MARC details
| 000 -LEADER |
|---|
| fixed length control field |
08784nam a2200433 i 4500 |
| 003 - CONTROL NUMBER IDENTIFIER |
|---|
| control field |
TR-AnTOB |
| 005 - DATE AND TIME OF LATEST TRANSACTION |
|---|
| control field |
20230908001005.0 |
| 007 - PHYSICAL DESCRIPTION FIXED FIELD--GENERAL INFORMATION |
|---|
| fixed length control field |
ta |
| 008 - FIXED-LENGTH DATA ELEMENTS--GENERAL INFORMATION |
|---|
| fixed length control field |
171111s2022 xxu e mmmm 00| 0 eng d |
| 035 ## - SYSTEM CONTROL NUMBER |
|---|
| System control number |
(TR-AnTOB)200451589 |
| 040 ## - CATALOGING SOURCE |
|---|
| Original cataloging agency |
TR-AnTOB |
| Language of cataloging |
eng |
| Description conventions |
rda |
| Transcribing agency |
TR-AnTOB |
| 041 0# - LANGUAGE CODE |
|---|
| Language code of text/sound track or separate title |
Türkçe |
| 099 ## - LOCAL FREE-TEXT CALL NUMBER (OCLC) |
|---|
| Classification number |
TEZ TOBB FBE ELE YL’22 ÖNÜ |
| 100 1# - MAIN ENTRY--PERSONAL NAME |
|---|
| Personal name |
Önür, Yusuf |
| Relator term |
author |
| 9 (RLIN) |
140339 |
| 245 10 - TITLE STATEMENT |
|---|
| Title |
Makine öğrenmesi ile gelişmiş polarizasyon kestirim yöntemi / |
| Statement of responsibility, etc. |
Yusuf Önür; thesis advisor Harun Taha Hayvacı. |
| 246 13 - VARYING FORM OF TITLE |
|---|
| Title proper/short title |
Advanced polarization estimation method with machine learning |
| 264 #1 - PRODUCTION, PUBLICATION, DISTRIBUTION, MANUFACTURE, AND COPYRIGHT NOTICE |
|---|
| Place of production, publication, distribution, manufacture |
Ankara : |
| Name of producer, publisher, distributor, manufacturer |
TOBB ETÜ Fen Bilimleri Enstitüsü, |
| Date of production, publication, distribution, manufacture, or copyright notice |
2022. |
| 300 ## - PHYSICAL DESCRIPTION |
|---|
| Extent |
xxi, 50 pages : |
| Other physical details |
illustrations ; |
| Dimensions |
29 cm |
| 336 ## - CONTENT TYPE |
|---|
| Content type term |
text |
| Content type code |
txt |
| Source |
rdacontent |
| 337 ## - MEDIA TYPE |
|---|
| Media type term |
unmediated |
| Media type code |
n |
| Source |
rdamedia |
| 338 ## - CARRIER TYPE |
|---|
| Carrier type term |
volume |
| Carrier type code |
nc |
| Source |
rdacarrier |
| 502 ## - DISSERTATION NOTE |
|---|
| Dissertation note |
Tez (Yüksek Lisans Tezi)--TOBB ETÜ Fen Bilimleri Enstitüsü Aralık 2022 |
| 520 ## - SUMMARY, ETC. |
|---|
| Summary, etc. |
Günümüzde elektronik harp sistemlerinin önemi dramatik olarak artmaktadır. Elektronik Harp sistemlerinin unsurlarından olan elektronik destek sistemleri, elektromanyetik spektrumu pasif olarak kullanmaktadır. Yayılan sinyalleri analiz eden bu sistemler, düşman ve dost unsurların, yönlerini, konumlarını, kimliklerini, birlikler arası haberleşme içeriğini tespit edebilmektedir. Bu sayede, elektronik destek sistemleri istihbarat verilerinin çıkarılmasında büyük rol oynamaktadır. Teknolojinin gelişmesiyle birlikte, radar veya haberleşme sinyallerini analiz eden sistemler kabiliyetlerini genişletmektedir. Elektronik harp ve radar uygulamaları, keşif kabiliyetini artırmanın yanı sıra sinyal polarizasyon bilgilerini kullanarak hedef yön ve konum bulma performansını arttırmaya çalışmaktadır. Bu faktörler, sinyalin polarizasyon bilgisinin bahsedilen mevcut sistemlere dahil edilmesine yol açmıştır. Alıcının veya vericinin bulunduğu platformun konumuna veya yönüne bağlı olarak alıcı-verici arası polarizasyon uyumsuzluğu meydana gelebilmektedir. Hedef sinyallerin yüksek