Yere nüfuz eden radarlarda öğrenme tabanlı yeni kargaşa giderme yöntemleri
| dc.contributor.advisor | Erer, Işın | |
| dc.contributor.author | Temlioğlu, Eyyüp | |
| dc.contributor.authorID | 504152309 | |
| dc.contributor.department | Telekomünikasyon Mühendisligi | |
| dc.date.accessioned | 2023-12-13T07:48:09Z | |
| dc.date.available | 2023-12-13T07:48:09Z | |
| dc.date.issued | 2023-05-05 | |
| dc.description | Tez(Doktora) -- İstanbul Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü, 2023 | |
| dc.description.abstract | Bu tez kapsamında, MBA yöntemini hem hızlandırmak hem de daha iyi sonuçlar elde etmek için Öğrenilmiş Sözlükler (ÖS) ile çalışan MBA yöntemi (MBA-ÖS) önerilmiştir. MBA-ÖS yöntemi, MBA-AS yöntemine göre 6.8 kat daha hızlı çalışmaktadır ve MBA-AS yöntemine göre yanlış alarm oranı 42 kat daha düşüktür. MBA-ÖS yönteminde kullanılan sözlükler birbirinden bağımsız olarak kargaşa ve hedef bileşenlerini ayrı ayrı temsil etmesi için K-SVD algoritması kullanılarak elde edilmişlerdir. MBA-ÖS yöntemi, YNR verisini MBA-AS yönteminde olduğu gibi bir bütün halinde ayrıştırmak yerine YNR verisinden yama olarak adlandırılan küçük görüntü parçaları ile ayrıştırma işlemini gerçekleştirmektedir. Daha sonra ayrıştırılan yamalar ayrı ayrı birleştirilerek kargaşa ve hedef verisini oluşturmaktadır. Bu tez çalışmasında aynı zamanda öğrenme tabanlı bir kargaşa giderme yöntemi önerilmiştir. Evrişimsel Otokodlayıcılar (EOK, Convolutional Autoencoder (CAE)) yöntemi YNR verilerinde kargaşa gidermek için kullanılmıştır. EOK yöntemi öğrenme tabanlı bir yöntemdir ve öğrenmenin gerçekleşebilmesi için EOK yönteminin eğitim veri seti ile eğitilmesi gerekmektedir. Bu yöntem geniş veri setine ve bu veri seti içerisinde yer alan referans verilere ihtiyaç duymaktadır. Referans veriler elde edebilmek için gprMax benzetim programı ile YNR verileri üretilmiştir. Bu benzetim programı sayesinde referans veri de üretmek mümkündür. Ancak bu program ile YNR verileri üretmek hem zahmetli hem de zaman almaktadır. Küçük bir veri seti bile hazırlamak aylar sürmektedir. EOK yönteminin ihtiyaç duyduğu geniş veri setini elde edebilmek için YNR verilerine uygun veri çoğaltma tekniklerinden yararlanılarak veri seti genişletilmiştir. Önerilen EOK yöntemi toprak tipine, hedef gömülme derinliğine, farklı senaryolara göre test edilmiştir ve hem literatürde yer alan klasik yöntemlerle hem de son yıllarda önerilen yöntemlerle karşılaştırılmıştır. Önerilen EOK yönteminin tüm yöntemlere üstünlük sağladığı görülmüştür. | |
| dc.description.degree | Doktora | |
| dc.identifier.uri | http://hdl.handle.net/11527/24208 | |
| dc.language.iso | tr | |
| dc.publisher | Lisansüstü Eğitim Enstitüsü | |
| dc.sdg.type | Goal 8: Decent Work and Economic Growth | |
| dc.sdg.type | Goal 9: Industry, Innovation and Infrastructure | |
| dc.subject | Yere Nüfuz Eden Radar (YNR) | |
| dc.subject | Ground Penetrating Radar (GPR) | |
| dc.subject | uzaktan algılama | |
| dc.subject | remote sensing | |
| dc.title | Yere nüfuz eden radarlarda öğrenme tabanlı yeni kargaşa giderme yöntemleri | |
| dc.title.alternative | New learning-based clutter removal methods in ground penetrating radar | |
| dc.type | Doctoral Thesis |