Radar yayınlarının makine öğrenmesi algoritmaları tabanlı sınıflandırılması
Radar emitter classification based on machine learning alghorithms
- Tez No: 951469
- Danışmanlar: PROF. DR. YUSUF SÖNMEZ, DR. TAYLAN ÖZGÜR GÜLÜM
- Tez Türü: Yüksek Lisans
- Konular: Savunma ve Savunma Teknolojileri, Defense and Defense Technologies
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Milli Savunma Üniversitesi
- Enstitü: Alparslan Savunma Bilimleri ve Milli Güvenlik Enstitüsü
- Ana Bilim Dalı: Askeri Elektronik Sistemler Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Harp Bilim Dalı
- Sayfa Sayısı: 161
Özet
Bu tez çalışmasında, halihazırda askerî platformlarda kullanılan elektronik harp (EH) sistemlerinin görev veri dosyası (GVD – gemi, uçak vb. platformların görev sırasında karşılaşması muhtemel radar emiterlerine ait parametrik verileri içeren ve görev öncesi bu platformların elektronik destek (ED) sistemlerine yüklenen dosya) bağımlılığını azaltarak, EH faaliyetlerinin daha az maliyetli ve otomatik hale getirilmesine yönelik yapay zekâ (YZ) tabanlı bir konsept önerilmiştir. Geleneksel EH çevrimlerinde, radar emiterlerine ait karakteristik verilerin analizi, veri tabanlarının güncellenmesi ve GVD'lerin hazırlanması gibi emiter kimliklendirme işlemlerine yönelik faaliyetler, büyük ölçüde ülkelerin silahlı kuvvetleri bünyesinde yer alan elektronik harp birimlerinde görev yapan personelin çalışmasına dayalı olarak yürütülmektedir. Bu durum zaman kaybını ve insan doğası gereği hata yapma riskini beraberinde getirmektedir. Ayrıca platformlar tarafından sınırlı sayıda veriyle görev icra edilmesi, özellikle platformların görev bölgesinde karşılaşabileceği ve GVD içerisinde yer almayan tehdit emiterlerini tanıyamamasına, durumsal farkındalığın ciddi oranda azalmasına ve görev başarısının riske girmesine yol açabilmektedir. Bu kapsamda, radar ve güdümlü mermi başlıklarına ait emiterlerin temel sinyal parametrelerinden (Radyo Frekansı (RF), Darbe Tekrarlama Frekansı (PRF), Darbe Genişliği (PW), Anten Tarama Tipi (ATT) ve Anten Tarama Periyodu (ATP)) oluşan sentetik bir veri tabanı, Python programlama dili kullanılarak belirli kurallar dâhilinde üretilmiştir. Bu veritabanı kullanılarak, yedi farklı makine öğrenmesi algoritması (Karar Ağacı, Lojistik Regresyon, Rastgele Orman, Destek Vektör Makineleri (SVM), K-En Yakın Komşu (KNN), Yapay Sinir Ağı (ANN) ve Extreme Gradient Boost (XGBoost)) ile radar emiterlerinin sınıflandırılması gerçekleştirilmiştir. Veri setinden rastgele türetilen 10000 emiterlik temas listesi üzerinden yapılan sınıflandırmalarda, ATT ve ATP gibi ek parametrelerin modele dâhil edilmesiyle performansta önemli artışlar tespit edilmiştir. Özellikle geleneksel yöntemlerin nispeten düşük doğrulukla sınıflandırdığı emiterlerin, gelişmiş algoritmalar tarafından %99'a varan başarımlarla tanımlanabilmesi, önerilen konseptin etkinliğini göstermektedir. Elde edilen sonuçlar, makine öğrenmesi tabanlı çözümlerin EH sistemlerinin karar verme süreçlerine entegre edilerek, GVD'ye bağımlılığın azaltılmasında önemli katkılar sağlayabileceğini ortaya koymaktadır
Özet (Çeviri)
In this thesis, a novel artificial intelligence (AI)-based concept is proposed to reduce the dependency of current electronic warfare (EW) systems on mission data files (MDFs)—files loaded into the electronic support systems (ES) of platforms such as ships or aircraft prior to a mission, containing parametric information of emitters potentially encountered during operations. In conventional EW architectures, critical tasks such as analyzing the characteristics of radar emitters, updating emitter databases, and preparing MDFs heavily rely on human analysts. This process is time-consuming, error-prone, and limits operational flexibility by constraining the platform to a predefined set of data. Particularly, in scenarios where the platform encounters unknown emitters not covered in the MDF, situational awareness may significantly degrade, and mission success could be jeopardized. To address this limitation, a small-scale representative emitter database was generated using Python, based on defined rule sets for key signal parameters (Radio Frequency – RF, Pulse Repetition Frequency – PRF, Pulse Width – PW, Antenna Scan Type – ATT, and Antenna Scan Period – ATP) of radars and missile seekers. Using this dataset, the automatic classification of radar identities was performed through seven machine learning algorithms: Decision Tree, Logistic Regression, Random Forest, Support Vector Machines Networks (ANN), and Extreme Gradient Boosting (XGBoost). Classification was conducted on a synthetically generated contact list containing 10,000 emitter signals. The inclusion of parameters such as ATT and ATP notably improved model performance. Particularly, emitters misclassified by traditional methods were successfully identified by advanced algorithms with up to 99% accuracy. The findings reveal that AI-based approaches can significantly enhance the decision-making processes of EW systems and offer a promising alternative to reduce reliance on conventional MDF-based identification.
Benzer Tezler
- Orman yangınlarının makine öğrenmesi ve uzaktan algılama yöntemleri kullanılarak tahmin edilmesi ve duyarlılık haritasının oluşturulması
Prediction and susceptibility mapping of forest fires using machine learning and remote sensing methods
YUSUF FIRAT SUMER
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiBatman ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRULLAH ACAR
- Açıklanabilir yapay zeka yöntemleri ile toprak tuzluluğu haritalarının üretilmesi
Soil salinity mapping using explainable artificial intelligence methods
SAMET AKSOY
Yüksek Lisans
Türkçe
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Enhanced multipath-based localization of radars using machine learning
Makine öğrenmesi kullanılarak geliştirilmiş çok yollu yayılım yöntemiyle radarların konumlandırılması
MD ABDULLAH AL IMRAN
Doktora
İngilizce
2024
Elektrik ve Elektronik MühendisliğiAtılım ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YASER DALVEREN
PROF. DR. ALİ KARA
- Homojen olmayan bir yüzey altında gömülü nesneler için evrişimsel sinir ağı tabanlı hedef tespiti
Convolutional neural network based target detection for objects buried under a non-homogeneous surface
ALİ BATUHAN BAĞCACIER
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. ALİ YAPAR
- Design and analysis of radar antenna structures for optimum dynamic behavior
En iyi dinamık davranışa sahip radar anten yapılarının tasarımı ve analizi
ENVER SUN
Yüksek Lisans
İngilizce
2016
Makine MühendisliğiOrta Doğu Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÖKHAN OSMAN ÖZGEN
PROF. DR. YAVUZ YAMAN