Novel methods for ned angle estimation using only azimuth measurements in electronic warfare systems

Elektronik harp sistemlerinde yalnızca yanca ölçümleriyle ned açı kestirimi için yeni yaklaşımlar

PDF İndir

Tez No: 1012290
Yazar: SERKAN UÇAN
Danışmanlar: PROF. DR. HAKAN ALİ ÇIRPAN
Tez Türü: Yüksek Lisans
Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
Anahtar Kelimeler: Belirtilmemiş.
Yıl: 2025
Dil: İngilizce
Üniversite: İstanbul Teknik Üniversitesi
Enstitü: Lisansüstü Eğitim Enstitüsü
Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışmada, yalnızca gövde yanca ölçümleri kullanılarak radar hedeflerinin North East Down (NED) koordinat sistemindeki yanca ve yükseliş açılarını kestirmek amacıyla geliştirilmiş iki farklı yöntemi sunmaktadır. Çalışmanın motivasyonu, hava platformlarında yaygın olarak kullanılan elektronik harp (EH) sistemlerinin doğrudan yükseklik açısı ölçümü yapamaması, bu nedenle hedef tespiti ve yön bulma doğruluğunun sınırlı olması, platform hareket ve manevralarının yön bulma ve yön takibi doğruluğunu olumsuz etkilemesidir. Geliştirilen yöntemler, bu sınırlamayı dolaylı bilgi işleme yaklaşımları ile aşmayı amaçlamaktadır. Günümüz elektronik harp sistemleri, hedef radar darbelerinin frekansı, darbe genişliği, darbe tekrarlama aralığı ve geliş yönü gibi çeşitli parametrelerini ölçebilmektedir. Yanca ölçümü, yatay düzlemde yerleştirilmiş anten dizileri ile yüksek doğrulukta yapılabilirken yükseliş açısı ölçümü, antenlerin düşey yönde sınırlı açıklığa sahip olması ve bu yöne duyarlı olmamaları sebebiyle genellikle ihmal edilmekte ya da çok düşük doğrulukta elde edilebilmektedir. Bu durumda EH sistemleri yalnızca iki boyutlu izleme yapabilir hale gelmektedir. Bu çalışmada sunulan yaklaşım, sadece yanca azimut ölçümleriyle, hedefin NED koordinat sisteminde yanca ve yükseliş elde etme yeteneğini değerlendirmektedir. Platformun yapacağı manevralar yatay düzlemde yerleştirilmiş antenlerden elde edilecek yanca ölçümlerini bozmakta, diğer yandan bu bozulma hedefin NED sisteminde yükseliş açısının kestirilebilmesine olanak sağlamaktadır. Çalışmada detaylı şekilde açıklandığı üzere platformun manevra durumunda elde ettiği yanca ölçümlerinin doğru bir şekilde NED sistemine dönüştürülmesi için bu yükseliş değerinin de doğru bir şekilde kestirilmesi gerekmektedir. Çalışmada bahsedilen yanca ve yükseliş açılarının kestirimi amacı ile iki temel yöntem geliştirilmiştir. Bunlar optimizasyon tabanlı ve derin öğrenme tabanlı görüntü bölütleme yöntemleridir. İlk yaklaşım, gövde yanca ölçümlerinin NED koordinat sistemine dönüştürülmesinde kullanılan dönüşüm matrisleri yardımıyla yapılmaktadır. Bu dönüşümde platformun anlık Euler açıları (yatış, yunuslama ve yalpa) temel olarak kullanılmaktadır. Ancak hedefin gövde eksenindeki yükseliş açısı ölçülememektedir. Bu nedenle, belirli sınırlar içerisinde örneklenen ve türetilen yükseliş açıları üzerinden, dönüşüm matrisleri yardımıyla farklı NED yanca ve yükseliş değerleri elde edilir. Bu değerler, her NED yükseliş değerine karşı bir NED