Derin öğrenme ve makine öğrenmesi ile savunma sistemlerinde manevra tiplerinin hibrit olarak sınıflandırılması
Hybrid classification of maneuver types in defense systems using deep learning and machine learning
- Tez No: 987451
- Danışmanlar: DOÇ. DR. UĞUR DEMİR, PROF. DR. AHMET EMİN KUZUCUOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Savunma ve Savunma Teknolojileri, Defense and Defense Technologies
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, hava savunma sistemlerinde manevra tipi sınıflandırması için özellik tabanlı makine öğrenmesi (ML), görüntü tabanlı evrişimsel sinir ağları (CNN) ve zaman serisi tabanlı derin öğrenme modellerini (LSTM) kullanan kapsamlı, üç aşamalı bir çerçeve sunmaktadır. Çalışma kapsamında, farklı hava ve deniz platformlarını temsil eden geniş ölçekli bir yörünge veri kümesi, çok çeşitli koşulları kapsayan parametrik modelleme yaklaşımıyla üretilmiştir. Birinci aşamada, zaman alanı özellikleriyle eğitilen ML modelleri, hafif ve yorumlanabilir yapıları korurken neredeyse mükemmele yakın sınıflandırma performansı elde etmiştir. İkinci aşamada, transfer öğrenme tabanlı CNN mimarisi, veri kümesinden elde edilen yörünge görüntülerinden uzamsal desenleri etkin bir şekilde öğrenmiş; farklı mimarilerde de yüksek doğruluk ve sağlamlık (robustluk) sergilemiştir. Üçüncü aşamada ise, dizi (sequence) tabanlı LSTM modelleri ham zaman serisi verisini doğrudan işleyerek zamana bağlı bağımlılıkları başarıyla yakalamış ve doğruluk, gecikme (latency) ve model kompaklığı arasında dengeli bir ödünleşim sunmuştur. Tahmin hızı (4–50 gözlem/sn), doğruluk (%84–%100), kesinlik (0,79–0,99), eğitim süresi (41–39.159 sn) ve model boyutu (1–550 MB) açısından yapılan karşılaştırmalı analizler; CNN'lerin en yüksek doğruluğu sağladığını, ML modellerinin açıklanabilirlik ve hesaplama verimliliği sunduğunu, LSTM mimarilerinin ise gerçek zamanlı karar verme süreçlerinde üstün güvenilirlik sağladığını ortaya koymaktadır. Bu bulgular, söz konusu tamamlayıcı güçlü yönleri bütünleştiren ve hava savunma sistemlerinin özerklik ve çevikliğini artırmayı hedefleyen SkyTactics-HMC (Skyborne Tactics – Hybrid Maneuver Classifier) mimarisini öne çıkarmaktadır.
Özet (Çeviri)
This study presents a comprehensive three-stage framework for maneuver type classification in air defense systems, utilizing feature-based machine learning (ML), image-based convolutional neural networks (CNNs), and time-series deep learning models (LSTMs). An extensive trajectory dataset representing multiple air and sea platforms is generated through parametric modeling in a wide range of aspects. In the first stage, machine learning models (MLs) trained on time-domain features achieved almost perfect classification, using lightweight and interpretable structures. In the second stage, the transfer learning-based CNN architecture effectively learned spatial trajectory patterns from images of the dataset, demonstrating outstanding accuracy and robustness across architectures. In the third stage, sequence-based LSTM models directly processed raw time-series data, successfully learning temporal dependencies and offering a balanced trade-off between accuracy, latency, and model compactness. In terms of the prediction speed (4~50 obs/sec), accuracy (84~100%), precision (0.79~0.99), training duration (41~39159 sec), and model size (1~550 MB), comparative analyses reveal that while CNNs provide the highest accuracy, ML models ensure explainability and computational efficiency. LSTM architectures provide superior reliability in real-time decision-making. The finding highlights SkyTactics-HMC (Skyborne Tactics Hybrid Manuever Classifier) architecture that integrates these complementary strengths to enhance the autonomy and responsiveness of air defense systems.
Benzer Tezler
- Missile evasion maneuver generation with model-free deep reinforcement learning
Modelden bağımsız derin pekiştirmeli öğrenme ile füzeden kaçınma manevraları
MUHAMMED MURAT ÖZBEK
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. DR. EMRE KOYUNCU
- Derin öğrenmeye dayalı yapay zekâ tekniği ile askeri uçak tiplerinin tespit edilmesi ve sınıflandırılması
Military aircraft with deep learning artificial intelligence technique detection and classification of types
TOLGAHAN ÇOBANOĞLU
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKütahya Dumlupınar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUAMMER AKÇAY
- Kritik altyapılara yönelik derin öğrenme tabanlı saldırı tespit sistemi tasarımı
Deep learning based-intrusion detection system design for critical infrastructure
HAKAN CAN ALTUNAY
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZAFER ALBAYRAK
- AI-driven enhancement and risk detection in microwave systems
Mikrodalga sistemlerde yapay zeka destekli iyileştirme ve risk tespiti
İBRAHİM HALİL BAYAT
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM AKDUMAN
DR. ÖĞR. ÜYESİ SEMİH DOĞU
- Real-time anomaly detection in UAV systems using TinyML on ARM Cortex-M microcontrollers
ARM Cortex-M mikrodenetleyicilerde gömülü makine öğrenmesi kullanarak İHA sistemlerinde gerçek zamanlı anomali tespiti
MEHMET ALPEREN BAKICI
Yüksek Lisans
İngilizce
2024
Savunma ve Savunma Teknolojileriİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