G.Ü. Fen Blmler Dergs 18(): 59-7 (5) ISS 133-979 G.U. Journal of Scence 18():59-7 (5) A ITELLIGET TARGET RECOGITIO SYSTEM BASED O PERIODOGRAM FOR PULSED RADAR SYSTEMS Engn AVCI*, Ibrahm TURKOĞLU Frat Unversty, Department of Electronc and Computer Scence, 3119, Elazg, TURKEY, e-mal:engnavc@frat.edu.tr Mustafa POYRAZ Frat Unversty, Engneerng Faculty, Department of Electrc and Electronc, 3119, Elazg, TURKEY ABSTRACT In ths study, a pattern recognton system s developed for automatc classfcaton of the radar target sgnals. For feature extracton whch s an mportant subset of the pattern recognton system, a new method whch s based on perodogram power spectral densty and ntellgent classfer s proposed. Artfcal neural network and adaptve network based fuzzy nference system were used as an ntellgent classfer respectvely. Radar sgnals were obtaned from pulse radar system for varous targets. Accordng to developed feature extracton method, the classfer performances were evaluated wth radar sgnals on the target recognton. Key Words: Radar target classfcaton, power densty, pulsed radar, pattern recognton DARBELİ RADAR SİSTEMLERİDE GELİŞTİRİLE PERİODOGRAM ÇIKARIMLI AKILLI HEDEF TAIMA ÖZET Bu çalışmada, radar hedef şaretlern sınıflamak üzere akıllı örüntü tanıma sstem gelştrlmştr. Örüntü tanımanın öneml br kısmı olan özellk çıkarma çn perodogram güç spektrum yoğunluğu ve akıllı sınıflandırıcı temell br yöntem sunulmuştur. Akıllı sınıflandırıcı olarak, yapay snr ağı ve uyarlamalı yapay snr ağı temell bulanık çıkarım sınıflandırıcısı kullanılmıştır. Radar şaretler, farklı hedefler çn darbel radar sstemnden elde edlmştr. Her k sınıflandırıcının başarımları, gelştrlen özellk çıkarma yöntemne göre radar şaretler le hedef tanımada değerlendrlmştr. Anahtar Kelmeler: Radar hedef sınıflandırma, güç spektrumu, darbel radar, örüntü tanıma 1. GİRİŞ Radar, hedef nesneler bulmak, bunların hakkında çeştl parametrelere ulaşmak çn kullanılan br mkrodalga sstemdr (1). Şekl 1.de görüldüğü üzere, bast br radar; verc, alıcı, verc/alıcı antenler ve br belrtc çerr. Verc tarafından br radyo şaret üretlr ve verc anten tarafından yayımlanır. İletlen şaretn br bölümü yansıtıcı br nesneye veya hedefe çarpar ve bütün yönlere dağılır. İşaretn br bölümü hedeften radara doğru ger yansıtılır. 1. ITRODUCTIO Radar s a mcrowave system for detectng objects and determnng ther dstance, or range (1). In practce, the transmtter and recever usually share the same antenna, as shown n Fgure 1. The antenna usually drects the sgnal nto a narrow beam whch s systemcally swept through the regon where targets are expected. The drecton of the target s determned by the drecton the antenna s pontng when the echo s receved. The range of the target s determned by the tme taken for the radar sgnal to travel to the target and back to the radar
6 G.U. J. Sc., 18():59-7 (5)/ Engn AVCI*,İbrahm TÜRKOĞLU, Mustafa POYRAZ Anten Antenna HEDEF/TARGET Alıcı Verc Anahtarı / Duplexer Verc / Transmtter Alıcı / Recever Belrtc / Indcator Fgure 1. Smplfed radar system Şekl 1. Bast br radar sstemnn blok dyagramı Radar Doppler şaretler le geleneksel şekl analz ve yapay snr ağı ve uyarlamalı ağ tabanlı bulanık çıkarım sstem yaklaşımı kullanılarak hedef tanıma ve sınıflama çalışmaları yapılmaktadır (3-6). Bununla brlkte, radar şaretlerne örüntü tanıma uygulanarak erken uyarı sstemler (7), düşük genlkl radar şaretlern yleştrme (8), radar şaretlerne şaret şleme yöntemler uygulayarak analz ve hedef türü tanıma (9,1), modüle edlmş radar şaretler le hedef tanıma ve analz (11-13), yansıyan radar şaretler le çevre hakkında blg ednme (14) çalışmalarına da lteratürde rastlanmaktadır. Son yıllarda sağlanan gelşmeler sonucu radarlarda lg, kapsama alanı çndek hedeflern varlığını belrlemenn yanı sıra hedefle lgl özel blglern lave olarak elde edlmesne kaymıştır. Dğer br deyşle konum, hız ve toplam radar saçılma yüzey değerler br çok uygulama çn yeterl görülmektedr. Bazı durumlarda hedef sınıfı ve hatta kmlk blgs ayrıntısı gerekmektedr (15). Bu çalışmada, hedef kmlk blgs çn öneml olan hedef türü belrleme problemnn çözümü çn, etkl örüntü tanıma sstem gelştrlmştr. 1.1. Darbel Radar Sstemler Radarın en çok rastlanan türü darbel radardır. Bu radarlar özellkle, hava trafk kontrolünde olduğu gb, belrl br alandak hedefler bulmak ve bunların mesafelern belrlemek çn kullanılır. Darbel radarda, verc çok kısa patlamalarla enerj letr. Pek çok tür darbel radar sstem mevcuttur. Hava savunma, hava trafk kontrolü, marna çarpışma önleme sstem, füze ve atış kontrolü, uzay araç radarı ve meteoroloj radarı bu farklı tplere brer örnektr. Radars use Doppler frequency to extract target radal velocty (range rate), as well as to dstngush between movng and statonary targets or objects such as clutter (3-6). The Doppler phenomenon descrbes the shft n the center frequency of an ncdent waveform due to the target moton wth respect to the source of radaton (7-1). Dependng on the drecton of the target s moton ths frequency shft may be postve or negatve. A wave from ncdent on a target has equpages wave fronts separated by λ, the wavelength. A closng target wll cause the reflected equpages wave fronts to get closer to each other (smaller wavelength). Alternatvely, an openng or recedng target (movng away from the radar) wll cause the reflected equpages wave fronts to expand (larger wavelength) (11-15). 1.1. Pulsed Radar System In a pulsed radar system, short bursts of rado frequency (RF) energy are generated for transmsson. Ths s usually accomplshed by frst generatng a tran narrow, rectangular-shape pulses and usng these to ampltude-modulate a snewave RF carrer. The pulsed RF sgnal s transmtted by the antenna. If the sgnal strkes a target, a porton of the sgnal wll be reflected back to the radar as an echo. The antenna captures the echo pulses whch are sent to the recever. The receved pulses are then demodulated and converted to a vdeo sgnal for dsplay.