güçte alınabilmesi, başarılı bir yön bulma performansı veya elektronik harp sistemlerine karşı etkili bir karşı önlem alınabilmesi için alıcı ve vericideki polarizasyon uyumsuzluğunun önlenmesi gerekmektedir. Bu yüzden elektronik destek sistemlerinde, yayılan sinyalin polarizasyonunun tespiti, kimliklendirme, yön ve konum bulma sistemlerinde kritik bir rol oynamaktadır. Bu çalışmada, gelen sinyalin polarizasyonunu derin öğrenme yoluyla kestiren bir yaklaşım önerilmiştir. Önerilen yaklaşımda, öncelikle klasik geliş açısı ve polarizasyon kestirimi gerçekleştiren algoritmalar gibi kovaryans matrisi hesaplanmaktadır. Hesaplanan kovaryans matrisinin gerçek, sanal ve faz değerlerinden algoritmanın giriş görüntüleri elde edilmiştir. Evrişimsel sinir ağları sayesinde giriş görüntülerinden öznitelikler çıkarılıp, tam bağlı katmanlar sayesinde polarizasyon kestirimi yapılmaktadır. Çalışmada doğrusal polarizasyon belli çözünürlüklerde ele alınmıştır. İlk sınıf yatay polarizasyon ve son sınıf dikey polarizasyon olmak üzere, doğrusal polarizasyon on farklı sınıfa ayrılmıştır. Gözetimli öğrenme modelini benimseyen ve evrişimsel sinir ağlarını ve tam bağlı katmanları içeren model, klasik algoritmalara göre daha hızlı sonuç vermiştir. Önerilen yaklaşım gerçek-zamanlı sistemlerde kullanılma potansiyelini ortaya koymuştur. Polarizasyon sınıfı kestirme performansı kapsamında, hatalı kestirimlerde dahi komşu sınıfları kestiren algoritma özellikle düşük SNR değerlerinde klasik MUSIC algoritmasına göre daha başarılı sonuçlar vermiştir. Ayrıca tez kapsamında, geliş açısı kestirimi için de hibrit bir algoritma önerilmiştir. Önerilen hibrit algoritma, öncelikle evrişimsel sinir ağı tabanlı bir algoritma ile polarizasyon kestirimi yapmaktadır. Sonrasında geliş açısı kestirimi için klasik Çoklu Sinyal Sınıflandırma (Multiple Signal Classification-MUSIC) algoritması kullanılmaktadır. Evrişimsel sinir ağları ile polarizasyon kestiriminin sonucunda, klasik MUSIC algoritması polarizasyon parametrelerini taramadan doğrudan sadece uzamsal açılarda arama yapacağından, geliş açısını daha hızlı kestirmiştir. Önerilen hibrit algoritma, düşük SNR değerlerinde, polarizasyonu daha başarılı kestirdiğinden, geliş açısı kestirimi kapsamında klasik MUSIC algoritmasına göre daha başarılı sonuçlar vermiştir. |
|
|---|
| Summary, etc. |
Nowadays, the importance of electronic warfare systems is increasing. Electronic support systems, which are one of the elements of Electronic Warfare systems, passively use the electromagnetic spectrum. These systems, which analyze the emitted signals, are able to detect the directions, positions, identities, and content of communication between the enemy and friendly elements. In this way, electronic support systems play a major role in extracting intelligence data. With the development of technology, systems that analyze radar or communication signals are expanding their capabilities. Electronic warfare and radar applications try to increase target direction and position finding performance by using signal polarization information as well as increasing reconnaissance capability. These factors have led to the incorporation of polarization information of the signal into existing systems. Depending on the location or direction of the platform where the receiver or transmitter is located, polarization mismatch between the transmitter and receiver may occur. In order for target signals to be received at high power, for successful direction finding performance, or