Darbeli radar sinyallerinin makine öğrenmesi algoritmaları ile tanımlanması

Abstract

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.