yanca değeri gelecek şekilde eğriler oluşturmaktadır. Ölçüm sayısı arttıkça bu eğriler daha fazla çeşitlenmekte ve eğrilerin kesişim noktası, gerçek hedef açılarının tahmin edilmesini sağlamaktadır. Benzer şekilde platformun manevra miktarı arttıkça eğrilerin kesişimi daha keskin olmakta ve bahsedilen eğriler birbirlerin daha fazla ayrılmaktadır. Bu ayrışım hedefin bulunduğu açıların daha iyi kestirimine olanak sağlamaktadır. Bahsedilen yöntemler arasından optimizasyon kapsamında iki farklı maliyet fonksiyonu tanımlanmış ve bu fonksiyonlar Parçacık Sürü Optimizasyonu (PSO) yöntemiyle minimize edilmiştir. PSO, çözüm uzayında rastgele başlatılmış çok sayıda çözüm noktasıyla, hem bireysel hem de toplu bilgiye dayanarak en iyi çözümü bulmayı amaçlayan metasezgisel bir algoritmadır. İlk maliyet fonksiyonu (NEDL-Opt), optimizasyon değişkenleri olan NED yanca ve yükseliş değerlerinin, oluşturulan dönüşüm eğrilerine olan uzaklıklarını minimize etmektedir. Buradaki amaç iki eksende tarama yapabilmek ve görsel olarak oluşturulan tüm eğri noktalarının kesişim noktası olduğu bilinen hedefin gerçek NED yanca ve yükseliş açılarını kestirebilmektir. İkinci fonksiyon (BAL-Opt), ölçülen ve tahmin edilen gövde azimut değerleri arasındaki kare farkları minimize etmektedir. Burada ise yine doğrudan hedefin NED yanca ve yükseliş değerleri optimizasyon değişkenleri olarak kullanılmaktadır. Optimizasyon iterasyonu esnasında elde edilen her NED koordinat değeri dönüşüm matrisi yardımı ile gövde koordinatlarına çevrilmekte ve buradan bir gövde yanca değeri hesaplanmaktadır. Elde edilen her yanca değeri ölçüm zamanında alınan gövde yanca ölçüm değerleri ile karşılaştırılmakta ve karesel farkları minimize edilmektedir. İkinci yaklaşım olan görüntü bölütlemeye dayalı yöntem, gövde yanca ölçümleri ve platformun manevraları sonucunda elde edilen dönüşüm eğrilerinin iki boyutlu görüntülerini oluşturmaktadır. Bu görüntülerde, eğrilerin kesişim noktası hedefin konumunu temsil etmektedir. Elde edilen ham görüntüler çok geniş bir alanı kapsamakta, bu sebeple de görüntüler üzerinde kırpma yapılmaktadır. Platformun manevra yapmadığı durumda elde ettiği ölçümler referans kabul edilerek bu ölçüm etrafında bir yakınlaştırma yapılır. Yapılan yakınlaştırma sonucunda görüntülerin tüm eksenleri çıkartılarak ham görseller elde edilir. Görselleştirilen ve yakınlaştırılan bu eğriler, U-Net, U-Net++ ve SegFormer mimarilerine sahip derin sinir ağları ile analiz edilerek bölütleme yapılır. Bölütleme sonucunda, görseller üzerinde bulunan eğrilerin yoğunlaştığı bölgelerin tespit edilmesi amaçlanmaktadır. Elde edilen bölütleme görüntülerinin merkezleri çıkartılarak hedefin gerçek bulunduğu yanca ve yükseliş çifti kestirilmektedir. U-Net mimarisi, özellikle biyomedikal görüntü işleme alanında yaygın olarak kullanılan, girdi görüntüsünde her piksele bir etiket atayan bir yapıdır. U şeklinde bir yapıya sahip olan bu mimari, düşük çözünürlüklü görüntülerden yüksek çözünürlüklü bölütleme haritaları üretir. U-Net++, U-Net'in geliştirilmiş bir versiyonudur