Buradasınız

Anasayfa » Content

ZAMAN BÖLGESİ SAÇILIM SİNYALLERİNİN YAPISAL ÖZNİTELİKLERİ VE YAPAY SİNİR AĞLARI KULLANILARAK DİELEKTRİK KÜRESEL HEDEFLERİN SINIFLANMASI

DIELECTRIC SPHERICAL TARGET CLASSIFICATION USING TIME DOMAIN SCATTERING SIGNAL FEATURES AND ARTIFICIAL NEURAL NETWORKS

Journal Name:

  • Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi

Publication Year:

  • 2014

Key Words:

Keywords (Original Language):

Author NameUniversity of AuthorFaculty of Author
Abstract (2. Language): 
Solving the problem of classifying the targets, which look-alike, using electromagnetic scattering signals, is difficult as it heavily depends on the aspect angle. For removing this dependency, distinctive features should be extracted from the signals and they should be processed. A target classification technique for objects having spherical shape, is proposed in this study. A set of features is extracted from the scattered signals first. Then a classifier, based on artificial neural networks, is designed with these features. System performance is investigated by simulations based on dielectric spheres.
Bookmark/Search this post with
Abstract (Original Language): 
Benzer şekilli cisimlerden saçılan elektromanyetik dalgaları kullanarak ayırt etme probleminin çözümü, geliş açısına bağımlılıktan dolayı oldukça zordur. Bu bağımlılığı ortadan kaldırmak için, saçılım sinyallerinden ayırıcı öznitelikler çıkarılmalı ve işlenmelidir. Bu çalışmada, küresel geometriye sahip dielektrik hedeflerin tanınması için bir sınıflandırma yöntemi önerilmektedir. İlk olarak saçılım sinyallerinin yapısal özellikleri kullanılarak öznitelikler elde edilmiştir. Daha sonra bu öznitelikler ile yapay sinir ağı tabanlı bir sınıflayıcı tasarlanmıştır. Dielektrik küreler temel alınarak yapılan benzetimler ile sistem başarımı incelenmiştir.
FULL TEXT (PDF): 
PDF icon arastirmax-zaman-bolgesi-sacilim-sinyallerinin-yapisal-oznitelikleri-yapay-sinir-aglari-kullanilarak-dielektrik-kuresel-hedeflerin-siniflanmasi.pdf
  • 48
104
108
  • Turkish

REFERENCES

References: 

Chen S. (1990): “Radar Target Identification With Relative Amplitudes and Unknown Target Aspect Angles”, IEEE Aerospace and Electronics Conference, Cilt 1.
Fukunaga K. (1986): “Statistical Pattern Recognition”, Hand. Of Pattern Recognition Image Processing, NY, s.3-32.
Haykin S. (1998): “Neural Networks: A Comprehensive Foundation”, Prentice Hall 2. Basım.
Reed R., Marks R. J. (1999): “Neural Smithing: Supervised Learning in Feed Forward Artificial Neural Networks”, MIT Press.
Seçmen M., Turhan S. G. (2009): “Radar Target Classification Method With Reduced Aspect Dependency and Improved Noise Performance Using MUSIC Algorithm”, IET Radar Sonar and Navigation, Cilt 3, No. 6, s. 583-595.
Silverstein P. B., Sands O. S., Garber F. D. (1991): “Radar Target Classification and Interpretation by Means of Structural Descriptions of Backscatter Signals”, Proceedings of IEEE Radar Conference, s. 21-25.
Turhan S. G. (2005): “Real Time Electromagnetic Target Classification Using A Novel Feature Extraction Technique With PCA Based Fusion”, IEEE Transactions on Antennas and Propagation, Cilt 53, No. 2, s.766-776.
Zhou D., Liu G., Wang J. (2000): “Spatio-Temporal Target Identification Method of High Range Resoulution Radar”, Pattern Recognition, Cilt 33, s.1-7.

Thank you for copying data from http://www.arastirmax.com