Radar verileri kullanılarak deniz hedeflerinin sınıflandırılması modern akademik çalışmalarda önemli bir çalışma alanı olarak ortaya çıkmaktadır. Ancak, hedef tiplerinin birbirine benzer fiziksel özelliklere sahip olmaları ve çalışma uzayı ile ilgili teknik özellikler sebebiyle deniz hedefi sınıflandırma, çözülmesi zor problemlerden biridir. Deniz hedefi sınıflandırma çalışmalarının bir çoğunda anlık ve tekil menzil profili verisi yada sentetik açıklıklı radar verisi kullanılmıştır. Ayrıca radar verileri kullanılarak hedef sınıflandırılması ve kimliklendirilmesi özellikle savunma sistemleri açısından hayati önem taşımaktadır. Tekil veri kullanarak gerçekleştirilen sınıflandırma çalışmaları dikkate değer bir başarıma ulaşmasına rağmen, bu tez çalışması kapsamında karaya konuşlu x-band radarlardan elde edilen ardışıl menzil profilleri kullanılarak sınıflandırma başarımı arttırılmaya çalışılmıştır. Bu çalışma kapsamında hem sentetik olarak elde edilen menzil profilleri hem de saha ölçümleri ile elde edilen ölçüm verileri kullanılmıştır. Sentetik veri üretiminde yedi farklı hedef tipinin bilgisayar destekli tasarım dosyaları ve elektromanyetik saçılma hesabı yapan benzetim yazılımı kullanılarak menzil profilleri üretilmiştir. Hedeflere ait üç boyutlu bilgisayar destekli tasarım dosyaları kullanılarak menzil profili üretimi benzetim ortamında gerçekleştirilmiştir. Ölçümsel veriler için beş farklı x-band radar kullanılarak veri toplanmıştır. Ölçümsel veriler, beş farklı hedef tipine ait 177 farklı hedefin takibi ile toplamda 2387 adet menzil profilinin ardışıl olarak kaydedilmesi ile elde edilmiştir. Menzil profillerinin ardışıl olarak elde edilen alt kümeleri geçiş matrisi olasılıklarının oluşturulması için kullanılmıştır. Bu tezin amacı, geliştirilen özgün füzyon algoritması (AMPFusion) sayesinde hedeflere ait ardışıl menzil profillerini hesaba katarak daha başarılı sınıflandırma sonuçları elde edilmesini sağlamaktır. Geliştirilen yöntemin başarımını ölçmek adına, olasılıksal sinir ağları (Probabilistic Neural Network (PNN)), katlamalı sinir ağları (Convolutional Neural Network (CNN)) ve YOLO (You Only Look Once) sınıflandırma algoritmaları kullanılmıştır. Ayrıca, literatürde yer alan füzyon algoritmalarından çoğunluk oylama kuralı (Majority Voting Rule (MVR)) ve davranışsal bilgi uzayı (Behavioral Knowledge Space (BKS)) yöntemleri sonuçları ile tez kapsamında geliştirilen ardışıl menzil profili füzyon (AMPF) yöntemi çıktıları karşılaştırılmıştır. Elde edilen sonuçlar göz önüne alındığında tez kapsamında geliştirilen füzyon yönteminin önemli bir sınıflandırma başarımı artışı sağladığı gözlemlenmiştir. Tez kapsamında sağlanan bir diğer katkı da, Servis odaklı mimari (Service Oriented Architecture (SOA)) kullanılarak merkezi sınıflandırma kütüphanesi geliştirilmesi için kavramsal tasarım çalışması gerçekleştirilmesi olmuştur. Ortaya koyulan kavramsal tasarım ile SOA servislerini kullanan uzak istemcilerin sınıflandırma hizmeti aldıkları bir yapı önerilmiştir.
Classification of marine targets using radar data products has become an important area for modern research society. However, due to several reasons such as the similarity between ship structures and spatial specifications, classification of marine targets constitutes a challenging problem. In almost all of the studies, this problem has been handled by focusing on a single instance of range profiles or synthetic aperture radar data. On the other hand, target classification and identification using radar data is vital for defence systems. However, this approach is seen to achieve only a particular success. This study introduces a novel classification approach that is shown to provide additional classification enhancements by exploiting the extra information extracted from sequential range profiles generated by ground-based x-band radars. With this purpose, both synthetic and measuremental range profiles are taken into consideration. Synthetic profile data are generated for seven marine targets by using an electromagnetic scattering simulation tool. Three dimension computer aided design files used to synthetically generate range profile data. On the other hand, a total of 2387 range profile data of 171 different target tracks are collected for five different marine target class types by using an X-band radar. Each target tracked for a long period of time to gather sequential HRRP data subsets. HRRP data subsets are used to generate HMM based transition matrix probabilities and sequential classification results by evaluating proposed method. Probabilistic Neural Network (PNN), Convolutional Neural Network (CNN) and You Only Look Once (YOLO) classification algorithms applied to gather classification results. The proposed method results are compared with both single value classification, Majority Voting Rule (MVR) and Behavior Knowledge Space method results. According to the examination results, the proposed classification fusion approach provides remarkable enhancements in the correct classification rates. By using Service Oriented Architecture (SOA), centralized classification library conceptual model design generated. According to conceptual model design, an architecture is proposed which serves as SOA services to requesting clients.