ve daha yoğun atlama bağlantıları içerir. Bu sayede çok katmanlı bilgi aktarımı daha etkili yapılabilir ve bölütleme doğruluğu artar. SegFormer, tüm görüntüye göre yerel özellikleri ayrıntılı bir şekilde yakalayan, transformer tabanlı bir segmentasyon modelidir. Çalışmada kullanılan veri setleri, simülasyon ortamında oluşturulmuş, farklı ölçüm sayıları ve farklı gürültü düzeyleri içeren senaryolarla desteklenmiştir. Sabit ve hareketli platform senaryoları ayrı ayrı analiz edilmiş ve her senaryoda toplamda 3150 test örneği kullanılmıştır. Her senaryo için hedefin NED açılarının rastgele seçildiği ve ölçümlerin belirli gürültü seviyelerinde bozulduğu durumlar değerlendirilmiştir. Derin öğrenme modelleri, özel olarak oluşturulmuş etiketli görüntülerle eğitilmiş ve her biri yaklaşık 200 görüntü üzerinden 20 epoch boyunca Adam optimizasyon algoritmasıyla eğitilmiştir. Çalışmanın sonuçları, hem niteliksel hem de niceliksel olarak değerlendirilmiştir. Niteliksel değerlendirmeler, bölütleme çıktılarının görsel olarak incelenmesini kapsamaktadır. Test verileri kapsamında oluşturulan ölçüm sayıları ve ölçüm gürültülerine bağlı görüntü işleme yöntemlerinin çıktıları detaylı olarak analiz edilmiştir. Adil değerlendirme açısından bu yöntemlerin çıktı bulamadığı veya hatalı bölütleme yaptığı durumlar da çalışmada incelenmiştir. Bu durumların sebepleri gerekçelendirilmiştir. Niceliksel değerlendirmeler ise Karekök Ortalama Kare Hata (RMSE) metriği üzerinden yapılmıştır. Sonuçlar, bölütleme yöntemlerinin, özellikle SegFormer mimarisinin, optimizasyon tabanlı yöntemlere göre daha düşük hata ile daha doğru sonuçlar ürettiğini göstermektedir. Özellikle düşük ölçüm sayısı ve yüksek ölçüm gürültüsü durumlarında derin öğrenme yöntemleri belirgin şekilde daha başarılı bulunmuştur. Platformun yaptığı manevraların mutlak olarak büyüklüğü açı kestirim doğruluğu üzerinde doğrudan etkiye sahiptir. Yatış ve yalpa açılarının artması, dönüşüm eğrilerinin daha farklı yönlerde oluşmasına neden olmakta ve kesişim noktalarının daha belirgin hale gelmesini sağlamaktadır. Bu durum, hem optimizasyon hem de görüntü bölütleme yöntemlerinin başarısını arttırmaktadır. Ayrıca platform hareketinin eklendiği senaryolarda, konum değişikliğinden kaynaklı hata oluşsa da, bölütleme yöntemleri bu hataya karşı daha dirençli davranmakta, önceki senaryolarla uyumlu bir şekilde daha yüksek performans göstermektedir. Genel sonuç olarak, sadece gövde yanca ölçümleri kullanılarak, hem NED yanca hem de NED yükseliş açılarının belirli senaryolar altında başarılı şekilde tahmin edilebildiği gösterilmiştir. Bu durum, ek donanım gerekmeden, mevcut sistemlerin belirli senaryolar altında NED yükselişi kestirebilir hale gelmesi anlamına gelmektedir. Özellikle derin öğrenme yöntemlerinden özellikle SegFormer'ın, bu alanda büyük bir potansiyele sahip olduğu sonucuna ulaşılmıştır. Bu çalışma, modern elektronik harp sistemlerinin performansını donanımsal kısıtlar bulunduğu durumda yazılımsal gelişmeler ile arttırma yönünde bir katkı sunmayı amaçlamaktadır.