for an effective countermeasure against electronic warfare systems, polarization mismatch in the receiver and transmitter must be prevented. Therefore, detection of the polarization of the emitted signal in electronic support systems plays a critical role in identification, direction and position finding systems. In this study, an approach that estimate the polarization of the incoming signal through deep learning is proposed. In the proposed approach, first of all, the covariance matrix is calculated, such as algorithms that perform classical angle of arrival and polarization estimation. The input images of the algorithm were obtained from the real, imaginer and phase values of the calculated covariance matrix. Thanks to convolutional neural networks, features are extracted from the input images and polarization estimation is performed thanks to fully connected layers. In the study, linear polarization was considered at certain resolutions. Linear polarization is divided into ten different classes, the first class being horizontal polarization and the last class being vertical polarization. The model, which adopts the supervised learning model and includes convolutional neural networks and fully connected layers, has yielded faster results than classical algorithms. The proposed approach has revealed the potential to be used in real-time systems. Within the scope of polarization estimation performance, the algorithm that estimates neighboring classes even with erroneous estimates has given more successful results compared to the classical MUSIC algorithm, especially at low SNR values. In addition, within the scope of the thesis, a hybrid algorithm is proposed for the estimation of the angle of arrrival. The proposed hybrid algorithm primarily performs polarization estimation with a convolutional neural network based algorithm. Then, the classical Multiple Signal Classification (MUSIC) algorithm is used to estimate the angle of arrival. As a result of polarization estimation with convolutional neural networks, the classical MUSIC algorithm estimated the arrival angle faster, since it will search directly only spatial angles without scanning polarization parameters. Since the proposed hybrid algorithm estimates polarization more successfully at low SNR values, it has given more successful results compared to the classical MUSIC algorithm in the scope of angle of arrival estimation. |
| 653 ## - INDEX TERM--UNCONTROLLED |
|---|
| Uncontrolled term |
Polarizasyon kestirimi |
|
|---|
| Uncontrolled term |
Doğrusal polarizasyon |
|
|---|
| Uncontrolled term |
Geliş açısı kestirimi |
|
|---|
| Uncontrolled term |
Derin öğrenme |
|
|---|
| Uncontrolled term |
Evrişimsel sinir ağları |
|
|---|
| Uncontrolled term |
Polarization estimation |
|
|---|
| Uncontrolled term |
Linear polarization |
|
|---|
| Uncontrolled term |
Direction finding |
|
|---|
| Uncontrolled term |
Deep learning |
|
|---|
| Uncontrolled term |
Convolutional neural networks |
| 700 1# - ADDED ENTRY--PERSONAL NAME |
|---|
| Personal name |
Hayvacıoğlu, Harun Taha |
| 9 (RLIN) |
140340 |
| Relator term |
advisor |
| 710 ## - ADDED ENTRY--CORPORATE NAME |
|---|
| Corporate name or jurisdiction name as entry element |
TOBB Ekonomi ve Teknoloji Üniversitesi. |
| Subordinate unit |
Fen Bilimleri Enstitüsü |
| 9 (RLIN) |
77078 |
| 942 ## - ADDED ENTRY ELEMENTS (KOHA) |
|---|
| Koha item type |
Thesis |
| Source of classification or shelving scheme |
Other/Generic Classification Scheme |
