Geri Dön

Novel approaches to radar signal deinterleaving and geolocation in the framework of optimization and deep learning

Radar sinyal ayrıştırma ve konum bulma için optimizasyon ve derin öğrenme tabanlı yeni yaklaşımlar

PDF İndir

  1. Tez No: 962918
  2. Yazar: MUSTAFA ATAHAN NUHOĞLU
  3. Danışmanlar: PROF. DR. HAKAN ALİ ÇIRPAN
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 188

Özet

Bu bölüm, radar sinyal ayrıştırıcı ve konum bulma üzerine geliştirilen yöntemleri detaylandırmaktadır. Çalışma, karmaşık radar sinyal ortamlarının zorluklarını aşmak için optimizasyon ve derin öğrenme çerçevesinde geliştirilen iki yeni ayrıştırıcı yöntemi ve üç farklı konum bulma metodunu sunmaktadır. Bu yöntemler, günümüz radar sinyal işleme tekniklerinin sınırlarını genişletmeyi amaçlamakta ve yüksek doğrulukta ayrıştırma ve konum kestirimi sağlamaktadır. Radar sinyal ayrıştırıcı, elektronik harp sistemlerinde hayati bir bileşen olup, farklı radar kaynaklarından gelen sinyallerin doğru bir şekilde ayrıştırılmasını gerektirir. Modern radar sistemleri, geniş bantta çalışan ve yüksek frekansta yayın yapan çok sayıda radarın aynı anda çalıştığı ortamlarda, geleneksel yöntemlerin yetersiz kaldığı senaryolar oluşturur. RF, PW ve AOA tabanlı kümeleme yöntemleri, sinyal yoğunluğunun fazla olduğu ve parazit seviyelerinin yüksek olduğu ortamlarda başarısız olabilmektedir. Bu problemi aşmak için tezde, doğrudan Zaman-Of-Arrival (TOA) verisini analiz eden iki gelişmiş ayrıştırıcı teknik geliştirilmiştir. İlk yöntem olan Birleşik PRI Dönüşümü (CPRIT), mevcut PRI dönüşüm tekniklerini entegre ederek güçlü yönlerini birleştirirken zayıflıklarını gidermektedir. Geleneksel yöntemlerin aksine, CPRIT RF-PW-AOA kümeleme yaklaşımına bağımlı değildir ve yalnızca TOA verisini analiz etmektedir. Bu yöntem, sinyal işleme sürecinde daha az ön işleme gereksinim duymakta ve böylece daha az hata birikimi ile sonuçlanmaktadır. CPRIT'in ana bileşenleri, pulse çift tanımlayıcı kelime (PPDW) oluşturma, PRI seviyesi gruplama, faz kümeleme ve optimal ağırlıklandırma şemasıdır. PPDW, farklı radar sinyallerini karakterize eden bir veri yapısı olup, gelen sinyallerin ayrıştırılmasında büyük rol oynamaktadır. PRI seviyesi gruplama süreci, radarların genellikle sabit veya değişken tekrar periyotlarına sahip olmalarından yararlanarak sinyalleri doğru bir şekilde sınıflandırmaktadır. Faz kümeleme tekniği ise, özellikle kademeli PRI yapısına sahip radarların tespitinde avantaj sağlamaktadır. CPRIT'in, geleneksel PRI dönüşüm yöntemlerine kıyasla daha yüksek doğru tespit oranları ve daha düşük yanlış alarm oranları sunduğu, kapsamlı simülasyonlar ve gerçek saha testleri ile gösterilmiştir. İkinci ayrıştırıcı yöntemi ise sinyal ayrıştırma problemine görüntü segmentasyonu perspektifinden yaklaşmaktadır. Bu yöntemde TOA verisi, radar sinyallerinin yapısını temsil eden iki boyutlu PRI dönüşüm görüntülerine dönüştürülmektedir. Daha sonra, özel olarak tasarlanmış bir UNet tabanlı derin öğrenme modeli, bu görüntülerdeki radar sinyal sınıflarını belirlemek için eğitilmektedir. Model, geleneksel yöntemlerin aksine, tamamen veri odaklı bir yaklaşım benimsemekte ve manuel ayarlara duyulan ihtiyacı en aza indirmektedir. Sinir ağı tabanlı yöntemlerin, doğrusal olmayan ilişkileri modelleme kapasitesi sayesinde, radar sinyallerinin oldukça karmaşık yapıları bile başarıyla ayrıştırılabilmektedir. Modelin eğitimi sırasında, geniş kapsamlı veri setleri kullanılmış ve farklı senaryolar simüle edilerek genel performansı artırılmıştır. Derin öğrenme tabanlı