Elektronik harp sistemlerinde anten tarama örüntülerinin makine öğrenmesi algoritmaları yardımıyla sınıflandırılması
Classification of antenna scanning patterns in electronic warfare systems using machine learning algorithms
- Tez No: 953067
- Danışmanlar: DR. ÖĞR. ÜYESİ MERT KARAHAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Savunma ve Savunma Teknolojileri, Electrical and Electronics Engineering, Defense and Defense Technologies
- Anahtar Kelimeler: Elektronik Harp, Görev Veri Dosyası, Anten Tarama Örüntüleri, Yapay Zekâ, Makine Öğrenmesi, Electronic Warfare, Mission Data File, Antenna Scan Patterns, Artificial Intelligence, Machine Learning
- 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: Askeri Elektronik Sistemler Mühendisliği Bilim Dalı
- Sayfa Sayısı: 107
Özet
Elektronik harp sistemleri, modern savunma stratejileri içerisinde kritik bir öneme sahip olup, düşman radar sistemlerini tespit etmek, etkinliklerini azaltmak veya tamamen etkisiz hale getirmek amacıyla geliştirilmekte ve barış döneminden itibaren aktif olarak kullanılmaktadır. Bu sistemlerin etkinliği, büyük ölçüde tehdit radar sinyallerinin doğru ve hızlı bir şekilde tanımlanması ve sınıflandırılmasına bağlıdır. Radar sistemleri, hedefleri tespit etmek ve takip etmek amacıyla farklı anten tarama örüntüleri kullanmaktadır. Tehdit radarlara ait anten tarama örüntülerinin doğru şekilde sınıflandırılması; özellikle suüstü platformlarda bulunan EH sistemlerinin tehdit değerlendirmesi ve kendilerini güdümlü mermiler, suüstü ve atış kontrol radarları gibi tehdit oluşturan silah ve sistemlerden koruması maksadıyla karşı tedbir uygulama yeteneklerini önemli ölçüde artırmaktadır. Bu tez kapsamında, radar sistemlerinin karakteristik özellikleri (anten tarama örüntüleri ve darbe parametreleri) MATLAB ortamında simüle edilmiş ve askeri deniz platformlarının operasyonel gereksinimlerine uygun görev veri dosyalarına benzer bir xiv veri seti geliştirilmiştir. PYTHON programı kullanılarak öncelikle bu veri setinden; Standart Sapma ile öznitelik çıkarım, Temel Bileşen Analizi (PCA) ile öznitelik çıkarım, Standart Ölçeklendirme ile öznitelik çıkarım ve Uzun Kısa Süreli Bellek tabanlı Otomatik Kodlayıcılar (UKSBTOK) ile öznitelik çıkarım teknikleri kullanılarak öznitelikler çıkarılmış, ardından Lojistik Regresyon, K En Yakın Komşu (K-NN), Destek Vektör Makineleri (DVM), Naive Bayes, Karar Ağcı ve Rassal Orman makine öğrenmesi algoritmaları uygulanarak anten tarama örüntülerinin sınıflandırılması gerçekleştirilmiştir. Ayrıca; PCA tekniği ile özniteliği çıkarılan verilere K- Ortalamalar kümeleme algoritması, Standart Ölçeklendirme ile UKSBTOK özniteliği çıkarılan verilere YSA algoritması uygulanmıştır. En yüksek başarı oranları UKSBTOK ile öznitelikleri çıkarılan verilerin sınıflandırılmasında elde edilmiştir. Söz konusu veriler, Rastgele Orman algoritması kullanılarak %100 başarıyla sınıflandırılmıştır. Ayrıca bu verilerin diğer sınıflandırma algoritmalarındaki başarı oranlarının da oldukça yüksek olduğu gözlemlenmiştir. Standart Ölçeklendirme ile öznitelikleri çıkarılan verilerin de başarılı bir şekilde sınıflandırıldığı, PCA ile öznitelikleri çıkarılan verilerin ise oldukça düşük doğruluk seviyelerinde sınıflandırıldığı gözlemlenmiştir. Bu çalışmanın sonuçları, gemi ve deniz platformlarının elektronik harp yeteneklerini geliştirerek kendini koruma yeteneklerini geliştirmede yardımcı olabilir. Anten tarama örüntülerinin yapay zekâ tabanlı sınıflandırılması, tehdit tanıma sürecini hızlandırarak operatörlerin daha hızlı ve etkili karar almasını sağlayacaktır. Bu sayede, özellikle yoğun harekât ortamlarında elektronik destek sistemlerinin performansı optimize edilebilir ve operasyonel etkinlik artırılabilir.