An Intellgent Target Recognton System / Darbel Radar Sstemlernde Gelştrlen. 61 1.. Örüntü Tanıma Örüntü tanıma; aslında blmn, mühendslğn ve günlük hayatın genş br alanındak etknlkler kapsamaktadır. Örüntü tanıma asker uygulamalarda uzun ve saygın br tarhe sahptr (16,17). Bununla brlkte gerekl very (görüntü ve şaret algılayıcısı) elde etme sürec uzun yıllar, donanımın pahalılığından dolayı genş uygulama alanını frenlemştr. Günümüz teknolojs le, güçlü otomatk örüntü tanıma sstemn tasarlamak ve test etmek mümkündür. Örüntü tanıma şu şeklde tanımlanablr: Aralarında ortak özellk bulunan ve aralarında br lşk kurulablen karmaşık şaret örneklern veya nesneler bazı tespt edlmş özellkler veya karakterler vasıtası le tanımlama veya sınıflandırma olayıdır (18,19). Örüntü tanıma şlemnde kullanılan en yaygın blok dyagram Şekl 'de gösterlmştr (18). Sstemn yapısı k öneml aşamadan oluşmaktadır: Özellk çıkarma, sınıflandırıcı. Sınıflandırıcı tasarımında en öneml gösterge doğru özellkler seçmektr. Başka br deyşle ler örüntü tanıma teknklernde daha karmaşık sınıflandırıcı tasarlamak yerne, daha y özellk çıkarımı ön plandadır (19-). 1.. Pattern Recognton Pattern recognton s the research area that studes the operaton and desgn of systems that recognze patterns n data. It encloses subdscplnes lke dscrmnant analyss, feature extracton, error estmaton, cluster analyss (sometmes called as statstcal pattern recognton), grammatcal nference and parsng (sometmes called syntactcal pattern recognton). These mportant applcaton areas are radar target recognton, mage analyss, character recognton, speech analyss, man and machne dagnostcs, person dentfcaton and ndustral nspecton. Pattern recognton as a feld of study s developed sgnfcantly n the 196s. It was very much nterdscplnary subject, coverng developments n the areas of statstcs, engneerng, artfcal ntellgence, computer scence, psychology and physology, among others (16-17). Some people entered the feld wth a real problem to solve. The large numbers of applcatons, rangng from the classcal ones such as automatc character recognton and medcal dagnoss to the more recent ones n data mnng (such as credt scorng, consumer sales analyss and credt card transacton analyss), have attracted consderable research effort, wth many methods developed and advances made. The ablty to recognze patterns s fundamental to computer vson. Here, term pattern refers to a quanttatve or structural descrpton of an object. In general, one or more descrptors form patterns. The pattern space corresponds to a measurement or an observaton space. A pattern vector s referred to as an observaton vector. A pattern vector often contans redundant nformaton; hence, the pattern vector s mapped to a feature vector [14-17]. Pattern recognton systems usually consder a feature space onto whch feature vectors are mapped frst. The feature vector s used to decde the class to whch the nput sample belongs. The purpose of feature extracton s to reduce data by retanng certan features or propertes that dstngush nput patterns(18-). Grş : Doğal Durumlar / Input atural Status Algılayıcılar / Perceptrons Özellk Çıkarıcı - Seçc / Feature Extracton-Selecton Sınıflandırıcı / Classfer Çıkış: Tanıma Output: Recognton Fgure. Pattern Recognton System. Şekl. Örüntü Tanıma Sstem. GELİŞTİRİLE YÖTEM Örüntü tanıma sstemnn bçmsel amacı, gerçek grş M uzayındak gözlemler x X R brkaç sınıftan y Y { w ( 1), w (),..., w (K) } brne ayırmaktır. Sınıfsal çıkış karar uzayındak her br w (k) sınıfı temsl eder. Sstemde öneml olan ayrımın belrgn br şeklde gerçekleşmesdr. Bunu sağlayacak olan en öneml kısım anahtar özellklerdr. Bu çalışmada gerçek grş uzayı olarak darbel radar. DEVELOPED METHOD In ths study, pulsed radar Doppler sgnals were used as real nput space. An effcency feature extracton method was developed for sx target objects whch are shown n Fgure 3 to separate one from the others. Expermental applcaton was realzed on havng educatonal purpose and mult functon 96/1 Model Lab-Volt radar experment set. Pulse echo sgnals were receved to computer meda by usng data accusaton card has 1 Khz sample frequency.
