Yere nüfuz eden radar sinyallerinin işlenmesi

Abstract

Bu proje çalışmasında , özellik çıkarma ve yapay sinir ağları kullanılarak toprak tiplerinin ve gömülü nesnelerin sınıflandırılması için sinyal tanıma sistemi önerilmiştir. GPRmax simülasyon programını kullanarak, 206 Hz örnekleme frekansına sahip 300 adet farklı gömülü cisim ve toprak zeminleri ait GPR A tarama sinyalleri elde edilmiştir. Gömülü nesnelerin malzemelerine bağlı olarak elde edilen sinyaller, elektrik alanda z yönünde (Ez) ve x ve y yönlerindeki manyetik alanları (Hx, Hy) içerir. Özellik çıkarma işlemi hem zaman hemde frekans ortamında gerçekleştirilmiştir. Frekans ortamında geçiş için ayrık Fourier dönüşümü kullanılmıştır. Zaman ortamında sinyalin ortalaması, standart sapması, enerji, eğrilik ve basıklık özellikleri elde edilmiştir. Frekans ortamında ise bu zaman ortamında elde edilen özelliklerin yanısıra frekans band oran özellikleride çıkarılmıştır. Elde edilen özellikler yapay sinir ağının girişlerini oluşturmaktadır. Ayrıca sınıflama başarıları farklı öğrenme katsayıları, iterasyon sayıları ve momentium sabitlerine göre test edilmiştir. Elde edilen sonuçlar gömülü nesne ve toprak çeşitlerinin tespitnde yüksek doğruluk oranları sunmuştur.

In this project, signal recognition system is proposed for classification of soil types and buried objects using feature extraction and artificial neural networks. Using the GPRmax simulation program, GPR A scanning signals of 300 different buried bodies and soil soils with a sampling frequency of 206 Hz were obtained. The signals obtained based on the materials of the buried objects include the magnetic field (Hx, Hy) in the z direction (Ez) and x and y directions in the electric field. Feature extraction was performed in both time and frequency environment. Discrete Fourier transform is used for the transition in the frequency environment. Mean time, standard deviation, energy, curvature and kurtosis properties were obtained. The frequency band ratio characteristics were obtained in addition to the properties obtained in this time environment. The properties obtained form the artificial neural network inputs. In addition, classification achievements were tested according to different learning coefficients, iteration numbers and momentum constants. The results obtained showed high accuracy rates for the detection of buried objects and soil types.