Geri Dön

Novel Approaches to Passive Doppler Geolocation in the Framework of Optimization and Deep Learning

Pasif Doppler Konum Bulma için Optimizasyon ve Derin Öğrenme Tabanlı Yeni Yaklaşımlar

  1. Tez No: 934664
  2. Yazar: MUSTAFA ATAHAN NUHOĞLU
  3. Danışmanlar: PROF. DR. HAKAN ALİ ÇIRPAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektronik Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Konum bulma problemi uydu, aviyonik, radar, arama-kurtarma sistemleri ve elektronik harp gibi birçok alanda karşımıza çıkmaktadır. Bu problem literatürde uzun bir süredir incelenmektedir. Temel olarak pasif ve aktif şekilde çözüm üretilebilmektedir. Pasif çözümler herhangi bir sinyal göndermeden, sadece dinleyerek konum kestirirken aktif çözümler sinyal göndererek hedef konumunu kestirmeyi amaçlar. Elektronik harp sistemleri pasif sistemlere, radar sistemleriyse aktif sistemlere örnektir. Konum bulma metotları ölçüm tiplerine göre değişmektedir. Darbe geliş zaman farkı, geliş açısı, sinyal gücü ve Doppler ölçümlerine bağlı olarak birçok metot önerilmiştir. Darbe geliş zaman farkına dayalı metotlar dar-bant sinyaller için eksik kalmakla beraber çok iyi senkronizasyon gerektirmesinden dolayı da gerçek sistemlerde uygulanması güçtür. Geliş açısı tabanlı çözümler oldukça büyük hacim kaplayan altsistemlerden oluşmaktadır çünkü açı ölçmek için genellikle birden çok sektöre bakan çoklu anten dizisi gerekmektedir. Bu yüzden de küçük ve mobil platformlar için, örneğin İHA, uygun değillerdir. Sinyal gücü tabanlı metotlarsa çok iyi kalibrasyon gerektirmektedir ve ayrıca kanal etkilerine aşırı hassastırlar. Bunlara kıyasla Doppler konum bulma teknikleri iyi bir alternatif olarak ön plana çıkmaktadır. Doppler ölçümleri Doppler kaymasına dayalıdır. Eğer alıcıyla verici arasında radyal bir hız mevcutsa, bir başka deyişle ikisinden en az biri hareketliyse, frekans ölçümleri üzerinde Doppler kayması meydana gelir. Bu, alıcıda ölçülen frekansla vericinin gönderdiği sinyalin frekansının farklı olmasına yol açar. Doppler tabanlı metotlar bu kayma miktarını kullanarak çözüm üretmeyi hedefler ve Doppler ölçümü kullanarak işbirlikli veya işbirliksiz hedeflerin tespitine Doppler konum bulma denir. Doppler konum bulma iki tip ölçümle yapılabilmektedir: frekans ölçümleri ve/veya frekans değişim oranı ölçümleri. Frekans ölçümü tabanlı metotlar diğerine kıyasla platformun hızına ve ivmesine karşı daha dayanıklıdır. Dolayısıyla gerçek hayattaki Doppler konum bulma çözümleri çoğunlukla frekans ölçümü tabanlıdır. İşbirlikli hedeflerin konumunun tespiti işbirliksiz hedeflerinkine kıyasla daha kolaydır çünkü alıcının elinde ön bilgi mevcuttur. Bu bilgiye örnek olarak taşıyıcı frekansı ve modülasyonu tipi verilebilir. İşbirliksiz hedeflerin konumunun kestirimindeyse alıcıda ön bilgi olmadığı için çoğu zaman kestirilmesi gereken parametre sayısı daha çoktur. Bu problem için üretilmiş olan literatürdeki çözümler ızgara taraması tabanlıdır. Izgara taraması, taşıyıcı frekansı uzayında yapılabildiği gibi konum uzayında da yapılabilir. Her ikisi de işlemsel yük olarak oldukça dezavantajlıdır. Bu metotlar kullandığı ölçüm tipine göre üç sınıfa ayrılmıştır. İlki, sınıf-1, sadece frekans ölçümlerini kullanır. İkincisi, sınıf-2, sadece frekans değişim oranı ölçümlerini kullanır. Son olaraksa sınıf-3, iki ölçüm tipini de kullanır. Bu metotların kullandığı ölçüm tipleri değişse de probleme yaklaşımları temel olarak aynıdır, hepsi mevcut en büyük olabilirlik fonksiyonunu ızgara taramasıyla çözmeyi hedeflemektedirler. Bu çalışmada sabit konumlu hedef için Doppler konum bulma problemine çözüm olarak, üç yeni metot önerilmiştir. Önerilen metotlar sadece frekans ölçümlerini kullanarak çözüm üretmektedirler. İlk metot iteratif yarı-kesin gevşetme tabanlıdır. Bu metot ilk olarak