6 G.U. J. Sc., 18():59-7 (5)/ Engn AVCI*,İbrahm TÜRKOĞLU, Mustafa POYRAZ şaretler kullanılıp, Şekl 3' de gösterlen altı adet hedef nesnenn brbrnden ayrımını keskn br şeklde sağlayacak özellk seçm çn etkl br özellk çıkarımı yöntem gelştrlmştr. Deneysel uygulama, eğtm amaçlı ve çok fonksyonlu 96/1 Model Lab-Volt radar deney set üzernde gerçekleştrlmştr. Darbe eko şaretler 1 KHz örnekleme frekansı le data kartı aracılığıyla blgsayar ortamına alındı. Darbel Radar Sstemnn parametreler aşağıdak gb ayarlandı : - Darbe genşlğ : 1ns - RF Oslatör : 9.4 GHz - Darbe Tekrar Frekansı (PRF) :16 Hz - Sabt Hedef Mesafes : 75 cm Kullanılan örüntü tanıma mekanzması ve hesaplama şeması Şekl 4' de verlmştr. Görüleceğ üzere sstemn önem arz eden ve sınıflayıcının doğrudan başarımını etkleyen nokta özellk çıkarımıdır. The pulsed radar system parameters were adjusted as bellow: - Pulse wdth: 1 ns - RF oscllator: 9.4 GHz - Pulse Repeat Frequency (PRF): 16 Hz - Fxed Target Dstance: 75 cm The used pattern recognton mechansm and calculated scheme whch are gven n Fgure. We can see that the feature extracton s the most mportant part of pattern recognton system, and drectly mpresses accomplshment of classfer. Small metal plate / Küçük metal plaka Large metal plate / Büyük metal plaka Plexsglass plate/ Pleksglass plaka Corner Reflector / Köşel yansıtıcı Fgure 3. Used Radar Targets Şekl 3. Kullanılan radar hedefler Sphere / Küre Cylnder / Slndr
An Intellgent Target Recognton System / Darbel Radar Sstemlernde Gelştrlen. 63 Radar İşaret Radar Sgnal ormalze İşlem ve Perodogram İşlem ormalzed Process and Perodogram Process Güç Spektrumu Katsayıları Özellk Çıkarma / Feature Extracton Coeffcents of power spectrum Eğtm / Tranng Sınıflandırıcı / Classfer Hedef Türler / Target Types Fgure 4. Developed pattern recognton system for detectng of radar sgnals Şekl 4. Radar şaretlernn ayrımı çn gelştrlen örüntü tanıma sstem.1. Özellk Çıkarımı Özellk çıkarma örüntü tanımanın en öneml kısmı olup, br anlamda doğru örüntü sınıflandırmanın anahtarıdır. İşaretten özellk çıkarmanın üç ana amacı; sınıflama süresn azaltarak sınıflandırıcının başarımını artırmak, şlenecek blg mktarını en aza ndrmek ve tanıma sstemnn güvenrllğn sağlamaktır. Çıkarılan özellklern sstemdek kontrolsüz parametrelerden etklenmemes, kararlı olması le sağlanacaktır. Böylece özellkler genelleştrleblr ve sstemn doğru karar verme güvenrllğ artırılablr (). Kararsız şaretlern özellklernn çıkarımı le lglenldğnde, özellk çıkarımı çn genelde zaman ve frekans bölgesnn bleşm le lglenlr. Böylece hem geçc ve hem de frekans değşmlern çeren tanımlayıcı blgler çıkarılablr. Burada özellk çıkarımı çn radar deney setnden elde edlen farklı her br hedefe at Doppler şaretne normalze şlem uygulanmıştır (Denklem 1). Daha sonra buradan elde edlen sonuç şaretne perodogram denlen ve şaretn ayrık zaman Fourer dönüşümü alındıktan sonra bulunan sonucun genlğnn karesn elde etmeye yönelk br güç spektral yoğunluk (PSD) yöntem uygulanmıştır. Bu perdogram yöntemnde kullanılan ayrık zaman Fourer dönüşüm denklem aşağıda Denklem de verlmştr (1- )..1. Feature Extracton The feature extracton s the most mportant part of pattern recognton and correct pattern classfcaton key. The purposes of the feature extracton from sgnals both rase the accomplshment of classfer and reduce the classfcaton tme. The other advantages are reduce the processed data to mnmum level, and prove safe of recognton system. Therefore extracted features sn t mpressed from uncontrolled parameters n system, the extracted features should be determned (19-). Thus, the features may be generalzed and securty of systems may be rased. Features extracton of unstable sgnals s commonly nterested n composton of the tme-frequency regon. Thus, defntely data whch ncludes both transent alteraton and frequency alteraton can be extracted from radar Doppler sgnals. In precedng studes, the stochastc modelng methods, namely, AR(p) and ARMA(p,q) have been appled for the classfcaton of radar returns. They are hstorcally well known for resolvng the spectral peaks of a short data record, but ths only cannot be the bass for classfcaton. The amount of clutter spectral spread s a good ndcaton of the source of clutter. In there, frstly the normalzed process was appled to each of Doppler sgnals whch to be obtaned from radar experment set for all targets (Equaton 1). Secondly, the Perodogram was appled to be obtaned from there result sgnals. The Perodogram s to obtan square of ampltude of result whch to be obtaned after s get dscrete tme Fourer transform of sgnal. The Perodogram method s a Power Spectral Densty (PSD) method. Used dscrete tme Fourer transform equaton n ths Perodogram method s gven below at Equaton (1-).
