Bayes sınıflandırıcısının başarımı, geliştirilen özellik çıkarma yöntemine göre radar işaretleri ile hedef tanımada değerlendirilmiştir.
📌 3 Key Takeaways
🎯
Objective & Hypothesis:800x600 Normal 0 21 false false false TR X-NONE X-NONE MicrosoftInternetExplorer4 /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Normal Tablo"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin:0cm; mso-para-margin-bottom:.0001pt; mso-pagination:widow-orphan; font-size:10.0pt; font-family:"Times New Roman","serif";} Bu çalışmada, radar hedef işaretlerini sınıflamak üzere bir örüntü tanıma sistemi geliştirilmiştir.
📊
Key Findings & Data:Radar işaretleri, farklı hedefler için darbeli radar sisteminden elde edilmiştir.
💡
Conclusion & Impact:Bayes sınıflandırıcısının başarımı, geliştirilen özellik çıkarma yöntemine göre radar işaretleri ile hedef tanımada değerlendirilmiştir.
🔬Design:Araştırma Makalesi
📍Scope:Comprehensive Sample
⚙️Variables:Özellik Çıkarma · Bayes Karar Kuralı · Radar Hedef Sınıflandırma
Özet
800x600 Normal 0 21 false false false TR X-NONE X-NONE MicrosoftInternetExplorer4 /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Normal Tablo"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin:0cm; mso-para-margin-bottom:.0001pt; mso-pagination:widow-orphan; font-size:10.0pt; font-family:"Times New Roman","serif";} Bu çalışmada, radar hedef işaretlerini sınıflamak üzere bir örüntü tanıma sistemi geliştirilmiştir. Örüntü tanımanın önemli bir kısmı olan özellik çıkarma için periodogram güç spektrum yoğunluğu ve Bayes sınıflandırıcı temelli bir yöntem sunulmuştur. Radar işaretleri, farklı hedefler için darbeli radar sisteminden elde edilmiştir. Bayes sınıflandırıcısının başarımı, geliştirilen özellik çıkarma yöntemine göre radar işaretleri ile hedef tanımada değerlendirilmiştir.
Avcı, E., Türkoğlu, İ., Poyraz, M. (2004). DARBELİ RADAR SİSTEMLERİNDE BAYES KARAR KURALI İLE HEDEF SINIFLAMA UYGULAMASI. Fırat Üniversitesi Doğu Araştırmaları Dergisi, Cilt: 2 Sayı: 2, 25–29. https://ajindex.com/articles/1650539
Ahern J., Delisle G. Y., etc. Radar, Lab-Volt Ltd., vol. 1, Canada, 1989.
Beastall W. D.,” Recognition of radar signals by neural network”, First IEE International Conference on Artificial Neural Networks, (Conf.Publ. No. 313), pp.139-142, London, UK, 1989.
Bishop C.M., “Neural Networks for Pattern Recognition, Clarendon Press”,Oxford, 1996.
Duda R.O., Hart P.E., “Pattern Classification and Scene Analysis”, Stanford Research Institute, 1989.
Guangyi C., “Applications of wavelet transforms in pattern recognition and de-noising”, Concordia University (Canada),1999.
Liu, J., Gao, S., Luo, Z.-Q., Davidson, T.N., Lee,J.P.Y., “The minimum description length criterion applied to emitter number detection and pulse classification”, Statistical Signal and Array Processing, 1998. Proceedings., Ninth IEEE SP Workshop on, 1998 Page(s): 172 –175.
Madrid J.J. M., Corredera J. R. C., Vela G. M., “A neural network approach to Doppler-based target classification”, Radar 92. International Conference, pp. 450–453, Brighton, England, 1992.
Misiurewicz, J.; Kulpa, K.; Czekala, Z., “Microwaves and Radar, 1998. MIKON '98., 12th International Conference on, Volume: 3, 1998, Page(s): 866 –870, vol.3.
Türkoğlu İ., Arslan A., “Optimisation of the Performance of Neural Network Based Pattern Recognition Classifiers with Distributed Systems”, IEEE Computer Society, 2001 International Conference on Parallel and Distributed Systems (ICPADS’2001), pp. 379- 382, Kyong Ju, Korea, Jun. 26-29, 2001.
Türkoğlu, İ., “Modülesiz Sürekli Dalga Radar Doppler İşaretleri ve Yapay Sinir Ağlarını Kullanarak Otomatik Hedef Mesafesi Tanıma”, DAUM, 1, 80-87, Elazığ, 2002.
Türkoğlu, İ., Arslan A., “Darbeli radarlarda hedef sınıflama için AR modelinin güç spektrumu ve yapay sinir ağı temelli özellik çıkarma yöntemi”, Gazi Üniversitesi, Teknik Eğitim Fakültesi, Politeknik Dergisi, 5(2), 121-127, Mayıs, 2002.
Skolnik, M., I., Introduction to Radar Systems, McGRAW-HILL Book Company, Inc., 1962.
Liu, J., Gao, S., Luo, Z.-Q., Davidson, T.N., Lee,J.P.Y., “The minimum description length criterion applied to emitter number detection and pulse classification”, Statistical Signal and Array Processing, 1998. Proceedings., Ninth IEEE SP Workshop on, 1998 Page(s): 172 –175.
Madrid J.J. M., Corredera J. R. C., Vela G. M., “A neural network approach to Doppler-based target classification”, Radar 92. International Conference, pp. 450–453, Brighton, England, 1992.
Misiurewicz, J.; Kulpa, K.; Czekala, Z., “Microwaves and Radar, 1998. MIKON '98., 12th International Conference on, Volume: 3, 1998, Page(s): 866 –870, vol.3.
Türkoğlu, İ., “Modülesiz Sürekli Dalga Radar Doppler İşaretleri ve Yapay Sinir Ağlarını Kullanarak Otomatik Hedef Mesafesi Tanıma”, DAUM, 1, 80-87, Elazığ, 2002.
Türkoğlu, İ., Arslan A., “Darbeli radarlarda hedef sınıflama için AR modelinin güç spektrumu ve yapay sinir ağı temelli özellik çıkarma yöntemi”, Gazi Üniversitesi, Teknik Eğitim Fakültesi, Politeknik Dergisi, 5(2), 121-127, Mayıs, 2002.