Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Ankara Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2020
Tezin Dili: Türkçe
Öğrenci: AHMET TUĞHAN BALKAN
Danışman: ÖKKEŞ TOLGA ALTINÖZ
Özet:Radarlar günümüzde hem askeri hem de sivil alanlarda en kritik algılayıcı sistemlerden biri olarak görev almaktadır. Radarların etkin kullanımı, otonom araçlar, yapay zekâ ve robotik teknolojileri gibi alanların daha da gelişmesi ile önem kazanacaktır. Bu sebeple gelişmekte olan yeni radar algoritmaları için hedeflerin sınıflandırılması rekabetçi ve yenilikçi bir özellik olarak öne çıkmaktadır. Radarların hatasız tespit sağlama gerekliliği, genel kullanım prosedürleri doğrultusunda çok kritik bir özelliktir. Radarın hedef sınıflandırma özelliğinin de en az hata oranı performansı ile çalışması mühimdir. Bu doğrultuda bu tez çalışması ile radar hedef sınıflandırma literatürüne, optimizasyon yöntemleri ile iyileştirilen sınıflandırma algoritmaları önerilmiştir. Bu tezde aktif ve pasif hedeflerin ayrıştırılması için hedef sınıflandırılması yapılmıştır. Aktif hedefler ani tehlike arz edebilecek şekilde hareketli hedeflerdir. Pasif hedefler ise sabit ama radarda görülebilir yanıltıcı hedeflerdir. Bu amaçla radar hedefi veri setlerinin optimize edilmiş, hedeflerin sınıflandırılması yapılmış ve sınıflandırma performansları değerlendirilmiştir. Sınıflandırma yöntemleri ile aktif ve pasif hedef sınıflandırmanın yanında, aktif hedeflerden koşan insan ve yürüyen insan hedef tiplerinin de kendi aralarında sınıflandırması yapılmıştır. Tezde kullanılan sınıflandırma yöntemleri özdevimli öğrenme tabanlı algoritmalardır. Bu algoritmalar destek vektörü makineleri (SVM) Algoritması, k'ıncı en yakın komşu (KNN), karar ağacı (DT) algoritmalarıdır. Tezin sonucunda hem halihazırda kullanılan radar hedefi verilerine hem de yeni radarların hedef veri tiplerine uygun, yüksek çözünürlüklü menzil profili (HRRP) veri setlerini kullanarak doğru sınıflandırabilen yöntemler iyileştirilecek ve önerilecektir. Nowadays, radars are used as one of the most important critical sensor systems for both of military and civilian applications. In the future, effective usage of radars will be more important because of the further improvements of autonomous vehicles, artificial intelligence, and robotic technologies. Therefore, classification of targets come to the forefront as a competitive and innovative feature for developing new radar algorithms. Correct detection performance for radars is very critical feature according to general usage procedures of radars. Working performance of classification specification of radar with minimum amount of error is very important. Accordingly, improved classification algorithms with optimization methods are suggested to the radar classification literature. In this thesis target classification was done for identification of Active targets and Passive targets. Active targets are moving which can pose a danger. Passive Targets can be seen by radars, but they are stable targets. For this purpose, optimization of radar targets data sets, classification of targets and evaluation of classification performance has been evaluated. Beside classification of Active and Passive targets, Active target types classified according to running human and walking human targets. Classification methods which are used in the thesis are machine learning based methods. These algorithms are support vector machine (SVM) algorithm, k nearest neighbor (KNN) and, decision tree (DT) algorithms. At the end of the thesis, improvement of succeeded classification methods for high resolution range profile (HRRP) data sets are suggested and these suggested methods can be applied both of conventional radar target data and new radar target data.