64 G.U. J. Sc., 18():59-7 (5)/ Engn AVCI*,İbrahm TÜRKOĞLU, Mustafa POYRAZ y(n) x(n + 1) = 1 y(n) n = π 1 j( ) X (k + 1) = x(n + 1)e [] n= Burada y(n)= ayrık zamanlı şaret, = örnek sayısı (bu uygulama çn 51 örnek alınmıştır.), n= örnek sayacı (n=1,,) x(n+1)= ayrık zamanlı şaretn Denklem 1 e göre normalze edlmş hal, X(n+1)= ayrık zamanlı şaretn Fourer dönüşümü alınmış haldr. Buradan elde edlen ayrık fourer dönüşümünün mutlak değernn kares alınarak bu sonuç, örnek sayısına bölünür ve güç spektral yoğunluğu (PSD) elde edlr (Denklem 3). 1 PSD = X(k + 1) [3] [1] y(n) x(n + 1) = 1 y(n) n = π 1 j( ) X (k + 1) = x(n + 1)e [] n= Where y(n)= dscrete tme sgnal, = example number (51 examples were taken for ths applcaton ), n= example ndex (n=1,,) x(n+1)= Accordng to Equaton 1, normalzed state of dscrete tme sgnal. X(n+1)= Fourer transform of the dscrete tme sgnal. Frstly, square of absolute value of obtaned dscrete Fourer transform s dvded to example number. Thus PSD s obtaned (Equaton 3). 1 PSD = X(k + 1) [3] [1] 15 1 5 Küçük metal plaka Small metal plaque 1 Büyük metal plaka Large metal plaque Genlk / Ampltude 4 6 4 Pleksglass plaka Plexglass plaque 1 4 6 5 Köşel yansıtıcı Corner reflector 6 4 4 6 Küre Sphere 4 6 x 1 4 6 4 Slndr Cylnder 4 6 4 6 Fgure 5. PSDs of fxed targets for obtaned Doppler sgnals of radar targets Şekl 5. Duran hedeflern darbel radar şaretlernn perodogram yöntemne göre güç spektral yoğunlukları Şekl 5 de bu çalışmada kullanılan her br hedefn perodogram güç spektral yoğunluğu yöntem uygulanması sonucunda elde edlen güç spektrum yoğunlukları verlmştr. Bu güç spektral yoğunlukları, Bölüm de özellkler verlen deney setnden elde edlen Doppler şaretlernn Denklem 1 de gösterldğ gb normalze şlemne tab tutulmasından sonra perodogram güç spektral yoğunluk yöntemnn uygulanması le bulunmuştur. Radar deney setnden elde edlen darbel The PSDs of fxed targets for obtaned Doppler sgnals of radar targets are gven n Fgure 5. These PSDs were found after Equaton 1-3. For obtan these PSDs, frstly the normalzed process was appled to each of Doppler sgnals whch to be obtaned from radar experment set for all targets (Equaton 1). Secondly, the Perodogram was appled to be obtaned from there result sgnals. The Perodogram s to obtan square of ampltude of result whch to be obtaned after s get dscrete tme Fourer
An Intellgent Target Recognton System / Darbel Radar Sstemlernde Gelştrlen. 65 radar şaret örüntüsü (Doppler) şaretlernden br Şekl 6 da görülmektedr. transform of sgnal. One of the obtaned Doppler sgnals from radar expermental set s gven at Fgure 6. -5 Genlk / Ampltude -1-15 - -5 5 1 15 5 3 Örnek sayısı 35 4 45 5 Sample number Fgure 6. Doppler sgnal of the plexglass plaque target. Şekl 6. Pleksglass plaka hedefne at darbel radar şaret örüntüsü (doppler şaret). 3.SIIFLADIRMA Bu çalışmada sırasıyla yapay snr ağları ve uyarlamalı ağ tabanlı bulanık çıkarım sstem sınıflandırıcıları kullanılarak hedef tanıma yapablmek çn Bölüm.1 de gösterlen özellk çıkarım yöntem kullanılarak örüntü tanıma grş uzayı elde edlmştr. 3.1.Yapay Snr Ağı Sınıflandırıcısı Yapay snr ağları byolojk beyn hücresnden gelştrlmş olup, örüntü tanımada çok kuvvetl sınıflandırıcılardır. En yaygın ve en güçlü tanımlayıcı yapay snr ağı, çok katmanlı ler beslemel ağ olup, tüm yapay snr ağı uygulamalarının %9'ınını kaplamaktadır (17). Yapay snr ağları aşağıdak karakterstklere sahp paralel blg şleme yapılarıdır : - Byolojk br nörondan esnlenerek matematksel model ortaya konmuştur. - Brbrne bağlanan çok genş sayıdak şlem elemanlarından oluşur. - Bağlantı ağırlıkları le blgy tutar. - Br şlem elamanı grş uyarılarına dnamk olarak tepk vereblr ve tepk tamamen yerel blglere bağlıdır (lgl şlem elemanını etkleyen bağlantılar ve bağlantı ağırlıkları yoluyla gelen grş şaret). - Eğtm vers le ayarlanan bağlantı ağırlıkları sayesnde öğrenme, hatırlama ve genelleme yeteneklerne sahptr. Bu üstün özellkler, yapay snr ağlarının karmaşık problemler çözeblme yeteneğn göstermektedr (3-6). Şekl 7' de byolojk nörondan esnlenerek ortaya konmuş 3. CLASSIFICATIO In ths study, the classfcaton for target recognton was done by usng obtaned features from Secton.1 wth Artfcal eural etworks (A) classfer and Adaptve etwork Based Fuzzy Inference System (AFIS) classfer respectvely. For ths purpose, by usng the feature extracton method showed n Secton.1 was obtaned nput space of pattern recognton. 3.1. Artfcal eural etworks eural networks (s) have been used to model the human vson system. They are bologcally nspred and contan a large number of smple processng elements that perform n a manner analogous to the most elementary functons of neurons. eural networks learn by experence, generalze from prevous experences to new ones, and can make decsons. eural elements of a human bran have a computng speed of a few mllseconds, whereas the computng speed of electronc crcuts s on the order of mcroseconds. The s are parallel process elements whch has characterstc n below. - A s a mathematcal model of a bologcal neuron. - A has very process elements whch are related another. - A keeps knowledge wth connecton weghts. eural network models provde an alternatve approach to mplementng enhancement technques. A smple process element of the s s gven n Fgure 7. Output of
66 G.U. J. Sc., 18():59-7 (5)/ Engn AVCI*,İbrahm TÜRKOĞLU, Mustafa POYRAZ şlem elamanının bast br matematksel model verlmştr. Bu modelde. şlem elemanının çıkışı Denklem (4) de verlmştr. m y(t + 1) = a = w x (t) θ [4] j 1 j j Burada a(.) etknleştrme fonksyonu, θ se. şlem elemanının eşk değerdr. İşlem elemanlarının blg şlemeler k kısımdan oluşur : grş ve çıkış. Br şlem elemanı dışardan almış olduğu x j grş blglern bağlı bulundukları w j ağırlıkları üzernden brleştrerek br net değer üretr.. şlem elemanının net değer Denklem (5) le hesaplanır. f net = m w x θ [5] j = 1 j j th process element at ths smple model s gven Equaton 4. m y(t + 1) = a = w x (t) θ [4] j 1 j j In there, a(.) s actvaton functon, θ s threshold value of th process element. Knowledge processes of process element compose from two parts: nput and output. output of th process element s calculated wth Equaton 5 (19). f net = m w x θ [5] j = 1 j j Her br şlem elemanının knc sürec, net değern br a(.) etknleştrme fonksyonundan geçrerek çıkış değern bulmaktır. Etknleştrme fonksyonları şlem elemanlarının çok genş aralıktak çıkışını bell aralıklara çekmektedr. Böylece her br şlem elemanının tepks yumuşak olmaktadır ve bağlantı ağırlıklarının değşmlernn de daha küçük değerlerde olması sağlanır. Dolayısıyla yapay snr ağının eğtm sırasında, hata değşmnn ıraksaması engellenerek kararlılığa ulaşmasına yardımcı olunur. Yapay snr ağ modeller ve öğrenme algortmaları daha detaylı olarak (19) kaynağında bulunablr. Grşler / Inputs x 1 x w 1 Çıkışlar / Outputs Ağırlıklar / Weghts w f(.) a(.) y x m w m θ Eşk / Threshold Fgure 7. The mathematcal model of neuron Şekl-7. Br nöron hücresnn matematksel model Gelştrlen yöntemn sınıflandırıcı aşaması çn lk önce, çok katmanlı ler beslemel yapay snr ağı kullanılmıştır. Şekl 8' de kullanılan sınıflandırıcının grş çıkış kls görülmektedr. Yapay snr ağının seçlen parametreler : Katman sayısı : 3 Katmanlardak (grş, ara, çıkış) nöron sayısı : 51, 5, 6 Öğrenme algortması: Uyarlamalı öğrenme oranlı geryayınım Öğrenme oranı :.8 Momentum katsayısı :.98 Toplam mutlak hata :.5 Etknleştrme fonksyonu : Tanjant sgmod. Frstly, mult layer neural network was used for classfcaton stage of the developed method (-5). Input-output of the used classfcaton s showed at Fgure 8. The selected parameters of used artfcal neural network: Layer number: 3 euron number of Layers (nput, hdden, output): 51, 5, 6 Learnng algorthm: Adaptve learnng rate back propagaton Learnng rate:.8 Momentum coeffcent:.98 Mean square error:.5 Actvaton Functon: Tangent sgmod.
