Askeri ve sivil hava hedeflerinin LSTM ile teşhislendirilmesi

Bu çalışma, askerî ve sivil hava hedeflerinin dost, düşman veya bilinmeyen olarak sınıflandırılmasına yönelik yapay zeka temelli bir yaklaşım sunmaktadır. Mevcut uygulamalarda yaygın olarak kullanılan NATO STANAG 4162 kapsamındaki kural tabanlı IDCP (Identification Data Combining Process) yöntemleri; Source Probability Matrix (SPM), Mapping Matrix (MM) ve Force Mix Ratio (FMR) gibi yapılar üzerinden uzman bilgisine dayanan deterministik karar süreçleri kullanır. Bu sistemler açıklanabilirlik ve denetlenebilirlik açısından güçlü olmakla birlikte, sensör kaynaklarının zamanla değişen, eksik veya çelişkili bilgiler üretmesi durumunda esneklik ve ölçeklenebilirlik açısından sınırlılıklar göstermektedir. Önerilen yöntem, radar tespitleri, ESM sinyalleri, IFF cevapları, uçuş planları, MPR bilgileri, platform performans sınırları (PP) ve davranışsal göstergeler (TAB) gibi çoklu kaynaktan gelen verileri zaman serileri halinde işleyen bir LSTM mimarisi üzerinde birleştirmektedir. Veri ön işleme sürecinde zaman senkronizasyonu, eksik veri doldurma, normalizasyon ve senaryo-tabanlı etiketleme adımları uygulanmış; böylece farklı örnekleme hızlarına ve güvenilirlik derecelerine sahip kaynaklar model girişine uygun tekdüze bir yapıya dönüştürülmüştür. Eğitim süreci tamamen simüle edilmiş çok kaynaktan beslenen senaryolar üzerinden gerçekleştirilmiş; gürültü ekleme, zaman kaydırma ve kısmi veri maskeleme gibi tekniklerle modelin belirsiz koşullara karşı dayanıklılığı artırılmıştır. LSTM tabanlı mimari, hedeflerin zamana bağlı davranış değişimlerini yakalama, ani manevra veya IFF/ESM düzensizliklerini takip etme ve çoklu kaynaktan gelen bilgileri tutarlı bir şekilde bütünleştirme konularında kural tabanlı sisteme göre daha yüksek esneklik sağlamıştır. Model performansı doğruluk, precision-recall, F1-score ve karışıklık matrisi gibi standart sınıflandırma metrikleri ile değerlendirilmiş; zamana bağlı davranış varyasyonlarının bulunduğu senaryolarda kural tabanlı yaklaşıma göre daha tutarlı sonuçlar elde edilmiştir. Buna karşın kural tabanlı IDCP yapısının sunduğu şeffaflık ve kolay denetlenebilirlik avantajı belirli durumlarda geçerliliğini korumaktadır. Çalışma sonucunda, kural tabanlı STANAG yaklaşımının güçlü yönlerini korurken zaman-bağımlı işaretlerin öğrenilmesine dayalı yapay zeka esnekliğini bir araya getiren bir çerçeve ortaya konmuştur. İleride yapılacak çalışmalar; gerçek operasyonel veriler için genişletilmiş senaryo setlerinin oluşturulması, kural-öğrenme entegrasyonun derinleştirilmesi ve modelin hesaplama maliyetinin azaltılmasına yönelik hafifletme tekniklerini içermektedir.