| Popis: |
Radar alıcıları ortamdaki tüm elektromanyetik kaynaklardan karışık halde sinyaller alır. Elektronik harp sistemlerinin kilit noktası olan kimliklendirme, bu kaynakları birer temsilci ile göstermeyi; bu temsilcileri zaman içinde güncellemeyi ve sonuç olarak kaynakların tiplerini önsel bilgiler yardımıyla bulmayı hedefler. Dolayısıyla bu tezin kapsamında durağan olmayan ve sürekli bir veri akışı söz konusudur; ki bu veri yapısı kavram geleneksel -çevrimdışı ya da toplu- makine öğrenme yöntemlerinin uygulama alanının dışında kalmaktadır. Problemin başka bir zorluğu ise kurulacak sistemin olası tüm radar tiplerini bilmesinin mümkün olmaması ve sınıf sayısının belirsiz olmasıdır. Bu sebeple, radar temsilcilerini zamanla birlikte güncelleyebilmek için kademeli (çevrimiçi) öğrenme sistemleri kullanılmalıdır. Tipik bir kademeli öğrenme yöntemi ile her bir kaynağın temsilcisi elde edildikten sonra bu temsilciler önceden var olan radar türleri ile kıyaslanmalıdır. Radar parametreleri genellikle aralık tabanlı olduğu için bu kısımda simgesel veri işleme yöntemlerine başvurulmuştur. Simülasyonlar sırasında kademeli öğrenme yöntemleri arasından fuzzy ART, Bayesian ART, SOM ve KDESOINN incelenmiş ve bu yapılara yöntemsel ilave(ler) önerilmiştir. Sembolik sınıflandırma kısmı için ise Jaccard ölçeğine bağlı ART tabanlı bir yapı önerilmiştir. Sonuçlar önerilen sembolik veri işleme yönteminin diğer mesafe ölçeklerini geçtiğini, önerilen ilavelerin seçilen kademeli öğrenme yöntemlerini iyileştirdiğini ve bunlar arasından doğruluk açısından en iyi performansın KDESOINN ile elde edildiğini göstermiştir. Radar receivers collect mixed signals from all electromagnetic sources in the environment. The ultimate goal of electronic intelligence is to find the types of these sources with the help of a priori information, known as emitter identification. Emitter identification system aims to find a representative for each emitter in the environment and update them over time. Hence, such a non-stationary and continuous flow of data is of this thesis concern which is beyond the scope of traditional –offline or batch- machine learning systems. Another challenge is that the system can not know all possible emitter types and does not have a priori knowledge about the number of emitters. Therefore, incremental or online learning methods should be considered for the update of emitter representatives. After obtaining a representative for each emitter in a typical incremental learning algorithm, these representatives should be compared with a list of previously available emitter types. This part requires symbolic data analysis since the radar parameters generally operate interval-based. During simulations, among incremental learning algorithms, fuzzy ART, Bayesian ART, SOM and KDESOINN are examined and several extensions are proposed for the selected online learning networks. An ART-based structure based on Jaccard index is also proposed and tested for symbolic classification. The results indicate that the proposed symbolic data analysis method has outperformed other distance metrics and that the proposed algorithmic extensions enhance the performance of the selected online learning algorithms, while KDESOINN is observed to perform the best in terms of accuracy. 94 |