An Intellgent Target Recognton System / Darbel Radar Sstemlernde Gelştrlen. 67 w (1) w () w (3) w (4) w (5) w (6) Karar uzayı Decson space Yapay Snr Ağı / Artfcal eural etwork x 1 x x 3 x 51 Özellk uzayı Feature space Perodogram Spektral Güç Yoğunluğu Spectral power densty of Perodogram Fgure 8. Par of output-nput of classfcaton system Şekl-8. Sınıflandırıcı sstemnn grş/çıkış kls Burada karar uzayı; küçük metal plaka, büyük metal plaka, pleksglass plaka, köşel yansıtıcı, küre ve slndr hedeflernden oluşmaktadır. Şekl 6' da gösterlen darbel radar alıcısından elde edlen şaretlere gelştrlen özellk çıkarma algortması uygulanmıştır. Elde edlen özellkler yapay snr ağına uygulanarak sınıflandırıcının eğtm sağlanmıştır. Br örüntü tanıma sınıflandırıcısından beklenen, özellk uzayındak her br gurup özellk çn ayrım fonksyonlarını oluşturmasıdır (7-9). Bu bağlamda, her br hedef nesne çn kullanılan 1 adet şaret örüntüsü le sınıflandırıcı test edlmş olup, gelştrlen yöntem le elde edlen özellklern yapay snr ağı sınıflandırıcısı tarafından doğru br şeklde ayırt edleblmelernn ortalama yüzdeler Çzelge 1'de verlmştr. Yapay snr ağının hedef tanımadak başarımının yüzde olarak hesaplanmasında her br hedef çn 1 adet gürültülü test vers kullanılmıştır. Bu gürültülü test verlern elde etmek amacıyla Gauss beyaz gürültüsü kullanılmıştır. Bu gürültü denklem Denklem 6 da verlmştr. Hundred nosy test data for each of target were used for target recognton achevement of used neural network. Gauss whte nose (Equaton 6) was used for obtan these nosy test data. SR ratos of ths Gauss whte noses were changed 1,, 3, 4 respectvely (5-6). Outputs of ths artfcal neural network classfer formed from a decson space = {small metal plaque, large metal plaque, Plexglas plaque, corner reflector, sphere, cylnder} that represents sx numbers dfferent real radar targets. σ s c = [6] SR /1 σ 1 w Burada, c gürültü ölçekleme sabt, σ s snyal varyansı, σ w gürültü varyansı, SR snyal / gürültü oranıdır. Bu denklem kullanılarak Gauss beyaz gürültü elde etmek amacıyla SR oranı sırasıyla 1,, 3, 4 şeklnde değştrlmştr. Elde edlen gürültülü test verler sırasıyla kullanılan yapay snr ağları ve uyarlamalı ağ tabanlı bulanık çıkarım sstem sınıflandırıcılarının sınıflandırma başarımlarını denemek amacıyla kullanılmıştır. σ s c = [6] SR /1 σ w1 There, σ s s sgnal varance, σ w s nose varance, SR s sgnal / nose rato, c s nose scale constant (7-9). The obtaned classfcaton performance results of the A classfer are gven on Table 1.
