Geri Dön

Elektronik harp sistemlerinde düşük sinyal gürültü oranlarında lpı radar sinyallerinin tespiti ve sınıflandırılması için yapay zekâ yaklaşımları

Artificial intelligence approaches for the detection and classification of lpi radar signals in low signal-to-noise ratio conditions in electronic warfare systems

  1. Tez No: 1016709
  2. Yazar: ZEYNEP HASALAN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ FATİH ALPASLAN KAZAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Savunma ve Savunma Teknolojileri, Defense and Defense Technologies
  6. Anahtar Kelimeler: Derin Öğrenme, Düşük Yakalanma Olasılıklı Radar, Elektronik Harp, Evrişimli Sinir Ağı, I/Q Sinyal İşleme, Kısa Zamanlı Fourier Dönüşümü, Radar Sinyal Sınıflandırması, Sinyal-Gürültü Oranı, Zaman-Frekans Görüntüsü, Convolutional Neural Network, Deep Learning, Electronic Warfare, I/Q Signal Processing, Low Probability of Intercept Radar, Radar Signal Classification, Short-Time Fourier Transform, Signal-to-Noise Ratio, Time-Frequency Image
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Selçuk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Savunma Teknolojileri Ana Bilim Dalı (disiplinlerarası)
  12. Bilim Dalı: Savunma Teknolojileri Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Elektronik harp (EH), elektromanyetik spektrumda (EMS) üstünlük sağlamak amacıyla düşman elektromanyetik sistemlerinin tespit edilmesi, tanımlanması, etkisiz hale getirilmesi veya aldatılması ile dost sistemlerin bu tehditlere karşı korunmasını kapsayan askerî faaliyetlerin bütünüdür. Elektronik destek (ED), elektronik taarruz (ET) ve elektronik korunma (EK) bileşenlerinden oluşan EH yapısı içerisinde özellikle radar sinyallerinin doğru şekilde algılanması ve sınıflandırılması, modern muharebe ortamlarında kritik bir gereklilik haline gelmiştir. EMS'nin yoğun, karmaşık ve dinamik yapısı; tehdit radarlarının erken tespit edilmesini, sinyal karakteristiklerinin doğru yorumlanmasını ve karar destek süreçlerinin hızlandırılmasını zorunlu kılmaktadır. Düşük yakalanma olasılıklı (Low Probability of Intercept-LPI) radarlar, düşük güç seviyelerinde çalışmaları, geniş bantlı sinyal yapıları ve karmaşık modülasyon teknikleri kullanmaları nedeniyle klasik ED sistemleri tarafından algılanması ve sınıflandırılması zor tehditler arasında yer almaktadır. Bu radar sinyallerinin çoğunlukla gürültü tabanına yakın seviyelerde bulunması, geleneksel eşik tabanlı yöntemlerin ve yalnızca temel darbe parametrelerine dayalı sınıflandırma yaklaşımlarının etkinliğini sınırlandırmaktadır. Bu nedenle düşük sinyal gürültü oranı (Signal to Noise Ratio-SNR) koşullarında çalışabilen, sinyal örüntülerini otomatik olarak öğrenebilen ve karmaşık modülasyon yapılarını ayırt edebilen derin öğrenme tabanlı yöntemlere ihtiyaç duyulmaktadır. Bu tez çalışmasında, LPI radar sinyallerinin sınıflandırılması amacıyla derin öğrenme tabanlı Evrişimli Sinir Ağı (Convolutional Neural Network-CNN) modelleri kullanılmıştır. Çalışma kapsamında farklı radar modülasyon türlerini içeren sentetik veri setleri oluşturulmuş ve sinyaller hem doğrudan eş evre ve dik evre (In-phase/Quadrature-phase-I/Q) bileşenleri üzerinden hem de kısa zamanlı Fourier dönüşümü ile elde edilen zaman-frekans görüntüleri (Time Frequency Image-TFI) üzerinden 1D-CNN ve 2D-CNN modelleriyle analiz edilmiştir. Oluşturulan modellerin performansları tekli modülasyon sınıflandırması, modülasyon ailesi sınıflandırması ve çoklu modülasyon sınıflandırması aşamalarıyla karşılaştırmalı olarak değerlendirilmiştir. Deneysel çalışmalarda frekans modülasyonlu ve faz modülasyonlu olmak üzere toplam on farklı radar modülasyon sınıfı ele alınmıştır. Kullanılan frekans modülasyonları; artan ve azalan cıvıltı doğrusal frekans modülasyonları, doğrusal olmayan frekans modülasyonu, sinüzoidal frekans modülasyonu, adımlı frekans modülasyonudur. Faz modülasyonları ise Barker kodlu, ikili faz kaydırmalı anahtarlama, P1, T1 ve Frank çok fazlı faz modülasyonlarıdır. v Modellerin başarımları eğitim ve validasyon doğrulukları, kayıp değerleri ve karmaşıklık matrisi üzerinden incelenmiştir. Ayrıca farklı SNR seviyelerinde gerçekleştirilen analizlerle modellerin gürültüye karşı dayanımı değerlendirilmiştir. Elde edilen bulgular, TFI'ların radar modülasyonlarına ait ayırt edici örüntüleri daha belirgin biçimde ortaya koyduğunu ve 2D-CNN modelinin özellikle çoklu modülasyon sınıflandırması ile düşük SNR koşullarında daha kararlı sonuçlar verdiğini göstermiştir. Ayrıca LPI radar sinyallerinin düşük SNR ortamlarında sınıflandırılmasına yönelik derin öğrenme tabanlı yaklaşımların EH sistemleri açısından uygulanabilirliği de ortaya konulmuştur. Elde edilen sonuçların, radar ikaz alıcıları, ED sistemleri ve yapay zekâ destekli bilişsel EH sistemlerinde tehdit tanıma ve karar destek süreçlerinin geliştirilmesine katkı sağlayabileceği değerlendirilmektedir.