Özet (Çeviri)

This study presents two different methods developed to estimate the North East Down (NED) azimuth and elevation angles of radar targets using only body azimuth measurements. The motivation for this research stems from the limitations of modern airborne Electronic Warfare (EW) systems, which commonly lack the ability to directly measure body elevation angles. As a result, target detection and direction finding accuracy are constrained, and the platform's movement and maneuvers can negatively impact the accuracy of direction estimation and tracking. The proposed methods aim to overcome these limitations through indirect signal processing approaches. Modern EW systems are capable of measuring various parameters of incoming radar pulses such as frequency, pulse width, pulse repetition interval, and direction of arrival. While azimuth measurement can be performed with high accuracy using antenna arrays arranged in the horizontal plane of the platform, elevation measurements are typically neglected or obtained with low precision due to the limited vertical aperture in that direction. Consequently, EW systems are often limited to one dimensional tracking. The approach proposed in this study evaluates the capability of estimating both azimuth and elevation in the NED coordinate system using only azimuth measurements. While platform maneuvers distort the azimuth measurements obtained from horizontally placed antennas, this distortion can in turn enable the estimation of the target's elevation angle in the NED system. As explained in detail in the study, accurate estimation of elevation is necessary to correctly transform the azimuth measurements to the NED system under maneuvering conditions. To estimate the azimuth and elevation angles discussed above, two main methods have been developed. These methods are based on optimization and deep learning-based image segmentation approaches. The first approach uses rotation matrices to transform body azimuth measurements into the NED coordinate system. These transformations rely on the platform's instantaneous Euler angles (roll, pitch, and yaw). However, as mentioned before, the elevation angle in the body axis cannot be measured directly. Therefore, elevation angles are sampled within certain bounds, and by applying the rotation matrices, different potential NED azimuth and elevation values are obtained. These values form several curves, where each NED elevation value corresponds to a NED azimuth value. As the number of measurements increases, more such curves are formed, and the intersection point of these curves enables accurate estimation of the true angles of the target. Similarly, as the platform's maneuver magnitude increases, the curves intersect more sharply and separate more distinctly, allowing for more precise estimation of the target's NED angles. Among the proposed methods, two distinct cost functions are defined under the optimization approach and are minimized using Particle Swarm Optimization (PSO). PSO is a metaheuristic algorithm that aims to find the best solution by initializing multiple solution points randomly in the search space and using both individual and collective knowledge. The first cost function (NEDL-Opt) minimizes the distance between the optimization variables (NED azimuth and elevation) and the generated rotation curves. The goal here is to scan in two dimensions and estimate the true NED azimuth and elevation angles of the target based on the intersection of all curve points. The second cost function (BAL-Opt) minimizes the squared differences between measured and estimated body azimuth values. Here too, the optimization variables are the NED azimuth and elevation angles of the target. Each NED coordinate obtained during the optimization iteration is converted to body coordinates using the rotation matrix, and the resulting body azimuth is compared with the measured one. The squared differences are then minimized. The second approach is based on image segmentation. In this approach, two-dimensional visualizations of the rotation curves resulting from body azimuth measurements and platform maneuvers are generated. In these images, the intersection of the curves corresponds to the target's NED azimuth and elevation angles. The raw images cover a wide area, so a specific area is zoomed. Measurements taken when the platform is not maneuvering are used as reference points, and zooming is applied around these measurements. After zooming, irrelevant axes are removed from