Enstitüler / Institutes

Permanent URI for this communityhttps://hdl.handle.net/11727/1390

Browse

search.filters.applied.f.language: search.filters.language.trSubject: search.filters.subject.Makine Öğrenmesi

Search Results

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Helikopter roket sistemi performansının makine öğrenmesi yöntemi ile iyileştirilmesi
    (Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2024) Emre, Ulusoy; Faruk, Elaldı
    Modern savaş alanlarında, helikopterler gibi kritik rol oynayan çok yönlü platformların hedefi vurabilme kabiliyetleri büyük önem taşımaktadır. Geleneksel balistik hesaplamalar, roketlerin isabet etmesi için gerekli yan ve yükseliş açılarını hesaplar. Ancak, bu hesaplamalar belirli riskler taşımaktadır. Yapay zekânın bir alt dalı olan makine öğrenmesi, helikopterlerden atılan roketlerin isabet edeceği noktaların tahmin edilmesini sağlayarak bu riskleri minimize etmektedir. Bu tez çalışmasında, Cobra taarruz helikopterine ait veri kümesi kullanılarak roketlerin isabet noktalarının tahmin edilmesi amaçlanmıştır. Veri kümesinin %20’si yörünge benzetimi ve Rastgele Orman Algoritması tahmin sonuçlarıyla karşılaştırmak için test verisi olarak ayrılmıştır. Bu karşılaştırma sonucunda, kullanılan makine öğrenmesi yönteminin roketlerin isabet noktalarını belirlemede karar destek sisteminin etkili bir parçası olarak kullanılabileceği belirlenmiştir. Bu sayede, silah sistemi kullanıcılarının karar alma sürecindeki iş yükünün önemli ölçüde azalacağı, görev güvenliğinin ve isabet olasılığının artacağı değerlendirilmiştir. Beş kez test edilen Rastgele Orman Algoritmasıyla yaklaşık %6 mutlak hata oranı elde edilmiştir. Bu çalışma, modern savaş alanlarında helikopterlerin ateş gücü yeteneklerini, makine öğrenmesi algoritmaları kullanarak önemli ölçüde geliştirme potansiyeline sahip olduğunu göstermektedir. In modern battlefields, the capability of versatile platforms such as helicopters, which play a critical role, to accurately engage targets is of paramount importance. Traditional ballistic calculations are employed to determine the azimuth and elevation angles required for rockets to impact. However, these calculations inherently involve certain risks. Machine learning, a sub-branch of artificial intelligence, minimizes these risks by predicting the impact points of rockets launched from helicopters. In this thesis, it is aimed to predict the hit points of rockets using a dataset from the Cobra attack helicopter. 20% of the dataset was allocated as test data to compare the results with trajectory simulations and those predicted by the Random Forest Algorithm. As a result of this comparison, it was determined that the machine learning method can be used as an effective part of the decision support system in determining the hit points of the rockets. In this way, it is anticipated that this will significantly reduce the work load on weapon system operators during the decision-making process, enhance mission safety, and improve hit probability. The Random Forest Algorithm, tested five times, yielded a mean absolute error rate of approximately 6%. This study demonstrates the potential of employing machine learning algorithms to substantially enhance the firepower capabilities of helicopters in modern battlefields.
  • No Thumbnail Available
    Item
    Darbeli radar sinyallerinin makine öğrenmesi algoritmaları ile tanımlanması
    (Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2024) Mert, Demircan; Ahmet Güngör, Pakfiliz
    Bu tezde radar ikaz alıcılarında radar tanımlama işlemi için makine öğrenmesi yöntemlerinin kullanılması amaçlanmıştır. Bilinen radarların darbeli sinyalleri kullanılarak kapsamlı bir tehdit kütüphanesi oluşturulmuş ve parametre çıkarımı sonrası elde edilen sinyal frekansı, sinyal genişliği, sinyal tekrarlama frekansı ve hüzme genişliği parametreleri ile darbe tanımlayıcı kelimeler oluşturulmuştur. Radar ikaz alıcıların ön programlama fazının optimize edilmesi amacıyla makine öğrenmesi algoritmalarında testler gerçekleştirilmiş ve algoritmaların performansları birbirleriyle ve geleneksel algoritmalarla karşılaştırılmıştır. Probleme uygun olduğu değerlendirilen 5 adet makine öğrenmesi algoritması belirlenmiş ve bu algoritmalar ile modeller oluşturulmuştur. K-en Yakın Komşular, Karar Ağacı, Topluluk Yöntemleri, Destek Vektör Makineler ve Yapay Sinir Ağları algoritmalarındaki ön testler ile hedeflenen %95'in üzerinde öğrenme doğruluğu seviyelerine ulaşmıştır. Hazırlanan tehdit kütüphanesi ile yapılan muharebe ortamı simülasyonlarında %98'in üzerinde test doğruluğu elde edilmiştir. Tamamlanan simülasyon sonuçlarında elde edilen makine öğrenmesi algoritmalarının geleneksel algoritmalara göre hız ve doğruluk açısından güçlü yönleri değerlendirilmiştir. This thesis aims to use machine learning methods for radar identification in radar warning receivers. A comprehensive threat library was created using pulsed signals of known radars and pulse descriptor words were created with the signal frequency, signal width, signal repetition frequency and beamwidth parameters obtained after parameter extraction. To optimize the pre-programming phase of the radar warning receivers, machine learning algorithms were evaluated, and their performances were compared with each other and with conventional algorithms. Five machine learning algorithms were identified as suitable for the problem and models were created with these algorithms. The preliminary tests on K-Nearest Neighbors, Decision Tree, Ensemble Methods, Support Vector Machines and Artificial Neural Networks algorithms achieved learning accuracy levels above the targeted 95%. In combat environment simulations with the prepared threat library, test accuracy of over 98% was achieved. The strengths of the machine learning algorithms obtained from the completed simulation results in terms of speed and accuracy compared to traditional algorithms are evaluated.