Deniz hedefi sınıflandırmada farklı kargaşa giderme yöntemleri için performans analizi

Son zamanlarda oldukça popüler olan radar menzil profilleri ile hedef sınıflandırma çalışmaları, gerek hedeflerin çok çeşitli olması gerekse gerçek veriler ile yapılan sınıflandırma işlemlerinde ilgili hedeflerin yanı sıra ortamda kargaşa unsurlarının bulunması nedeniyle zor bir problem olma özelliğini sürdürmektedir. Bu tez çalışması kapsamında, menzil profillerinden kargaşa gidermeye yönelik olarak uygulanabilecek üç farklı kargaşa giderme yönteminin performans incelemesi yapılmıştır. Ele alınan kargaşa eleme yöntemlerinin performans analizleri, dokuz farklı deniz hedefi için operasyonel sahadan ölçümsel olarak elde edilen menzil profilleri kullanılarak gerçekleştirilmiştir. İlgili yöntemlerin, kargaşa giderme performanslarının yanı sıra deniz hedefi sınıflandırmadaki olumlu veya olumsuz etkilerini incelemek için, dikkate alınan hedeflere ait kargaşası giderilmiş menzil profilleri iki farklı sınıflandırıcı yapısına girdi olarak sağlanmış ve her bir kargaşa giderme yönteminin sınıflandırma performansına olan etkileri gösterilmiştir. Deniz hedeflerine ilişkin menzil profillerinden kargaşanın giderilmesi amacıyla, literatürde sıklıkla kullanılan basit eşikleme yöntemi ile birlikte daha önce bu alanda kullanılmayan, yerel olmayan ortalamalar (Non-local Means, NLM) ve tekil değer ayrışımı (Singular Value Decomposition, SVD) tabanlı kargaşa giderme yöntemleri dikkate alınmıştır. Bu yöntemlerin kargaşa giderme anlamındaki performans analizi, ortalama karesel hata oranı metriği ve aykırı değer analizi kullanılarak karşılaştırılmıştır. Kargaşa giderme yöntemlerinin hedef sınıflandırma performansına olan etkisini ölçmek için, iki farklı sınıflandırıcı yapısına kargaşa eleme yöntemleri sonucu elde edilen ölçümsel menzil profilleri girdi olarak verilmiş ve sonuçlar incelenmiştir. Kullanılan sınıflandırıcı yapılarından bir tanesi son yıllarda kullanımı yaygınlaşan derin öğrenme tabanlı konvolüsyonel sinir ağları (Convolutional Neural Network, CNN), diğeri ise yapay sinir ağları temelli olasılıksal sinir ağları (Probabilistic Neural Network, PNN) yöntemidir. CNN yönteminde öznitelik çıkartımı sınıflandırıcı yapısı içerisinde gerçekleştirilirken, PNN yapısında ise menzil profillerinden elde edilen iki boyutlu dalgacık dönüşümü katsayıları öznitelik olarak kullanılmıştır. Öznitelik çıkartma aşamasında iki boyutlu dalgacık dönüşümü yönteminin seçilmesindeki amaç, incelenen kargaşa giderme algoritmalarının tek başlarına yeterli olup olmadığını araştırmak ve yeterli gelmedikleri durumda izlenecek yöntemi belirlemektir. Tezin son bölümünde, ölçümsel menzil profilleri kullanılarak yapılan deniz hedefi sınıflandırma uygulamaları sonuçları verilmektedir. Sınıflandırma sonuçları incelenerek kargaşa giderim işleminin sınıflandırma performansını ne derece etkilediği ve hangi yöntemin radar menzil profilleri özelinde etkili olduğu tartışılmaktadır.