Özet (Çeviri)
Electronic warfare (EW) systems hold critical importance within modern defense strategies and are developed to detect enemy radar systems, reduce their effectiveness, or completely neutralize them. These systems have been actively used since peacetime. The effectiveness of these systems largely depends on the accurate and rapid identification and classification of threat radar signals. Radar systems employ various antenna scanning patterns to detect and track targets. The accurate classification of antenna scanning patterns belonging to threat radars significantly enhances the threat assessment capabilities of EW systems, especially those installed on surface platforms, and improves their ability to implement countermeasures to protect themselves against weapons and systems posing threats, such as guided missiles, surface targets, and fire control radars. In this thesis, the characteristic features of radar systems (antenna scanning patterns and pulse parameters) were simulated in the MATLAB environment, and a dataset equivalent to mission data files suitable for the operational requirements of military naval platforms was developed. Using the PYTHON program, features were extracted from this dataset through techniques such as Standard Deviation-based feature extraction, Principal xvi Component Analysis (PCA)-based feature extraction, StandardScaler-based feature extraction, and Long Short-Term Memory-based Autoencoders (LSTMAE)-based feature extraction. Subsequently, machine learning algorithms such as Logistic Regression, K-Nearest Neighbors (K-NN), Support Vector Machines (SVM), Naive Bayes, Decision Trees, and Random Forest were applied to classify the antenna scanning patterns. Additionally, the K-Means clustering algorithm was applied to the data with features extracted using the PCA technique, and the Artificial Neural Network (ANN) algorithm was applied to the data with features extracted using StandardScaler and LSTMAE. The highest success rates were achieved in the classification of data with features extracted using the LSTMAE technique. These data were classified with 100% accuracy using the Random Forest algorithm. Furthermore, it was observed that the success rates of these data in other classification algorithms were also quite high. It was noted that the data with features extracted using StandardScaler were successfully classified, while the data with features extracted using PCA were classified with significantly lower accuracy levels. The results of this study can enhance the electronic warfare capabilities of ships and naval platforms, thereby increasing their self-protection capacities. The artificial intelligencebased classification of antenna scanning patterns can accelerate the threat recognition process, enabling operators to make faster and more effective decisions. Consequently, the performance of electronic support systems can be optimized, particularly in highintensity operational environments, and operational efficiency can be improved.
Benzer Tezler
- Elektronik harp destek sistemlerinde anten tarama tipi sınıflandırması
Antenna scanning type classification in electronic warfare support systems
EMİRHAN ÖZMEN
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YAKUP SABRİ ÖZKAZANÇ
- Radar yayınlarının makine öğrenmesi algoritmaları tabanlı sınıflandırılması
Radar emitter classification based on machine learning alghorithms
KORHAN AYHAN
Yüksek Lisans
Türkçe
2025
Savunma ve Savunma TeknolojileriMilli Savunma ÜniversitesiAskeri Elektronik Sistemler Mühendisliği Ana Bilim Dalı
PROF. DR. YUSUF SÖNMEZ
DR. TAYLAN ÖZGÜR GÜLÜM
- Range profile extraction in noise radars based on the target characteristics
Gürültü radarlarında hedef karakteristiklerine dayalı menzil profili çıkarımı
ŞEVVAL KARABAĞ ÇAHA
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik-Haberleşme Eğitimi Ana Bilim Dalı
PROF. DR. SELÇUK PAKER
- Faz dizili antenler için yakın alan tarama probu kalibrasyon yöntemi uygulaması
Application of near field scanning probe method calibration for phased array antennas
MUHAMMED İHSAN ZEYVELİ
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET NURİ AKINCI
- Tek darbe pasif yön bulma tekniklerinin analizi
The analysis of monopulse passive direction finding techniques
KIVANÇ CEYHAN
Yüksek Lisans
Türkçe
2016
Elektrik ve Elektronik MühendisliğiTOBB Ekonomi ve Teknoloji ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT TAVLI