Çoklu silindirik hedeflerin sınıflandırılması

Abstract

Saçılan sinyallerden radar hedeflerini tanıma elektromagnetiğin önemli konularından biridir. Cisim tarafından saçılan elektromagnetik dalgalar, o cismin karakteristik bilgisini içermektedir ve saçılan dalgadan cismin tanınması oldukça zor bir problemdir. Bu bakımdan öğrenme ve genelleme yeteneklerinden dolayı yapay sinir ağları, birçok mühendislik uygulamalarında kullanıldığı gibi bu tür problemlerde de kullanılmaktadır. Turhan, küresel dielektrik bir malzemeden saçılan elektromagnetik dalganın elektrik alan ifadesinden yararlanarak bir veri kümesi oluşturmuş ve Wigner dağılımını ile özellik çıkarımı yaparak bir hedef sınıflayıcı tasarlamıştır [2].Benim çalışmamda ise, en basit modellerden biri olan sonsuz uzun, düz yüzey üzerindeki 2 silindirik hedeften saçılma problemi ele alınmıştır. Deniz yüzeyi ve silindirik hedef hesaplamada kolaylık sağlaması açısından mükemmel iletken (PEC-Perfectly Electrical Conducting) kullanılmıştır. Hedef tanıma ve sınıflama uygulamalarında kullanılan hedef olarak 2 silindirik cisim seçilmiştir. Bu hedeflerden saçılan toplam elektrik alan hesaplanmış, saçılan sinyallere STFT (Short Time Fourier Transform ? Kısa Zamanlı Fourier Dönüşümü - KZFD) ve WAVELET (Dalgacık dönüşümü) analizi uygulanmış ve sonuçta elde edilen katsayıların giriş verileri olarak kullanıldığı 4 farklı yapay sinir ağı (YSA) modeli MATLAB programı ile simüle edilmiştir. Çıkış verileri olarak 1. silindirin yarıçapı, 2. silindirin yarıçapı ve aralarındaki mesafe alınmıştır. YSA olarak Genelleştirilmiş Regresyon Sinir Ağı (Generalized Regression Neural Networks - GRNN) kullanılmıştır. Genelleştirilmiş Regresyon Ağları, radyal temelli ağların genellikle fonksiyon yaklaştırma problemleri için kullanılmakta olan özel bir halidir. Bu ağlar önemli ölçüde iyi başarı ile sürekli fonksiyonlara yaklaşımı sağlarlar. Giriş ve çıkış arasında, eğitim kümesinden elde ettiği bulgularla herhangi sıradan bir fonksiyona yaklaşabilir. Eğitim kümesinin boyutları büyüdükçe yaklaşımdaki hata oranı sıfıra yakınsar. Bu 4 farklı GRNN modelinin biri Kısa Zamanlı Fourier Dönüşümü kullanılarak oluşturulan giriş değerleri ile modellenmiş, diğeri Kısa Zamanlı Fourier Dönüşümü uygulanan şekle Dalgacık araçkutusu ile oluşturulan özelliklerin giriş olarak kullanılması ile modellenmiş, diğer ikisi ise Dalgacık Dönüşümü kullanılarak farklı iki giriş veri seti oluşturularak modellenmiş YSA' dır. YSA' ların başarılarının karşılaştırılması sonucunda dalgacık katsayılarının kullanıldığı modellerin Kısa Zamanlı Fourier Dönüşümü' nden elde edilen katsayıların kullanıldığı modelden çok daha başarılı olduğu gözlemlenmiştir.Ayrıca geleneksel işaret işlemede kullanılan Fourier Dönüşümü' nün yetersizliklerinden bahsedilmiştir. Sinyal analizinin sadece frekans düzlemi veya zaman düzleminde yapılması, sinyal içerisindeki bir bilginin düşünülmemesi anlamına geldiğinden özellikle durağan olmayan sinyallerin analizinde, işaretin frekans ve zaman bilgilerini aynı anda elde etmek için geliştirilen Dalgacık Dönüşümü tekniğinin mükemmel sonuçlarına varılmıştır.