Özet (Çeviri)

Electronic warfare (EW) refers to the set of military activities aimed at achieving superiority in the electromagnetic spectrum (EMS) through the detection, identification, neutralization, or deception of adversary electromagnetic systems, while ensuring the protection of friendly systems against such threats. Within the EW framework, which consists of electronic support (ES), electronic attack (EA), and electronic protection (EP) components, the accurate detection and classification of radar signals has become a critical requirement in modern combat environments. The dense, complex, and dynamic structure of the EMS necessitates the early detection of threat radars, the accurate interpretation of signal characteristics, and the acceleration of decision-support processes. Low Probability of Intercept (LPI) radars are among the most challenging threats to detect and classify using conventional ES systems due to their low-power operation, wideband signal structures, and complex modulation techniques. Since these radar signals are generally located close to the noise floor, the effectiveness of traditional threshold-based methods and classification approaches relying solely on basic pulse parameters is significantly limited. Therefore, there is a need for deep learning-based methods capable of operating under low Signal-to-Noise Ratio (SNR) conditions, automatically learning signal patterns, and distinguishing complex modulation structures. In this thesis, deep learning-based Convolutional Neural Network (CNN) models are employed for the classification of LPI radar signals. Within the scope of the study, synthetic datasets containing different radar modulation types were generated, and the signals were analyzed using both 1D-CNN and 2D-CNN models based on their raw in-phase and quadrature (I/Q) components as well as Time-Frequency Images (TFIs) obtained through the short-time fourier transform. The performances of the developed models were comparatively evaluated through single-modulation classification, modulation-family classification, and multi-class modulation classification stages. In the experimental studies, a total of ten different radar modulation classes, including frequency-modulated and phase-modulated signal types, were considered. The frequency modulations utilized in the study include Linear Frequency Modulation (LFM) up-chirp and LFM down-chirp, nonlinear LFM, sinusoidal frequency modulation, and stepped frequency modulation. The phase modulation classes include Barker-coded modulation, binary phase-shift keying, and P1, T1, and Frank polyphase modulation types. The performances of the models were examined in terms of training and validation accuracies, loss values, and confusion matrices. In addition, the robustness of the models against noise was evaluated vii through analyses conducted at different SNR levels. The findings demonstrate that TFIs reveal the distinctive patterns of radar modulations more clearly and that the 2D-CNN model provides more stable results, particularly in multi-class modulation classification and under low-SNR conditions. Furthermore, the applicability of deep learning-based approaches for the classification of LPI radar signals in low-SNR environments has been demonstrated from the perspective of EW systems. These results are expected to contribute to the development of threat recognition and decision-support processes for radar warning receivers, ES systems, and artificial intelligence supported cognitive EW systems.

Benzer Tezler

  1. Tez No

    338700

    Akıllı anten sistemleri için işaret geliş açısı kestirim yöntemleri

    Direction of arrival estimation methods for smart antenna systems

    TUNA ORUL

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    Elektrik ve Elektronik MühendisliğiGazi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ERKAN AFACAN

  2. Tez No

    712282

    FPGA tabanlı uzun kısa-süreli bellek yapay sinir ağı ile darbesel sinyal tespiti

    FPGA based long short-term memory artificial neural network for pulse signal detection

    ERDOĞAN BERKAY TEKİNCAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiBaşkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TÜLİN ERÇELEBİ AYYILDIZ

    DR. NİZAM AYYILDIZ

  3. Tez No

    933376

    Antenna and frequency selective surface design for 3.1 GHZ detect and avoid radar system on unmanned aerial vehicle

    İnsansız hava aracında 3.1 GHZ tespit ve kaçınma radar sistemi için anten ve frekans seçici yüzey tasarımı

    MOHAMMAD HAROON AZAD

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. FUNDA AKLEMAN YAPAR

    DOÇ. DR. HÜSEYİN ŞERİF SAVCI

  4. Tez No

    337846

    Low phase noise oscillator design and simulation using large signal analysis and low frequency feedback networks

    Büyük sinyal analizi ve alçak frekansli geri besleme kullanilarak düşük faz gürültülü osilatör tasarim ve simülasyonu

    ÇAĞATAY ERTÜRK GÜNGÖR

    Yüksek Lisans

    İngilizce

    İngilizce

    2013

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. EKMEL ÖZBAY

    DR. TARIK REYHAN

  5. Tez No

    444724

    Enhanced LPI waveform representations for digital electronic warfare intercept receivers

    Sayısal elektronik harp tespit alıcıları için iyileştirilmiş yod dalgaformu gösterimleri

    TAYLAN ÖZGÜR GÜLÜM

    Doktora

    İngilizce

    İngilizce

    2016

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. TÜLAY YILDIRIM

    PROF. DR. PHILLIP E. PACE

Geri Dön