the images to create clean visualizations and pure images. These processed images are then analyzed using deep neural networks with U-Net, U-Net++, and SegFormer architectures for segmentation. The segmentation aims to identify regions where the rotation curves concentrate. By extracting the centers of these segmented areas, the estimated NED azimuth and elevation angles of the target are obtained. The U-Net architecture is widely used in biomedical image processing and assigns a label to each pixel in the input image. Its U-shaped structure allows the generation of high-resolution segmentation maps from low-resolution inputs. U-Net++ is an improved version of U-Net, featuring denser skip connections for more effective multi-scale feature transfer, leading to enhanced segmentation accuracy. SegFormer is a transformer based segmentation model which captures local features in detail with respect to the whole image. The dataset used in the study was generated through simulation and includes scenarios with varying numbers of measurements and different noise levels. Both stationary and moving platform scenarios were analyzed independently, with a total of 3150 test cases in each. In each scenario, the target's NED angles were randomly generated, and measurement noise was added. Deep learning models were trained using custom-labeled images and optimized over 20 epochs using the Adam optimizer, each with approximately 12600 input sample images. The study's results are evaluated both qualitatively and quantitatively. Qualitative evaluations focus on visual inspections of the segmentation outputs. Test cases with different measurement counts and noise levels are analyzed in detail. For fair assessment, instances where segmentation failed or produced inaccurate results were also examined and explained. Quantitative evaluations are based on the Root Mean Square Error (RMSE) metric. The results demonstrate that image segmentation methods, particularly SegFormer, produce more accurate results with lower error compared to optimization-based methods. Deep learning approaches showed significantly better performance in scenarios with fewer measurements or higher noise levels. The magnitude of the platform's maneuvers has a direct effect on the accuracy of angular estimation. Increases in roll and yaw angles cause the rotation curves to diverge more, making their intersection points more distinct. This improves the performance of both optimization and image segmentation methods. Furthermore, in scenarios involving platform motion, despite the added positional and in return angular error, segmentation methods prove more robust and continue to show strong performance consistent with previous cases. In conclusion, the study shows that both NED azimuth and elevation angles can be successfully estimated using only body azimuth measurements under specific scenarios. This implies that existing systems can achieve 3D angle estimation under certain scenarios without requiring additional hardware. Among the deep learning methods, SegFormer demonstrated the greatest potential. This research aims to contribute to enhancing the capabilities of modern electronic warfare systems through software-based advancements even in the presence of hardware limitations.

Benzer Tezler

Tez No
317
Ebubekir Hazım Tepeyran'ın hikayeleri ve romanları
Başlık çevirisi yok
SERPİL HAYBER
Yüksek Lisans
Türkçe
1986
Türk Dili ve Edebiyatı Gazi Üniversitesi
Türk Dili ve Edebiyatı Ana Bilim Dalı
YRD. DOÇ. DR. BİLGE ERCİLASUN
Tez No
88
Le Non-naturalisme dans la Faute de I'Abbe Mouret d'Emile Zola
Başlık çevirisi yok
GÜRBÜZ SEZGİN
Yüksek Lisans
Fransızca
1986
Fransız Dili ve Edebiyatı Cumhuriyet Üniversitesi
Batı Dilleri ve Edebiyatları Ana Bilim Dalı
YRD. DOÇ. DR. TUNA ERTEM
Tez No
451
Yakup Kadri'nin romanlarında Anadolu
Başlık çevirisi yok
ABDÜLKADİR HAYBER
Yüksek Lisans
Türkçe
1985
Türk Dili ve Edebiyatı Gazi Üniversitesi
Türk Dili ve Edebiyatı Ana Bilim Dalı
DOÇ. DR. BİLGE ERCİLASUN
Tez No
95
Structures discursives dans“la grande peur dans la montagne”de Charles-Ferdinand Ramuz
Başlık çevirisi yok
NİLGÜN SÖKMEN
Yüksek Lisans
Fransızca
1985
Fransız Dili ve Edebiyatı Cumhuriyet Üniversitesi
Batı Dilleri ve Edebiyatları Ana Bilim Dalı
YRD. DOÇ. DR. TUNA ERTEM
Tez No
97
La Technique de persuasion dans I'Emile de Jean-Jacques Rousseau
Başlık çevirisi yok
DURAN NEMUTLU
Doktora
Fransızca
1985
Fransız Dili ve Edebiyatı Cumhuriyet Üniversitesi
Fransız Dili Eğitimi Ana Bilim Dalı
DOÇ. DR. MEHMET YALÇIN

Geri Dön