Makine öğrenmesi kullanılarak geliştirilmiş çok yollu yayılım yöntemiyle radarların konumlandırılması

Abstract

Bu tezin amacı, Elektronik Destek Tedbirleri (ESM) sistemlerinde, özellikle engebeli arazilerde, tek bir alıcı kullanarak radar yayıcılarının pasif olarak konumlandırılması için önerilen bir yaklaşımın uygulanabilirliğini değerlendirmektir. Gerçekçi senaryolardan elde edilen gerçek verilere uygulandığında bu yöntemin doğruluğuna ilişkin ampirik kanıtların olmaması, pratik ortamlarda gerçek bir endişe yaratmaktadır. Bunu ele almak için, yöntemin pratikte uygulanmasını sağlamak üzere isabetli bir ışın izleme (RT) algoritması kullanılmaktadır. Daha sonra, yüksek çözünürlüklü sayısal arazi yükseklik verilerinin (DTED) toplanmasına ve radar yayıcılarıyla ilişkili gerçekçi lokalizasyon zorluklarının dikkate alınmasına yardımcı olan bir coğrafi bilgi sistemi (GIS) haritası kullanılarak gerçekçi senaryolar oluşturulmuştur. Daha sonra, yerelleştirme yönteminin etkinliğini değerlendirmek için simülasyonlar gerçekleştirilmiştir. Sonuç olarak, yöntemin performansı Elektronik Harp (EH) bağlamında pratik uygulaması için doğrulanarak önemli bir dönüm noktasına ulaşılmıştır. Kullanılan yöntemin doğal özellikleri nedeniyle, önerilen yaklaşım hesaplama karmaşıklığından muzdariptir. Hesaplama verimliliğini artırmak amacıyla, önerilen yöntem için Makine Öğrenimi (ML) tabanlı bir yaklaşım getirilmiştir. Önerilen ML çerçevesi önceden bilinen operasyonel ortamdan elde edilen Yol Kaybı, sensör grubunun Geometrik Hassasiyet Seyreltmesi (GDOP), ve Ortalama Kare Hata (MSE) performans ölçütü gibi faydalı özellikler gerektirir. Bu tür veri odaklı bir yaklaşımın performansı veri kümesinin genişliğine bağlı olduğundan, Ege Denizi adalarından motive edilmiş sözde gerçekçi arazi görünümü modelleri oluşturmak için özgün bir teknik geliştirilmiştir. Üç makine öğrenimi modeli: Kademeli Doğrusal Regresyon, Karar Ağacı ve Sinir Ağları eğitilmiş ve bir lokalizasyon algoritmasında kullanılacak en uygun sensör gruplarını tahmin etmek için veri kümeleri üzerinde test edilmiştir. Sonuçlara göre, Karar Ağacı modelinin en yüksek tahmin doğruluğuna ulaşabildiği görülmüştür. Ayrıca, önerilen yaklaşımın performansı lokalizasyon doğruluğu ve hesaplama hızı açısından değerlendirilmiştir. Kestirim doğruluğunu değerlendirmek için MSE'nin yanı sıra Dairesel Hata Olasılığı (CEP) ve Küresel Hata Olasılığı (SEP) da kullanılmıştır. Elde edilen sonuçlardan, önerilen yaklaşımın hesaplama açısından verimli olduğu ve uygulama öncesinde operasyonel ortamın bilinmesi koşuluyla EH bağlamında uygulanabilir olduğu sonucuna varılmıştır.The purpose of this thesis is to assess the reliability of a proposed approach for the passive localization of radar emitters in Electronic Support Measures (ESM) systems, specifically amidst uneven landscapes, employing a single receiver. The absence of empirical evidence regarding the accuracy of this method when applied to real data obtained from realistic scenarios raises a genuine concern in practical settings. To address this, an accurate ray tracing (RT) algorithm is employed to enable the implementation of the method in practice. Realistic scenarios are then established by utilizing a geographic information system (GIS) map, which aids in the collection of high-resolution digital terrain elevation data (DTED) and the consideration of realistic localization challenges associated with radar emitters. Subsequent simulations are conducted to assess the efficacy of the localization method. As a result, the performance of the method is validated for its practical implementation in the context of Electronic Warfare (EW), marking a significant milestone. Due to inherent characteristics of the method employed, the proposed approach suffers from computational complexity. In an effort to boost computational efficiency, a Machine Learning (ML)-based approach is introduced for the proposed method. The suggested ML framework requires useful features like Path Loss, Geometric Dilution of Precision (GDOP) of the sensor group and a performance metric namely Mean Square Error (MSE) obtained from the priori-known operational environment. Since the performance of such a data-driven approach depends on the breadth of the dataset, a novel technique is developed to generate pseudo-realistic terrain view models motivated from the Aegean Sea islands. Three ML models: Stepwise Linear Regression, Decision Tree, and Neural Networks were trained, and tested on the datasets to predict the most optimal sensor groups to be used in a localization algorithm. Based on the results, it has been observed that the Decision Tree model is able to reach the highest prediction accuracy. Furthermore, the performance of the proposed approach was evaluated in terms of localization accuracy and computational speed. Apart from MSE, Circular Error Probable (CEP), and Spherical Error Probable (SEP) were also used to evaluate the estimation accuracy. From the achieved results, it has been concluded that the proposed approach is computationally efficient and applicable in the EW context, on the condition that the operational environment is known prior to implementation.