Seyrek açısal monostatik RKA verilerinden makine öğrenmesi tabanlı süper-çözünürlüklü RKA üretimi
Machine learning-based super-resolution RCS generation from sparse angular monostatic RCS data
- Tez No: 1000378
- Danışmanlar: PROF. DR. MELTEM ERYILMAZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Electrical and Electronics Engineering, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Geçici elektromanyetik, Radar kesit alanı, Yapay zeka ve makine öğrenmesi dersi, Transient electromagnetic, Radar cross section, Artificial intelligence and machine learning course
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Ostim Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yazılım Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Radar kesit alanı (Radar Cross Section – RCS), bir hedefin radar sistemleri tarafından algılanabilirliğini tanımlayan temel elektromanyetik büyüklüklerden biridir. Özellikle askeri platformlar ve düşük görünürlük uygulamalarında, RCS'nin açısal dağılımının yüksek çözünürlükle elde edilmesi kritik öneme sahiptir. Ancak elektriksel olarak büyük hedefler için tam dalga elektromanyetik çözücüler kullanılarak yüksek açısal çözünürlükte RCS hesaplanması, yüksek hesaplama süresi ve bellek maliyetleri doğurmaktadır. Bu nedenle pratik uygulamalarda RCS verileri genellikle seyrek açısal örnekleme ile elde edilmekte, bu durum ise lokal saçılım etkilerinin ve keskin rezonans davranışlarının yeterince temsil edilememesine yol açmaktadır. Bu tez çalışmasında, seyrek açısal çözünürlükte elde edilen monostatik RKA verilerinden yararlanarak, makine öğrenmesi tabanlı bir yaklaşımla yüksek açısal çözünürlüklü RCS tahminlerinin üretilmesi amaçlanmıştır. Tek aşamalı regresyon modellerinin sınırlı performans göstermesi nedeniyle, çok aşamalı ve residual öğrenmeye dayalı hibrit bir mimari önerilmiştir. Geliştirilen yöntem; global destek vektör regresyonu (SVR), sabit elevasyon doğrusu boyunca phi-line residual öğrenme, azimut ekseninde segmentli residual modelleme ve kritik açısal bölgelerde uygulanan lokal residual iyileştirme adımlarından oluşmaktadır. Eğitim verileri, 5° açısal çözünürlükte MLFMA tabanlı tam dalga elektromanyetik çözümlerden elde edilmiştir. Doğrulama amacıyla kullanılan 1° açısal çözünürlüklü RKA verileri ise eğitim sürecine dahil edilmemiştir. Sayısal sonuçlar, önerilen yöntemin klasik interpolasyon yaklaşımlarına kıyasla belirgin bir doğruluk artışı sağladığını göstermektedir. Global SVR modeliyle yaklaşık 3.5 dB olan ortalama mutlak hata, segmentli ve lokal residual düzeltmelerle yaklaşık 1 dB seviyesine düşürülmüştür. Ayrıca doğrulama noktalarının \%60'ından fazlasında hata 1 dB'nin altında elde edilmiştir. Elde edilen bulgular, seyrek açısal örneklemeye dayalı tam dalga çözümlerden, düşük hesaplama maliyetiyle yüksek doğrulukta süper-çözünürlüklü monostatik RKA üretiminin mümkün olduğunu ortaya koymaktadır.
Özet (Çeviri)
High–angular–resolution radar cross section (RCS) analysis of electrically large targets requires a substantial computational cost when full-wave solvers are employed. In practical applications, RCS data are therefore computed using sparse angular sampling, which leads to the loss of critical scattering details such as sharp nulls and resonant peaks. In this paper, a machine learning–based super-resolution framework is proposed to reconstruct high–resolution monostatic RCS patterns from sparsely sampled angular data. The proposed method employs a multi-stage hybrid learning architecture consisting of a global support vector regression (SVR) model followed by residual learning, azimuthal (phi-line) modeling, segmented residual correction, and local refinement. Importantly, high–resolution reference RCS data are not used during training and are reserved exclusively for validation, ensuring that the proposed approach performs true super-resolution rather than interpolation. Numerical results obtained from multilevel fast multipole algorithm (MLFMA) simulations demonstrate that the proposed method reduces the mean absolute error (MAE) from approximately 3.5 dB to nearly 1 dB along the validation azimuth line, while preserving sharp scattering features. The results confirm that the proposed framework provides an accurate and computationally efficient alternative for high–resolution RCS prediction.
Benzer Tezler
- Seyrek-Zade Mehmet Asım'ın hayatı ve Zeyl-i Zübdetü'l-Eş'ar adlı eseri
Başlık çevirisi yok
ALİ OSMAN COŞKUN
Yüksek Lisans
Türkçe
1985
Türk Dili ve EdebiyatıGazi ÜniversitesiTürk Dili ve Edebiyatı Ana Bilim Dalı
YRD. DOÇ. DR. ABDULKERİM ABDÜLKADİROĞLU
- Gamma ışınlamasının buğday ve triticalenin bazı karakterleri üzerindeki etkisinin araştırılması
Başlık çevirisi yok
SANİYE AKGÜNLÜ
- Pamuk ipliklerinde istatiksel bir hata analiz yönteminin geliştirilmesi üzerinde araştırmalar
Başlık çevirisi yok
AYŞE KARAKOR
Yüksek Lisans
Türkçe
1986
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNGÖR BAŞER
- Buca yerleşme merkezinde ekoloji yönünden önemli biyotoplar üzerinde araştırmalar
Başlık çevirisi yok
KEMAL TULUHAN YILMAZ