68 G.U. J. Sc., 18():59-7 (5)/ Engn AVCI*,İbrahm TÜRKOĞLU, Mustafa POYRAZ Table 1. Achevement of A classfer (%) Çzelge 1. Yapay Snr Ağı Sınıflandırıcının Başarımı (%) Target Type/ Hedef esne Small metal plaque/ Küçük Metal Plaka Large metal plaque/ Büyük Metal Plaka Plexglas plaque/ Pleksglass Plaka Corner reflector/ Köşel Yansıtıcı Sphere/ Küre Cylnder/ Slndr Small metal plaque/ Küçük Metal Plaka Large metal plaque/ Büyük Metal Plaka Plexglas plaque/ Pleksglass Plaka Corner reflector/ Köşel Yansıtıcı Sphere/ Küre Cylnder/ Slndr 3.. Uyarlamalı Ağ Tabanlı Bulanık Çıkarım Sstem Sınıflandırıcısı AFIS (Adaptve etwork Based Fuzzy Inference System) n, yapısında hem yapay snr ağları hem de bulanık mantık kullanılır (3-3). Yapı bakımından AFIS, bulanık çıkarım sstemndek eğer-se kuralları ve grş çıkış blg çftlernden oluşur. Ancak sstem eğtmnde yapay snr ağı öğrenme algortmaları kullanılır. Burada AFIS yapısını bast br şeklde anlatablmek çn örnek olarak k grşl ve tek çıkışlı br AFIS yapısı verlmştr. Bu AFIS yapısı aşağıda da görüldüğü gb 5 katmandan oluşmaktadır. Burada x ve y grş, z se çıkış olarak alınırsa temel kural yapısı şu şeklde yazılablr: Eğer x A 1 ve y B 1 se f 1 = p 1 x + q 1 y + r 1 Burada p, q ve r lneer çıkış parametrelerdr. A ve B AFIS n grş üyelk fonksyonlarıdır. İk grşl ve br çıkışlı br AFIS n temel yapısı Şekl 9 da görülmektedr. Bu yapı, 5 katman ve 9 adet eğer-se kuralı kullanılarak oluşturulmuştur: 1.Katman: Bu katmandak hücre sayısı, k grş ve bu k grşn her brne üç üyelk fonksyonu tanımlandığına göre altı adettr (=6 dır). Buna göre, 98 1 - - - - 1 97 - - 1 1 99 1 1 1 - - 1 97 1 - - - - 97 1 - - - - - 96 3.. Adaptve-etwork-Based Fuzzy Inference System Both artfcal neural network and fuzzy logc are used n AFIS's archtecture. AFIS s conssted of f-then rules and couples of nput-output, for AFIS (Adaptve- etwork-based Fuzzy Inference System ) tranng s used learnng algorthms of neural network (3-3). For smplcty, we assume the fuzzy nference system under consderaton has two nputs (x and y) and one output (z). For a frst order Sugeno fuzzy model, a typcal rule set wth base fuzzy f-then rules can be expressed as If x A 1 ve y B 1 then f 1 = p 1 x + q 1 y + r 1 Where, p, r, q are lnear output parameters. The AFIS s archtecture whch has two nputs and one output s showed n Fgure 9. Ths archtecture s formed by usng fve layer and nne f-then rules: Layer-1: Every node n ths layer s a square node wth a node functon. O 1, =µ A (x), =1,,3 çn O 1, =µ B-3 (y), =4,5,6 çn [8] Burada x ve y grşlerdr. Bu katmanın çıkışı kuralların varsayım (eğer) kısımlarının üyelk fonksyonlarına olan üyelk derecelerdr. Kullanılan üyelk fonksyonu Denklem 9 da verlmştr. Buradan da görüldüğü gb üyelk fonksyonu olarak Gauss üyelk fonksyonu kullanılmıştır. µ A (x),µ B-3 (y)= exp(( (x c ) /(a )) ) [9] Burada, x ve y grş, c Gauss üyelk fonksyonu merkez ve a Gauss üyelk fonksyonu genşlğn fade eder. O 1, =µ A (x), for =1,,3 O 1, =µ B-3 (y), for =4,5,6 [8] Where x and y are nputs to node, and A, B are lngustc label assocated wth ths node functon. In order words, O 1, s the membershp functon of A and B. Usually we choose µ A (x) and µ B (y) to be bell-shaped wth maxmum equal to 1 and mnmum equal to, such as µ A (x),µ B-3 (y)= exp(( (x c ) /(a )) ) [9] Where a, c s the parameter set. These parameters n ths layer are referred to as premse parameters.
An Intellgent Target Recognton System / Darbel Radar Sstemlernde Gelştrlen. 69. Katman: Burada kuralların kesnlk dereceler cebrsel çarpım kullanılarak bulunur (Denklem 1). O, =w =µ A (x)*µ B (y), =1,,3,.,9 [1] Buradak O sembolü se her br katman çıkışlarını göstermektedr. 3. Katman: Burada kuralların normalzasyon şlem yapılmaktadır (Denklem 11). O 3, = w =w /(w 1 +w +..+w 9 ), =1,,3,.,9 [11] 4. Katman: Bu katmanda normalze edlmş her br kural kendne at çıkış fonksyonu le çarpılır (Denklem 1). O 4, = w *f =w *(p x+q y+r ) [1] Buradak p, q ve r lneer parametreler sonuç parametreler olarak adlandırılır. 5. Katman: 4. Katman çıkışlarının toplanarak AFIS çıkışının sayısal değernn bulunduğu kısımdır. O 5, =toplam çıkış = wf = wf w [13] Şekl 9 da k grşl ve tek çıkışlı AFIS n 5 adet katmanı verlmştr. Layer-: Every note n ths layer s a crcle node labelled Π whch multples the ncomng sgnals and sends the product out. For nstance, O, = w = µ A (x).µ B-3 (y), =1,, 3,.,9 [1] Each node output represents the frng strength of a rule. (In fact, other T-norm operators that performs generalzed AD can be used as the node functon n ths layer). Layer-3: Every node n ths layer s a crcle node labelled. The th node calculates the rato of the th rules frng strength to the sum of all rule s frng strengths: O 3, = w =w /(w 1 +w + +w 9 ), =1,,3,.,9 [11] Layer-4: Every node n ths layer s a square node wth a node functon O 4, = w.f = w.(p x + q y + r ), =1,,3,.,9 [1] Where, w s the output of layer 3, and {p, q, r} s the parameter set. Parameters n ths layer wll be referred to as consequent parameters. Layer-5: The sngle node n ths layer s a crcle node labelled that computes the overall output as the summaton of all ncomng sgnals: O 5, = overall output = wf = wf w [13] 4. Katman Layer-4 1.Katman Layer-1.Katman Layer- 3.Katman Layer-3 w1 w1 x y x y A 1 A A 3 B 1 B B 3 w w 3 w 4 w 5 w 6 w 7 w 8 w 1 * f 1 w 9 * f 9 5.Katman Layer-5 f w 9 Fgure 9. AFIS archtecture of -nputs and 9-rules. Şekl 9. grşl 9 kurallı br AFIS sınıflandırıcı yapısı x y