yaklaşım, sinyal tespiti yapmanın yanı sıra PRI seviyelerini ve sinyal sürelerini de kestirebilmektedir. Simülasyon ve gerçek veri setlerinde yapılan testlerde, bu yöntem geleneksel ayrıştırıcı tekniklerine göre daha yüksek doğruluk ve sağlamlık göstermiştir. Radar kaynaklarının konumlandırılması, elektronik harp ve gözetleme uygulamalarında kritik bir öneme sahiptir. Bu tezde, mesafe ve konum kestirimi için üç yeni yöntem önerilmektedir. İlk yaklaşım, AOA ölçümlerinden hedef konumlarını kestirmek için transformatör tabanlı görüntü segmentasyonunu kullanmaktadır. Bu yöntem, TOA ölçümlerini mekansal bir temsil haline getirerek, yüksek çözünürlüklü bir transformatör tabanlı ağ ile işlemekte ve radar kaynaklarının konumunu belirlemektedir. Transformatörlerin dikkat mekanizmaları sayesinde sinyaller arasındaki karmaşık mekansal ilişkiler etkin bir şekilde yakalanabilmektedir. Özellikle geniş sinyal spektrumuna sahip, birden fazla kaynaktan gelen sinyallerin analizinde bu yaklaşım büyük bir avantaj sağlamaktadır. Ayrıca, modelin öğrenme sürecinde büyük miktarda sentetik veri ile eğitilmesi, gerçek dünyadaki sinyal yoğunluklarına uyum sağlamasına olanak tanımaktadır. İkinci yaklaşım, radar kaynaklarının konumunu belirleme problemini konveks optimizasyon çerçevesinde ele almaktadır. Bu model, Faz Farkı Değişimi (CRPD) ölçümlerini kullanarak konumlandırmayı Quadratically Constrained Quadratic Programming (QCQP) ve Semi-Definite Programming (SDP) teknikleriyle çözmektedir. Matematiksel analizler, önerilen konveks optimizasyon yönteminin belirli koşullar altında küresel optimal çözümler sağladığını göstermektedir. Simülasyon sonuçları, bu yöntemin geleneksel kestirim tekniklerine kıyasla daha yüksek doğruluk sunduğunu ortaya koymaktadır. Ayrıca, bu yöntem radar sinyal işleme alanında daha önce önerilmemiş olan yeni bir optimizasyon stratejisi sunduğundan, literatüre önemli bir katkı yapmaktadır. Üçüncü yaklaşım, çoklu radar kaynaklarının eşzamanlı olarak tespit edilmesi için Konvolüsyonel Sinir Ağları (CNN) kullanmaktadır. AOA ölçümleri, radar kaynaklarını parlak noktalar olarak temsil eden seyrek 2D görüntülere dönüştürülmekte ve özel bir CNN modeli bu görüntüleri işleyerek radar kaynaklarının konumlarını kestirmektedir. CNN tabanlı modeller, özellikle yoğun sinyal ortamlarında üstün performans göstermektedir ve radar sinyal haritalarının detaylı analizi için uygundur. Tespit edilen konumlar, bileşen analizi ve piksel haritalama teknikleri ile rafine edilerek daha hassas sonuçlar elde edilmektedir. Bu yöntem, radar sistemlerinin gerçek zamanlı performansını artırmakta ve düşük hesaplama maliyetleriyle yüksek doğrulukta konum kestirimi yapmaktadır. Önerilen yöntemler, literatürde mevcut sinyal işleme ve makine öğrenimi tekniklerinin sınırlarını genişleterek radar sinyal analizine yenilikçi yaklaşımlar sunmaktadır. CPRIT, geleneksel PRI dönüşüm yöntemlerini aşan bir doğruluk ve sağlamlık sağlarken, derin öğrenme tabanlı segmentasyon modelleri radar sinyal ayrıştırma problemini otomatikleştirmektedir. Konum bulma algoritmaları ise hem optimizasyon tekniklerini hem de derin öğrenmeyi bir araya getirerek, daha kesin ve güvenilir radar konum kestirimleri sağlamaktadır. Bu çalışma, elektronik harp alanında radar sinyal işleme ve konumlandırma süreçlerine önemli katkılar sunmakta olup, gelecekteki araştırmalar için bir temel oluşturmaktadır. Önerilen teknikler, radar sistemlerinin daha etkin çalışmasını sağlamakta ve modern elektronik harp sistemlerinde yeni nesil çözümler için yol gösterici olmaktadır.

