer texts or sequences of words, allowing for the inclusion of more context and meaning in the analysis. In image processing, overlapped windows can be used to analyze images at different scales, incorporating information about the overall structure as well as fine details. Another advantage of overlapped windows is that they can improve the robustness and generalizability of the model being used. By incorporating more information and context in the analysis, the model is able to better handle variations and deviations in the data, leading to better performance on unseen or out-of-sample data. This can be particularly useful in cases where the dataset is small or imbalanced, as is often the case in real-world applications. Furthermore, overlapped windows are often used in time series analysis and other tasks that involve sequential data. The idea is to divide the data into overlapping segments or“windows”of a fixed size, and then use these windows as input to a deep learning model. Thus, it can improve the accuracy of the classification, as more of the relevant information about the target is retained. Additionally, the use of overlapping windows allows for the classification of RD maps regardless of the range resolution, as the window size can be adjusted to fit the size of the targets. This makes the method highly flexible and adaptable to different scenarios. We demonstrate that this approach is effective in accurately identifying different types of helicopters using various radar systems. The use of an overlapped window model allows for the incorporation of spatial information in the data, while the GRU network is able to handle smaller datasets and preserve more of the relevant information about the target. Our results indicate that the proposed method outperforms traditional approaches in terms of accuracy and robustness. This method is highly flexible and adaptable to different scenarios, as it is able to classify radar data of varying sizes. The overlapped multicell GRU method for radar target classification was found to have the highest helicopter classification accuracy on data from radars A and B, respectively, in the first experiment. In the second experiment, it also achieved a better helicopter classification accuracy. Moreover, evaluation metrics such as the F1 score and Mathew Correlation Coefficient (MCC) were also calculated, and the results are in the same direction as accuracies. Overall, the overlapped multicell GRU method was found to perform better compared to the other methods tested.
Benzer Tezler
- Biyomimetik tabanlı helikopter konma kızakları sönümleme mekanizması
Biomimetic based helicopter landing skids absorption mechanism
CEBRAİL CUDRİ
Yüksek Lisans
Türkçe
2022
Makine MühendisliğiGazi ÜniversitesiEndüstriyel Tasarım Mühendisliği Ana Bilim Dalı
PROF. DR. HÜDAYİM BAŞAK
- In-flight performance optimization for rotorcraft with redundant controls
Başlık çevirisi yok
GÜRBÜZ TAHA ÖZDEMİR
- Integration of helicopter air data system with global positioning system using kalman filter
Helikopter hava verileri sisteminin küresel konumlandırma sistemi ile kalman süzgeci temelinde tümleştirilmesi
TANER MUTLU
Yüksek Lisans
İngilizce
2006
Havacılık Mühendisliğiİstanbul Teknik ÜniversitesiUçak Mühendisliği Ana Bilim Dalı
PROF.DR. ÇİNGİZ HACİYEV
- Evaluation and comparison of helicopter simulation models with different fidelities
Gerçekçiliği değişken helikopter modellerinin değerlendirilmesi ve karşılaştırılması
DENİZ YILMAZ
Yüksek Lisans
İngilizce
2008
Havacılık MühendisliğiOrta Doğu Teknik ÜniversitesiHavacılık ve Uzay Mühendisliği Ana Bilim Dalı
DR. İLKAY YAVRUCUK
- Helikopterlerde planet dişli sistemi rulmanı profil optimizasyonu
Profile optimization of helicopter planetary gear transmission bearing
EMRE KAYNAR
Yüksek Lisans
Türkçe
2017
Havacılık MühendisliğiGazi ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
YRD. DOÇ. OSMAN SELİM TÜRKBAŞ