7 G.U. J. Sc., 18():59-7 (5)/ Engn AVCI*,İbrahm TÜRKOĞLU, Mustafa POYRAZ Bu 5 katmandan oluşan br AFIS sınıflandırıcısının kullanımı Şekl 1 da görülmektedr. Bölüm de ayrıntıları verlen özellk çıkarma yöntem le elde edlen eğtm verler AFIS sınıflandırıcının grşne verlmştr. AFIS n çıkışına se Bölüm.1 de yapay snr ağları sınıflandırıcısı çıkışına da verlen Karar Uzayı = {Küçük metal plaka, Büyük metal plaka, Pleksglass plaka, Köşel yansıtıcı, Küre, Slndr} verlmştr. Şekl 1 da se AFIS sınıflandırıcı le sınıflandırma blok dyagramı görülmektedr. Usng of AFIS n ths applcaton s showed at Fgure 1. x(t) y(t) AFIS sınıflandırıcı AFIS classfer T(t) z -1 Fgure 1. Block dagram of the classfcaton wth AFIS classfer Şekl 1. AFIS Sınıflandırıcı İle Sınıflandırma Blok Dyagramı Grş eğtm verler le eğtlen AFIS sınıflandırıcı Bölüm.1 de yapay snr ağı sınıflandırıcısının test edldğ, her br hedef çn Denklem 7 kullanılarak elde edlen 1 adet gürültülü test vers le test edlerek sınıflandırma performansı yüzde olarak belrlenmştr. Elde edlen sonuçlar Çzelge de verlmştr. Hundred nosy test data for each of target were used for target recognton achevement of used AFIS. Gauss whte nose (Equaton 6) was used for obtan these nosy test data. SR ratos of ths Gauss whte noses were changed 1,, 3, 4 respectvely (5-6). Outputs of ths artfcal neural network classfer formed from a decson space = {small metal plaque, large metal plaque, Plexglas plaque, corner reflector, sphere, cylnder} that represents sx numbers dfferent real radar targets. The obtaned classfcaton performance results of the AFIS classfer are gven on Table. Table. Achevement of AFIS classfer (%) Çzelge. AFIS Sınıflandırıcının Başarımı (%) Target Type/ Hedef esne Small metal plaque/ Küçük Metal Plaka Large metal plaque/ Büyük Metal Plaka Plexglas plaque/ Pleksglass Plaka Corner reflector/ Köşel Yansıtıcı Sphere/ Küre Cylnder/ Slndr Small metal plaque/ Küçük Metal Plaka Large metal plaque/ Büyük Metal Plaka Plexglas plaque/ Pleksglass Plaka Corner reflector/ Köşel Yansıtıcı Sphere/ Küre Cylnder/ Slndr 4. SOUÇ VE DEĞERLEDİRME Gelştrlen özellk çıkarma yöntem, darbel radar şaretlerne uygulanarak %1 doğru br şeklde ayrım fonksyonlarının oluşması sırasıyla yapay snr ağı ve uyarlamalı ağ tabanlı bulanık çıkarım sstem sınıflandırıcıları aracılığı le sağlanmıştır. Ayrıca Çzelge 1 - - - - - - 98 - - - - - 1 1 - - - - - 99 - - - - - - 1 1 - - - - - 99 4. RESULTS AD COCLUSIOS Improved feature extracton method was appled to pulsed radar sgnals, and clear dfferences among dfferentaton percents. These sgns have been descrbed how the extracted from natural nputs are effectve and powerful. The dfferentaton functon at the decson
An Intellgent Target Recognton System / Darbel Radar Sstemlernde Gelştrlen. 71 1 ve Çzelge de de görülebleceğ üzere, ayrım fonksyonları arasında oldukça belrgn farklar olduğu tanıma yüzdelernden anlaşılmaktadır. Bu göstergeler doğal grşlerden çıkarılan özellklern ne kadar etkl ve güçlü olduğunu betmlemektedr. Yne sstemn karar uzayındak ayrım fonksyonlarının çok belrgn oluşu, özellk vektörü çn seçlen özellklern başka br şleme gerek kalmadan sstem en y br bçmde özetledğn ve seçlen özellklern güvenrllğnn spatı olmakla brlkte sınıflandırıcı olarak yapay snr ağının veya uyarlamalı ağ tabanlı bulanık çıkarım sstemnn kullanımı ssteme öğrenme ve öğrendklernden karar çıkarma özellğ katmaktadır. Bununla brlkte yapay snr ağı sınıflandırıcısı le uyarlamalı ağ tabanlı bulanık çıkarım sstem sınıflandırıcısı arasındak en büyük farkın yapı bakımından yapay snr ağı sınıflandırıcısına göre daha karmaşık olan uyarlamalı ağ tabanlı bulanık çıkarım sstem sınıflandırıcısının eğtm aşamasının yapay snr ağı sınıflandırıcısı eğtmne göre braz daha yavaş olduğudur. Buna karşın tanıma performansı bakımından Çzelge 1 ve Çzelge den de görülebleceğ gb AFIS n YSA (Yapay Snr Ağı) ya göre çok az br üstünlüğünden söz edleblr. Bu yöntemler sayesnde gerçekleştrleblecek bast yapılı akıllı tanı sstemler, çok genş br sahada uygulama alanı bulablr. İlerde bu alanda yapılablecek çalışmalarda, özellk çıkarımına çevre ve gürültüden daha az etklenen kararlı br yapı kazandırılmasıyla, radar sstemlernde hedef kmlğ hakkında blg ednme çalışmaları pratk şartlar altında kullanılablecektr. space of the system s very clear. Therefore the features whch are selected for feature vector s summarzed very well wthout usng another operatons, and yet t proves the relablty of the selected features as a classfer, the use of AFIS add the features of the learnng and the reachng a decson to the system. However the most mportant dfference between A classfer and AFIS classfer s that the tranng stage of the AFIS system classfer s shower than the A classfer. However from the pont of the vew of recognton performance, we can menton just a lttle superorty of AFIS than A classfer (Table 1 and Table ). In ths way the basc bult ntellgent dagnoss systems are used n a very bg area. At the future studyng about ths area, f one can be acqured a structure about feature extracton whch s less effected from the envronment and nose, the effort of the gettng nformaton from the at the practcal condtons may be used at the radar system about the target dentfy. KAYAKLAR/ REFERECES 1. Ahern J., Delsle G. Y., etc. Radar, Lab-Volt Ltd., vol. 1, Canada, (1989).. Madrd J.J. M., Corredera J. R. C., Vela G. M., A neural network approach to Doppler-based target classfcaton, Radar 9. Internatonal Conference, Brghton, England, 45 453, (199). 