Özet (Çeviri)

This thesis presents two novel approaches for radar signal deinterleaving and three methodologies for estimating the distance and location of radar sources. These methods are developed in the framework of optimization and deep learning to address the challenges posed by complex radar signal environments. Radar signal deinterleaving is a fundamental problem in electronic warfare (EW) systems, where received pulses from multiple radar sources are interleaved in time and must be separated. Traditional clustering-based approaches that rely on radio frequency (RF), pulse width (PW), and angle of arrival (AOA) parameters often fail in dense signal environments. To overcome these limitations, this thesis introduces two advanced deinterleaving techniques based on time of arrival (TOA) analysis. The first proposed method, Combined PRI Transform (CPRIT), enhances existing PRI Transform (PRIT) techniques by integrating their strengths while mitigating their weaknesses. Unlike conventional approaches, CPRIT does not rely on RF-PW-AOA clustering, which can introduce errors in high-noise environments. Instead, CPRIT directly analyzes TOA data and applies pulse pair descriptor word generation, PRI level grouping, phase clustering, and an optimal weighting scheme. These steps define relationships between pulses based on their PRI values, group pulses by inter-pulse time differences, address staggered PRI signal challenges, and minimize estimation variance to improve detection accuracy. CPRIT demonstrates superior performance over traditional PRI Transform methods, achieving higher correct detection rates and lower false alarm rates in simulation and real-data experiments. The second proposed approach reformulates the deinterleaving problem as an image segmentation task and employs deep learning to extract radar signal structures from TOA data. The methodology consists of preprocessing, deep neural network modeling, and joint estimation of PRI levels and transmission durations. Raw radar pulses are transformed into 2D PRI Transform images that represent temporal and PRI-level variations. A customized UNet-based segmentation model is trained to classify pixels in these images into different radar signal classes. This model detects the presence of radar signals and estimates their PRI levels and durations, improving tracking accuracy. This method achieves state-of-the-art performance in both synthetic and real-world datasets, outperforming traditional deinterleaving approaches in terms of accuracy and robustness. Accurate localization of radar sources is critical in EW and surveillance applications. This thesis presents three novel methods for distance and location estimation using different mathematical and deep learning-based frameworks. The first approach applies transformer-based image segmentation to estimate target distance from AOA measurements. The method includes distance image generation, deep learning inference, and contour detection and regression. TOA measurements are converted into a spatial representation, which is processed by a transformer-based segmentation network to extract source location information. The extracted features are then used to estimate the positions of radar sources with high accuracy. This approach leverages the strengths of attention mechanisms in transformers to capture complex spatial relationships in radar signals. The second method formulates radar source localization as a convex optimization problem, addressing the Change in Phase Difference (CRPD) measurement model. The methodology includes mathematical formulation, optimization techniques, and theoretical analysis. Localization is defined as a constrained optimization problem using CRPD measurements, which is solved using Quadratically Constrained Quadratic Programming (QCQP) and Semi-Definite Programming (SDP). Theoretical analysis demonstrates that the proposed convex optimization approach provides a globally optimal solution under specific conditions. Simulation results validate the effectiveness of this approach, showing improved localization accuracy compared to traditional estimation techniques. The third method employs Convolutional Neural Networks (CNNs) to estimate the positions of multiple radar sources simultaneously. The approach involves data representation, deep learning modeling, and post-processing for precision. AOA measurements are converted into sparse 2D images where sources are represented as bright spots. A CNN-based segmentation network is trained to detect and localize sources in these images. The detected locations are refined using connected component analysis and pixel mapping, enabling real-time, high-precision localization of multiple radar sources in complex environments. This method demonstrates significant improvements in computational efficiency and accuracy.

Benzer Tezler

  1. Tez No

    803912

    Deep image prior based high resolution isar imaging for missing data case

    Eksik veri için derin görüntü önceli tabanlı yüksek çözünürlüklü tyar görüntüleme

    NECMETTİN BAYAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. IŞIN ERER

  2. Tez No

    800491

    Ground penetrating radar antenna design to detect buried object and signal processing with deep learning networks by usingnumerical electromagnetic methods

    Gömülü hedef tespit etmek için yere nüfuz eden radar anten tasarımı ve sayısal elektromanyetik yöntemler kullanarak derin öğrenme ağları ile sinyal işleme

    REYHAN YURT

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HAMİD TORPİ

  3. Tez No

    246471

    Gömülü ve/veya örtülü nesnelerin algılanmasında yeni yaklaşımlar

    New approaches to detect buried and/or covered objects

    ESİN KARPAT

    Doktora

    Türkçe

    Türkçe

    2009

    Elektrik ve Elektronik MühendisliğiUludağ Üniversitesi

    Elektronik Mühendisliği Bölümü

    PROF. DR. LEVENT SEVGİ

  4. Tez No

    338044

    Hedef takibi uygulamalarında tespit öncesi izleme yöntemi için yeni yaklaşımlar geliştirilmesi

    Development of novel approaches for track-before-detect techniques in target tracking applications

    SERDAR TUĞAÇ

    Doktora

    Türkçe

    Türkçe

    2013

    Elektrik ve Elektronik MühendisliğiAnkara Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT EFE

  5. Tez No

    833504

    Graph-based object classification techniques for autonomous vehicle radar sensors

    Otonom araç radar sensörleri için çizge tabanlı nesne sınıflandırma teknikleri

    RASİM AKIN SEVİMLİ

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiBaşkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MURAT ÜÇÜNCÜ

    DOÇ. DR. AYKUT KOÇ

Geri Dön