Radarla hedef tanıma ve sınıflandırma için temel bileşenler analizine dayalı yeni karma yöntemler

Radar hedeflerini görüntülemek için Yapay Açıklıklı Radar (YAR) ve Ters Yapay Açıklıklı Radar (TYAR) kullanılmaktadır. Hedefi tanıma ve sınıflandırma için ise literatürde çeşitli yöntemler mevcuttur. Bu yöntemlerden bazıları için kullanılacak olan radar hedefinin radar kesit alan (RKA) değerleri gerekir. RKA değeri ise bir hedefe elektromanyetik dalganın gödnerilerek geri yansıyan elektromanyatik dalganın elektrik alanının ölçülmesi ile elde edilir. Elde edilen RKA değerleri, açı çeşitlemesi ve frekans çeşitlemesi kullanılarak genişletilir. Oluşturulan bu RKA değerleri bir matris şekline getirilerek hedef tanıma ve sınıflandırma algoritmalarında kullanılır. Bu çalışmada öznitelik çıkarımına dayalı radar hedef tanıma ve sınıflandırma yöntemleri incelenmiş ve bazı karma yöntemler önerilmiştir. Bu yöntemlerin en önemli zorluğu özniteliklerin seçimi konusudur. Özniteliklerin seçimine dayalı farklı yaklaşımlar incelenmiş ve karşılaştırılmıştır. Radar hedeflerinin tanınması ve sınıflandırılması için incelenen Temel Bileşenler Analizi (TBA) tabanlı yaklaşımlardan birisi Çekirdek Temel Bileşenler Analizi (ÇTBA) 'dir. Ayrıca TBA yöntemi ile birlikte Doğrusal Ayrımcılık Analizi (DAA) ve Fisher Doğrusal Ayrımcılık (FDA) yöntemleri incelenmiştir. Hazırlanan veri setleri ile başarı oranı açısından birbirine olan üstün ve zayıf yönleri analiz edilmiştir. Bu yöntemlerle beraber birden fazla yöntemin birleşiminden meydana gelen, TBA+DAA, TBA+FDA, TBA+DAA+FDA, DAA+FDA, ÇTBA+DAA, ÇTBA+FDA ve ÇTBA+DAA+FDA yeni karma yöntemler de oluşturulup incelenmiştir. TBA yöntemi çok boyutlu veriyi daha az boyutlu bir alt uzaya dönüştürür. Bu doğrusal ve dik geçişi yaparken kovaryans matrisini kullanır. Kovaryans matrisinin özdeğer ve özvektörleri sayesinde temel bileşenler hesaplanır. Aynı zamanda çok boyutlu veriyi daha az boyuttaki veriye dönüştürdüğünden sıkıştırma da yapılmış olur. TBA yönteminde farklı hedeflere ait veriler çok büyük bir varyans ile dağılmak zorundadır. Çok küşük varyanslı dağıldığı durumlarda ise TBA'in başarımı düşmektedir. Böyle bir durumda TBA, doğrusal bir geçiş ile alt uzayda ayrışmayı yapamamaktadır. Bu nedenle veriyi doğrusal olmayan bir geçişle alt uzaya iz düşüren Çekirdek TBA yöntemi önem kazanır. ÇTBA doğrusal olmayan geçişi çekirdek fonksiyonları vasıtasıyla yapmaktadır. Literatürde sıkça kullanılan çekirdek fonksiyonları ise gauss, polinom ve hiperbolik tanjant'tır. Bu çalışmada ise polinom çekirdek fonksiyonu kullanılmıştır. DAA yöntemi ile de hem sınıflar içi hem de sınıflar arası benzerliğe bakılarak başarımın genellenmesi sağlanır. Özniteliklerin seçimi konusu incelendiğinde ise FDA yöntemi bu noktada optimum geçiş matrisini elde edebilmek için optimizasyon gerektirir. Böylelikle optimum özdeğer ve özvektör seçimi yapılır. Literatürde birden fazla yöntemin birleşiminden oluşturulan karma yöntemler de vardır. Örneğin TBA+DAA yöntemi bu çalışmada incelenmiştir. TBA yöntemi ile sınıflandırma başarısının düşük olduğu, çok yakın varyans ile dağılmış hedeflerde TBA+DAA yöntemi başarıyı arttırmaktadır. Ayrıca literatürde olmayan TBA+DAA+FDA, DAA+FDA, ÇTBA+DAA, ÇTBA+FDA ve ÇTBA+DAA+FDA karma yöntemler de bu çalışmada oluşturulup, sonuçları incelenmiştir. Çalışmada eliptik silindir, dikdörtgen düzlem ve eşkenar üçgen düzlem kullanılmıştır. Benzetim için MATLAB tabanlı kullanıcı arayüz programı (GUI) tasarlanmıştır. Böylelikle kullanılacak özdeğer vektör sayısı, sinyal gürültü oranı değeri, eğitim veri setinin büyüklüğü ve gürültü gücünü ayarlanarak, seçilen yöntemin analizi yapılmıştır. Sonuç olarak yeni oluşturulan karma yöntemlerin karşılaştırılmaları detaylı bir şekilde yapılmıştır. Başarı oranı tüm metodlar için yüzde olarak hesaplanıp, karşılaştırmalar için kullanılmıştır. TBA yöntemi çok büyük varyans ile dağılmış verilerde en yüksek başarı oranını sağlamıştır. FDA yöntemi %96,24'lük başarı oranı ile frekans çeşitlemesinin kullandığı veri setinde en yüksek başarı oranına sahiptir. TBA+DAA+FDA ve TBA+DAA yöntemleri farklı sınıflardan oluşturulan ve açı çeşitlemesinin kullanıldığı veri seti için incelendiğinde düşük sayıda özdeğer vektör kullanıldığı durumlarda başarı oranının arttığı gözlenmiştir. FDA yöntemi ise yüksek sayıda özdeğer vektör kullanıldığı durumlarda başarı oranı artmaktadır. TBA+FDA yönteminde eğitim veri seti büyüklüğü arttıkça başarım oranı da artmaktadır. ÇTBA+DAA yöntemi %33,41 başarı oranı ile farklı sınıflardan oluşturulan veriler için en düşük başarı oranına sahiptir. Aynı sınıftan oluşturulan hedeflerde ise DAA+FDA %33,33 ile en düşük başarı oranına sahiptir. Frekans çeşitlemesinin kullanıldığı verilerde ise ÇTBA, ÇTBA+DAA, ÇTBA+FDA ve ÇTBA+DAA+FDA yöntemleri TBA, TBA+DAA, TBA+FDA, TBA+DAA+FDA, FDA ve DAA+FDA yöntemleri ile kıyaslandığında en düşük performansa sahip olduğu gözlenmiştir.