3. Swatnck Z., Semklo R., The artfcal ntellgence tools utlzaton n radar sgnal processng, 1th Internatonal Conference on Mcrowaves and Radar (MIKO '98), Vol. 3, Krakow, Poland, 799 83, (1998). 4. Jakubak A., Arabas J., Grabczak K., etc., Radar clutter classfcaton usng Kohonen neural network, Radar 97 (Conf. Publ. o. 449), Ednburgh, UK, 185 188, (1997). 5. Tang B., Jang W., Ke Y., Radar sgnal classfcaton by projecton onto wavelet packet subspaces, CIE Internatonal Conference of Radar Proceedngs, Bejng, Chna, 14 16, (1996). 6. Beastall W. D., Recognton of radar sgnals by neural network, Frst IEE Internatonal Conference on Artfcal eural etworks, (Conf. Publ. o. 313), London, UK, 139-14, (1989). 7. Applcaton of pattern recognton technques for early warnng radar, asa Techncal Reports, AD-A99735, Mar 9, (1995). 8. Guangy C., Applcatons of wavelet transforms n pattern recognton and de-nosng, Concorda Unversty (Canada), (1999). 9. Sowelam S.M., Tewfk A.H., Waveform selecton n radar target classfcaton, IEEE Transactons on Informaton Theory, Vol. 46, 114 19, (). 1. Kempen L.V., Sahl H., yssen E., etc., Sgnal processng and pattern recognton methods for radar AP mne detecton and dentfcaton, Second Internatonal Conference on the Detecton of Abandoned Land Mnes, (Conf. Publ. o. 458), Ednburg, UK, 81 85, (1998).
7 G.U. J. Sc., 18():59-7 (5)/ Engn AVCI*,İbrahm TÜRKOĞLU, Mustafa POYRAZ 11. oone G.P., A neural approach to automatc pulse repetton nterval modulaton recognton, Informaton Decson and Control, IDC 99 Proceedngs, Adelade, Australa, 13-18, (1999). 1. Zyweck A., Bogner R.E, Radar target recognton usng range profles, IEEE Internatonal Conference on Acoustcs, Speech, and Sgnal Processng, ICASSP-94., vol., Adelade, Australa, II/373 -II/376, (1994). 13. Roome S.J., Classfcaton of radar sgnals n modulaton doman, Electroncs Letters, vol.8, 74 75, (199). 14. Lu J., Gao S., Luo Z.Q., etc., The mnmum descrpton length crteron appled to emtter number detecton and pulse classfcaton, Statstcal Sgnal and Array Processng, Proceedngs., nth IEEE SP Workshop, Portland, Oregon, USA, 17 175, (1998). 15. Rchards M. A., Fundamentals of Radar Sgnal Processng, Georga Insttute of Technology, (). 16. Ahern J., Delsle G. Y., etc. Radar, Lab-Volt Ltd., vol., Canada, (199). 17. Rothe H., Approaches to Pattern Recognton, Advanced Pattern Recognton Technques, ATO-RTO Lecture Seres 14, Lsbon Portugal, 1-1, 1-9. (1998). 18. Duda R.O., Hart P.E., Pattern Classfcaton and Scene Analyss, Stanford Research Insttute, (1989). 19. Bshop C.M., eural etworks for Pattern Recognton, Clarendon Press, Oxford, (1996).. Kl D.H., Shn F.B., Pattern Recognton and Predcton wth Applcatons to Sgnal Characterzaton, AIP Press, USA, (1996). 1. Turkoglu, I., Automatc Target Dstance Recognton by Usng Contnuous Wave Radar Doppler Sgnals and Artfcal eural etworks, DAUM, 1, 8-87, Elazg, ().. Turkoglu, I., An Intellgent Pattern Recognton for on-statonary Sgnals Based on The Tme Frequency Entropes, PhD Thess, Frat Unversty Graduate School of atural and Appled Scences, Elazg, 4-47, (). 3. Percval D. B., Walden A. T., Spectral analyss for physcal applcatons:multtaper and conventonal unvarate technques, Cambrdge Unversty Press., ew York (1993). 4. Ln C. T., Lee C.S.G., eural Fuzzy Systems, Prentce-Hall, (1996). 5. Zurada, M.J., Introducton to Artfcal eural Systems, West Publshng Company Inc., ew York, (199). 6. Turkoglu, I., Arslan A., Power spectrum of the AR model and feature extracton method based on artfcal neural network for target classfcaton, Gaz Unversty, Techncal Educaton Faculty, Journal of Polytechnc, 5(), 11-17, May, (). 7. Kara S., Doppler chazı ve autoregresf spektral analz metoduyla mtral ve trküspt kapaklardak kan akışının ncelenmes, Doktora tez, Ercyes Ünverstes Fen Blmler Ensttüsü, 15-, (1994). 8. Yüksel M. E., Ultrasonk Doppler İşaretlernn Blgsayar Destekl Analz, Y. Lsans tez, Ercyes Ünverstes Fen Blmler Ensttüsü, 5-43, (1993). 9. Turkoglu I., Arslan A., Optmsaton of the Performance of eural etwork Based Pattern Recognton Classfers wth Dstrbuted Systems, IEEE Computer Socety, Internatonal Conference on Parallel and Dstrbuted Systems (ICPADS 1),,Kyong Ju, Korea, 379-38 (1). 3. Kosko, B., eural etworks and Fuzzy Systems, A Dynamcal Systems Approach, Englewood Cffs., J: Prentce Hall, (1991). 31. Jang, J. S. R., Sun, C. T., euro-fuzzy Modelng and Control, Proceedngs of the IEEE, vol. 83, o. 3, (1995). 3. Jang, J. S. R., May., AFIS: Adaptve network-based fuzzy nference systems, IEEE Trans. Syst., Man. and Cybern., vol. 3, 665-685., (1993). Receved/ Gelş Tarh: 9.1.3 Accepted/Kabul Tarh:.1.4