Page 63 - bilgem-teknoloji-dergisi-8

BILGEM
TEKNOLOJI

karakteristiğinin değişimi ve geniş bantta gürültü Grafik işlemci birimlerinin
varyansının sabit olmayışı gibi nedenlerden dolayı
beklenen performansı göstermekten uzaktır. yaygın kullanılması, yüksek kaliteli
veri setlerine erişimin kolaylaşması
BİLGEM bünyesinde yapılan çalışmalar gösteriyor ki ve bu setlerin sayısının artması
derin öğrenme tabanlı yöntemler, klasik sabit alarm
olasılıklı sezicilere nazaran daha iyi performans günümüzde makine öğrenmesinin
göstermektedirler. Özellikle düşük işaret-gürültü gücü hızlı yaygınlaşmasının başlıca
oranlarında bu fark çok daha belirgin olmaktadır. sebepleridir.
Yapılan çalışmalara ait çıktılar, Şekil 1 ve Şekil 2’de
sırasıyla CNN ve SVM tabanlı sınıflandırıcılar için aralığının varyansı, momentleri, kümülantları ve
verilmektedir. çevrimsel kümülantları örnek verilebilir. Öznitelik
temelli yaklaşımlar, benzerlik temelli yaklaşımlara göre
Sinyal Sınıflandırma daha az karmaşıktır; ancak bir öznitelik seçimi her
Sinyal modülasyon sınıflandırması askeri ve sivil işaret kümesi için optimum olmayabilir. Kör tanıma
uygulamalarda çokça kullanılan ve sinyal tespiti ve yapılan bir uygulamada işaret kümesi belirlenemediği
demodülasyonu arasında bulunan bir aşamadır. Sinyal için öznitelik temelli yaklaşımlar verimli bir sonuç
modülasyon sınıflandırması, gelen sinyalin işlenmesi vermeyebilir. Yapay zekâ yaklaşımında ise sınıflandırma
ve uygun sınıflandırma algoritmasının seçilmesi olmak modellerine yapay sinir ağları (ANN) ve evrişimsel sinir
üzere iki aşamadan oluşur. ağları (CNN) örnek verilebilir.

Sınıflandırma aşamasında geleneksel yaklaşım Derin öğrenme temelli yaklaşımlar manuel öznitelik
Sinyal İstihbarat 100 ve yapay zekâ yaklaşımı olmak üzere iki yaklaşım seçiminden kaçınır. Model işaretin ayırt edici özelliklerini
Sinyal istihbarat, telsiz iletişim sistemlerinin 90 bulunur. Geleneksel yaklaşımlar da benzerlik temelli kendisi çıkarabilir. Bu yüzden derin öğrenme temelli
yaklaşımlar geleneksel yöntemlere kıyasla çok daha
(LB) ve öznitelik temelli (FB) olmak üzere ikiye ayrılır.
kullanılmaya başlanmasının hemen ardından ortaya 80 Benzerlik temelli yaklaşımlar gelen sinyalin benzerlik iyi sınıflandırma performansı sergileyebilmektedir.
çıkmış bir savunma teknolojisi alanı olarak kabul 70 fonksiyonuna bağlıdır ve sınıflandırma, bu benzerlik Derin öğrenme, çok sayıda parametre içeren çok
edilebilir. Sinyal istihbaratın modern anlamda ilk örneği oranının bir eşik değerle karşılaştırmasıyla yapılır. büyük sinir ağları kullanarak yüksek boyutlu girdi
Japon-Rus savaşı sırasında İngiliz gemisi HMS Diana 60 Ancak optimum çözüm karmaşık bir hesaplamayla verisinden doğrudan öznitelik öğrenme kapasitesini
tarafından Rus denizaltı sinyallerinin Süveyş Kanalı’nda Accuracy [%] 50 bulunur ve çoğu örnekte bu durum optimal olmayan ciddi bir biçimde artırmıştır. BİLGEM’de tasarlanan
yakalanmasıdır . Daha sonra I. ve II. Dünya Savaşları 40 sınıflandırıcıların elde edilmesine neden olur. sınıflandırıcı ağın performansı da bu bilgilerle paralellik
sırasında sinyal istihbaratın gerekliliği daha iyi 30 göstermektedir ve Şekil 3’te görülebilir.
anlaşılmış ve bu dönemde bu alana yönelik çalışmalar 20 CNN-based Detector Öznitelik temelli yaklaşımlar önce gelen sinyalin
hız kazanmıştır. Günümüzde hala hem savunma 10 CFAR Detector(P = 0.05) özniteliklerini çıkarır ve belirli bir kritere (eşik değerine) Spektrum Tahmini
f
f
hem de saldırı amaçlı sinyal istihbarat çalışmaları CFAR Detector(P = 0.1) göre karar verir. Sinyalin kullanılan özniteliklerine;
hız kesmeden devam etmekte ve ülkelerin savunma 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 sinyalin mutlak genliği, fazı, frekansı, sıfırdan geçiş Kablosuz haberleşme teknolojilerinin yaygınlaşmasıyla
gücünün önemli bir parçası olmayı sürdürmektedir. SNR [dB] kablosuz ağa erişimi olan cihaz sayısı artacak
kaynağı
miktarı
spektrum
ve
kullanılabilecek
Sinyal istihbarat temelde sinyalin spektrumda tespiti, Şekil 1 CNN tabanlı sınıflandırıcı klasik CFAR sezicilere göre
tespit edilen işaretin sınıflandırılması ve spektrum çok daha yüksek performansla işaret sezimi yapabilmektedir.
100
kullanımının modellenmesi problemleriyle ilgilenir.
90
Sinyal Tespiti 80
Spektrumda işaretin varlığını tespit etmek amacıyla 70
çeşitli yöntemler önerilmiştir. Bunlar arasında en çok 60
bilinen ve yaygın olanı enerji sezicilerdir. Enerji seziciler, Accuracy [%] 50
gürültü gücünün bilinmesi durumunda optimum 40
sezici olarak çalışabilmektedir. Fakat gürültü gücünün 30
kestirilmesi zaten işaret tespit probleminin bir başka 20 SVM-based Detector
CFAR Detector(P = 0.05)
halidir. Açıkçası bir bant aralığında gürültü gücünün 10 f
CFAR Detector(P = 0.1)
f
kestirilmesi, işaretin varlığını tespit etmek için yeterli 0
8
7
9
olmasına rağmen gürültü gücünün belirlenmesi ciddi 1 2 3 4 5 6 SNR [dB] 10 11 12 13 14 15
bir problemdir. Bu nedenle enerji seziciler, teoride iyi
sonuçlar verse bile gerçek iletim ortamında kanal Şekil 2 SVM tabanlı sınıflandırıcı klasik CFAR sezicilere göre çok daha
yüksek performansla işaret sezimi yapabilmektedir.
Şekil 3 Evrişimsel sinir ağları (CNN) tabanlı ağın sınıflandırma performansı görülmektedir.

60 61