Automatic target recognition of quadcopter type drones from moderately-wideband electromagnetic data using convolutional neural networks

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2022

Tezin Dili: İngilizce

Öğrenci: RUTKAY GÜNERİ

Danışman: GÖNÜL SAYAN

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu tezde, "Evrişimli Sinir Ağı (CNN) ile Öğrenme" yöntemine dayalı sınıflandırıcı tasarım yaklaşımı, iki farklı hedef kütüphanesi/veri seti için uygulanacaktır. İlk veri seti, dört dielektrik küreden oluşan bir hedef kütüphanesi için elde edilen ultra-geniş bantlı (37 MHz'den 19.1 GHz'e kadar) simülasyon verilerini içerirken, ikinci veri seti dört pervaneli robot helikopter tipi insansız hava araçlarından (İHA'lar) oluşan bir hedef kütüphanesi için orta derecede bant genişliğine sahip (3.1 ila 4.8 GHz arasında) ölçülmüş verilerden oluşmaktadır. Küresel hedefler için hesaplanan simülasyon verilerinin bant genişliği yaklaşık dokuz oktav iken, quadkopterler için toplanan ölçüm verilerinin bant genişliği bir oktavdan azdır. İlk iş olarak, dielektrik kürelere ait ultra-geniş bantlı simülasyon veritabanı kullanılarak küresel hedeflerin tanınmasına yönelik CNN-tabanlı bir elektromanyetik hedef sınıflandırıcı tasarlanacaktır. Daha sonra, bu hedef sınıflandırıcının performansı, aynı hedef seti ve aynı veritabanı kullanılarak tasarlanmış, otomatik hedef tanıma (ATR) literatüründe yer alan ve "Wigner Dağılımı-Temel Bileşenler Analizi (WD-PCA) tabanlı Öznitelik Çıkarma" tekniği olarak adlandırlan yönteme dayanan diğer bir hedef sınıflandırıcının performansı ile karşılaştırılacaktır. Sözü edilen karşılaştırmalı inceleme sonucunda etkinliğinin doğrulanmasını takiben, CNN-tabanlı hedef tanıma yöntemi dört pervaneli robot helikopter tipi hedefler için de hedef sınıflandırıcı tasarımı için kullanılacaktır. Bu ikinci tasarımda düşük bant genişliğine sahip dezavantajlı bir veri tabanının kullanılacak olması problemin zorluk derecesini arttırmaktadır. Tasarlanan iki sınıflandırıcının da tasarım detayları ve performans sonuçları tez içerisinde verilecek, CNN-tabanlı sınıflandırıcı tasarım yönteminin avantaj ve dezavantajları tartışılacaktır.