Makine öğrenmesi yöntemleri ile imha değerlendirme

İmha değerlendirme başlatılan bir angajman sonucunda ilgili tehdidin vurulup -vurulmadığı kararının verilebilmesi, başlatılan angajmanın başarılı olup olmadığının değerlendirilmesidir. Tehdit için belirtilen imha edildi-edilmedi bilgisi hem kullanıcı dikkatinin hem maliyetlerin hem de angajmanın doğru yönetilmesi için kritik önem ifade etmektedir. Bu tespit artık insan gözüyle yapılabilecek menzillerden ve büyüklüklerden çok uzaktır. İmha değerlendirmesinde, makine öğrenmesi ve derin öğrenme tekniklerinin kullanılmasıyla karar alma sürecinde kararlarının insan müdahalesinden bağımsız olarak verilmesi ve böylece hataların ve kaynak israflarının azaltılması hedeflenmektedir. İmha değerlendirmesinin makine öğrenmesi ve derin öğrenme algoritmaları ile yapılmasına dair gerçekleştirilen bu çalışmada, gerçek dünyaya ait radar verilerine sahip olunmaması nedeniyle radar sinyallerini sentetik veri olarak üreten ve imha-ıskalama gibi fiziksel olayları simüle eden bir simülatör geliştirilmiştir. Ham radar verilerinin gürültüye ve aşırı uyumlamaya açık olması, eğitim sürecinde donanımın yetersiz kalması ve eğitim süresinin uzun sürmesi gibi dezavantajlar nedeniyle sınıflandırma algoritmalarına girdi olarak kullanımı uygun bulunmamıştır. Bu nedenle sentetik ham radar sinyallerinden öznitelik çıkarım işlemleri yapılarak algoritmalara bu öznitelikler girdi olarak sağlanmıştır. Bu öznitelik tipleri noksansız öznitelik seti, noksan öznitelik seti ve belirsizlik analizi öznitelik seti olmak üzere üçe ayrılmaktadır. İmha değerlendirme işlemi Vurulma Öncesi, Iskalama ve İmha olmak üzere farklı durumları belirten bu üç sınıfa ayrılarak ifade edilmiştir. İmha durumu doğası gereği anlık ya da milisaniyeler mertebesinde gerçekleşen bir olaydır. Bu nedenle sınıflara ait veri setindeki denge gözetildiğinde vurulma öncesi anına ya da ıskalama anına ait veri yoğunluğu imha anına ait veri ile kıyaslandığında çok daha fazla olmaktadır. Bu sebeple sınıf dengesini sağlayan çeşitli yöntemler araştırılarak sınıf dengesinin sağlandığı öznitelik setleri ile eğitim işlemi gerçekleştirilmiştir. Sınıf dengesini sağlamak için SMOTE, ROS, RUS, Yakındakini Atma, SMOTE-ENN, SMOTE-TOMEK yöntemleri kullanılmıştır. Dengesiz ve dengeli hale getirilen veri setleri sırası ile girdi olarak kullanılarak imha değerlendirme algoritmaları test edilmiştir. Makine öğrenmesi algoritmalarından ada artırım, gradyan artırım, karar ağacı, rastgele orman, destek vektör makineleri, çok katmanlı algılayıcı, derin öğrenme algoritmalarından ise sinir ağları ve LSTM kullanılarak doğru bir imha kararının verilmesinde performans ve doğruluk açısından hangi yöntemin daha doğru ve en iyi çalıştığı kıyaslanarak saptanmıştır. Performans analizlerine bakıldığında üç ayrı öznitelik seti için de ROS uygulanmış öznitelik setinin girdi olduğu rastgele orman algoritmasının %99 üzerinde doğruluk oranı ile en iyi sınıflandırmayı gerçekleştirdiği sonucuna varılmıştır. Sınıf dengesinin sağlanıyor olmasının tüm sınıflandırma algoritmalarında performansı artıran bir unsur olduğu görülmüştür. Bu tez sonucunda yapay zekâ algoritmaları ile radar sinyalleri üzerinden çıkarılan öznitelikler kullanılarak başarılı bir şekilde imha değerlendirme yapılabileceği sonucuna ulaşılmıştır.