Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Ankara Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2018
Tezin Dili: Türkçe
Öğrenci: CEMİL TEPECİK
Danışman: İSA NAVRUZ
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Atmosferik kırılma, hava ve deniz gözetim radar sistemlerinin kaplaması üzerinde belirgin etkilere sahiptir. Radar yansımalarından kırılmanın tahmin edilmesi yöntemi, atmosferik kırılma profillerini tespit etmek için umut verici bir yöntem haline gelmiştir. Bu tezde, deniz yüzeyi radar yansımalarından faydalanarak atmosferik kırılmanın tahmin edilmesi amacıyla sekiz adet model geliştirilmiştir. Bu modeller gerçek radar parametreleri, çevresel veriler ve yansıma verilerini kullanarak atmosferik kırılma kestirimi yapabilmek için tasarlanmış benzetimler ile test edilmiştir. Tahmin modelleri yapay sinir ağları, genetik algoritma ve bu iki bileşene dayalı hibrit tahmin yaklaşımlarından oluşmaktadır. Önerilen modellerden, yapay sinir ağlarınının başarımını artırmak için eğitiminde dinamik veri seti yaklaşımı uygulanmıştır. Genetik algortima ise, tahmin modelinin başarımını arttırmak için probleme uyarlamalı hale getirilmiştir. Geliştirilen modellerin başarımı, gerçek atmosferik koşulları temsil eden kırılma profilleri kullanılarak test edilmiş ve elde edilen sonuçlar sayısal ve grafiksel olarak gösterilmiştir. Geliştirilen modellerden, özellikle uyarlanmış hibrit model için başarı oranı % 96’ya kadar ulaşabilmiştir. Atmospheric refraction has significant effects on the coverage of air and sea surveillance radar systems. The prediction of refractivity from radar clutter has become a promising method to detect atmospheric refractivity profiles. In this thesis, eight models were developed in order to estimate the atmospheric refractivity by taking advantage of sea surface radar reflections. These models have been tested with simulations designed to perform atmospheric refractivity estimation using real radar parameters, environmental data, and reflection data. Estimation models consist of artificial neural networks, genetic algorithms and hybrid prediction approaches based on these two components. From the proposed models, a dynamic data set approach has been applied in training to increase the performance of artificial neural networks. Genetic algorithm has been adapted to probing to increase the performance of the prediction model. The performance of the developed models was tested using refractivity profiles representing real atmospheric conditions and the results obtained are shown numerically and graphically. From the developed models, especially for the adapted hybrid model, the success rate was up to 96%.