içbükey olmayan en büyük olabilirlik fonksiyonunu bir doğrusallaştırma operasyonu aracılığıyla, kısıtlanmış ağırlıklı en küçük kareler problemine (KAEKK) çevirir. Oluşturulan KAEKK problemi içbükey olmadığı için direkt olarak kapalı formda bir çözümü mevcut değildir. Bu problemi çözülebilir yani içbükey hâle çevirmek için problemde yer alan rank-one sınırlamasını kaldırılır. Böylece içbükey olmayan problem içbükey hâle çevrilerek optimal olarak çözülebilir duruma getirilir. Bu operasyona içbükey gevşetme denir. Gevşetilen problemin çözümü asıl problemin çözümüyle aynı olmayacaktır. Asıl problemin çözümüne ulaşabilmek için iteratif olarak her bir iterasyonda, radarın taşıyıcı frekansıyla konumu birlikte kestirilir ve içbükey problemde yer alan matrisler güncellenir. Böylece gevşetilen problemi asıl probleme yakınsatmak amaçlanır. Yapılan deneylerde önerilen metodun birkaç iterasyonda gevşetilen problemi asıl probleme denkleştirdiği görülmüştür. Dolayısıyla aynı zamanda doğru kestirimlere de yakınsadığı görülmüştür. Bu yüzden, önerilen metot taşıyıcı frekansı ya da hedef konumu üzerinde geniş ızgara taraması yaparak konum bulan literatürdeki metotlara kıyasla çok daha az iterasyon dönerek hedef konumunu kestirebilmektedir. Deneylerde, önerilen metot geleneksel ızgara taraması metotları ve Cramer-Rao alt sınırıyla (CRLB) kıyaslanmıştır. Düşük gürültü seviyelerinde önerilen metodun bu alt sınıra ulaştığı, yüksek gürültü seviyelerinde ise hâlâ yeterince doğru kestirimler üretebildiği görülmüştür. Diğer metotlara kıyasla da oldukça iyi performans gösterildiği gözlemlenmiştir. Bu metodun performans analizi aynı zamanda farklı platform-radar geometrisi için de yapılmıştır. Eğer radar, platform yörüngesinin içinde kalıyorsa önerilen metodun performansı iyileşmektedir. Bunda ana etkense, önerilen metodun kullandığı doğrusallaştırma operasyonunun performansının platform-radar geometrisine bağımlı olmasıdır. Radar, platform yörüngesinin dışında kalıyorsa doğrusallaştırma işleminin doğruluğu düşmekte ve bu da konum bulma performansını olumsuz etkilemektedir. İkinci önerilen metot, ızgara taraması tabanlıdır. Literatürdeki ızgara taraması metotlarından farklı olarak hedefin taşıyıcı frekansını kestirmek için her iterasyonda en küçük kareler problemi çözmeden hedef konumunu kestirmektedir. Bunun için çoklu alıcı yapısındaki bir senaryoda alıcıların frekans ölçümlerini önceden seçilmiş referans alıcının ölçtüğü frekansa oranlayarak hedef taşıyıcı frekansı denklemlerden çıkarılır. Böylece taşıyıcı frekansını kestirmeden dahi hedef konumu bulunabilmektedir. Dolayısıyla bu metot da işlemsel yük olarak avantajlıdır. Yapılan detaylı testler, bu metodun CRLB'ye erişemese de yaklaşabildiğini göstermiştir. Ayrıca CRLB'ye erişebilen gradyan tabanlı bir en büyük olabilirlik çözücüsü için efektif başlatım noktaları çıkarabildiğini göstermiştir. Son önerilen metotsa yapay zeka tabanlıdır. Spesifik olarak, verinin yerel ve sıralı özniteliklerini öğrenebilen evrişimsel ve yinelemeli sinir ağı tabanlı birden çok derin öğrenme modeli hesaba katılıp birbiriyle kıyaslandı. Bunun için hareketli platform - sabit hedef senaryosu için farklı tiplerde verileri içeren bir set yaratıldı. Birçok farklı durumu içeren bu veriseti aracılığıyla modellerin genelleştirme yeteneğini artırmak amaçlandı ve eğitim TensorFlow/Python ortamında gerçeklendi. Yapılan testlerde evrişimsel sinir ağının hızlı öğrenmeyi sağladığı, yinelemeli sinir ağınınsa (özellikle zaman serisi veri üzerinde) efektif öğrenme sağladığı görülmüştür. Doppler konum bulma problemi verisinin sıralı veri tipine uymasından dolayı yinelemeli sinir ağlarının daha iyi çözüm olduğu görülmüştür. Gelecekteki çalışmalar için oldukça iyi sonuçlar görülmesi dolayısıyla yapay zeka tabanlı bu çözüm umut vadedicidir.

Özet (Çeviri)

Passive geolocation is the localization of targets without transmitting any signal. Electronic intelligence and electronic support measures systems can be examples of passive systems that can geolocate the targets silently. The localization can be done by using different types of measurements, such as time difference of arrival, angle of arrival, received signal strength, and Doppler-shifted frequency. Moreover, localization by Doppler-shifted frequency measurements is called Doppler geolocation. In this work, we propose three novel methods for Doppler geolocation of stationary uncooperative radars. The first method utilizes iterative semi-definite relaxation. The method relaxes the non-convex maximum likelihood (ML) function to turn it into a convex program by removing the rank-one constraint existing at the semi-definite programming equivalence of the original problem. It additionally applies a linearization operation to the range values, so that the carrier frequency and the position of the radar are estimated jointly at each iteration. Conducted experiments show that a few iterations are enough for convergence to accurate estimates. Therefore, the proposed method is computationally inexpensive, unlike traditional techniques, which require extensive grid search procedures either on target position or carrier frequency. In the experiments, the proposed method is compared to the traditional grid search techniques and the Cramer-Rao lower bound (CRLB). It is observed that the proposed method attains the CRLB at low noise levels while still providing accurate solutions at high noise levels. The second proposed method is based on grid search, however, it differs from the traditional techniques since it does not solve the least-squares problem to estimate the carrier frequency of the radar while searching. Hence, it is also computationally less expensive. This method utilizes multiple receiver structure by dividing frequency measurements of each receiver to the reference receiver, which is chosen according to certain rules. Extended simulations revealed that it can generate effective initialization points for an ML solver, which can attain the CRLB. The last proposed method is based on artificial intelligence. Precisely, we consider multiple deep learning models utilizing convolutional neural networks (CNN), recurrent neural networks (RNN) and hybrid networks. The hybrid network consists of both CNN and RNN, therefore, it enables the learning of the local and sequential information. It is observed that CNN provide fast learning, while RNN bring more effective learning, especially when it comes to the time-series data. The proposed networks promise artificial enhancements that can be integrated into the passive systems in the future.

Benzer Tezler

  1. Tez No

    917469

    Advanced waveform designs for 5G and 6G

    5G ve 6G için gelişmiş dalga formu tasarımları

    EBUBEKİR MEMİŞOĞLU

    Doktora

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Medipol Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN ARSLAN

  2. Tez No

    66424

    Küt cisimlerde sürüklenme kuvvetinin azaltılması için kilitlenmiş girdap oluşumlarının deneysel yöntemlerle araştırılması

    Başlık çevirisi yok

    ŞEREF ERKARA

    Doktora

    Türkçe

    Türkçe

    1997

    Uçak Mühendisliğiİstanbul Teknik Üniversitesi

    Uçak Mühendisliği Ana Bilim Dalı

    PROF. DR. M. ZEKİ ERİM

  3. Tez No

    944097

    Novel over-the-air methods and practical approaches for reconfigurable intelligent surfaces system designs and analyses

    Yeniden yapılandırılabilir akıllı yüzey sistemleri için yenilikçi hava üzeri yöntemler ve pratik yaklaşımların tasarımı ve analizi

    EMRE ARSLAN

    Doktora

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik MühendisliğiKoç Üniversitesi

    Mühendislik Bilimleri Ana Bilim Dalı

    PROF. DR. ERTUĞRUL BAŞAR

  4. Tez No

    691828

    A novel suspended-load backpack with manually adjustable impedance to reduce metabolic cost of carrying loads

    Yük taşıma metabolik maliyetini azaltmak için manuel olarak ayarlanabilir empedansa sahip yeni bir askıda yük sırt çantası

    BATUHAN TOKER

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Mekatronik MühendisliğiSabancı Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. VOLKAN PATOĞLU

  5. Tez No

    802692

    From media-based modulation to reconfigurable intelligent surfaces: Novel index modulation solutions

    Ortam-tabanlı modülasyon'dan uyarlanabilir akıllı yüzeylere: Özgün indis modülasyon çözümleri

    ZEHRA YİĞİT

    Doktora

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ERTUĞRUL BAŞAR

    PROF. DR. İBRAHİM ALTUNBAŞ

Geri Dön