Show simple item record

dc.contributor.authorAltıparmak, Fatihen_US
dc.contributor.authorAkyön, Fatih Çağatayen_US
dc.contributor.authorÖzmen, E.en_US
dc.contributor.authorÇoğun, Fuaten_US
dc.contributor.authorBayri, A.en_US
dc.coverage.spatialSivas, Turkeyen_US
dc.date.accessioned2020-02-03T07:19:22Z
dc.date.available2020-02-03T07:19:22Z
dc.date.issued2019-04
dc.identifier.urihttp://hdl.handle.net/11693/52978
dc.descriptionDate of Conference: 24-26 April 2019en_US
dc.descriptionConference name: 27th Signal Processing and Communications Applications Conference (SIU), 2019en_US
dc.description.abstractElektronik Harp (EH) sistemleri için ortamda yayın yapan bir radarın tespiti ve ilgili radarın fonksiyonunun belirlenmesi, sistemin en önemli görevlerinden biridir. Bu çalışmada, EH sistemleri tarafından ölçülen radar parametreleri kullanılarak radarların Elektronik Karşı Tedbir (EKT) kullanım konseptine uygun olarak fonksiyonlarının belirlenmesi hedeflenmiştir. Çok Görevli Öğrenme ve Tek Görevli Öğrenme sinirağları probleme uyarlanmıştır. Sınıflandırıcı öncesinde aşırı örnekleme, aralık değerleri için nicemleme ve sınıf değerleri için gruplama ön işlemleri yapılmıştır. Çok Görevli Öğrenme tekniğinin performansının Tek Görevli Öğrenme tekniğininkinden daha iyi olduğu gözlenmiştir. Sınıflandırıcı öncesinde uygulanan aşırı örnekleme algoritmasının, ön işlemler neticesinde elde edilen verisetinin ve gruplandırılmış sınıfların bir veya daha fazlasının kullanımıyla her iki metodun performanslarının arttığı gözlenmiştir.en_US
dc.description.abstractThe detection of a radar emittting signal and determining the associated radar function are among the most important duties of electronic warfare (EW) systems. In this study, the classification of radar function in accordance with Electronic Countermeasure (ECM) usage concept is aimed by using the radar parameters measured by EW systems. Multitask learning and single task learning neural networks are applied to this problem. Oversampling prior to classifier, quantization for interval values and grouping of class values are done in the pre-processing step. It is shown by the experimental results that, multitask learning technique outperforms single task learning technique. It is clearly observed that utilizing one or more of (1) oversampling algorithm, (2) preprocessed data set and (3) the grouped classes increases the performance of both methods.
dc.language.isoTurkishen_US
dc.source.title27th Signal Processing and Communications Applications Conference (SIU), 2019en_US
dc.relation.isversionofhttps://doi.org/10.1109/SIU.2019.8806336en_US
dc.subjectRadar function classificationen_US
dc.subjectMultitask learning(MTL)en_US
dc.subjectMachine learningen_US
dc.subjectElectronic warfaren_US
dc.titleBilişsel algılamaya doğru: çok görevli öğrenme ile radar fonksiyon sınıflandırmaen_US
dc.title.alternativeTowards cognitive sensing: Radar function classification using multitask learningen_US
dc.typeConference Paperen_US
dc.departmentDepartment of Computer Engineeringen_US
dc.departmentDepartment of Electrical and Electronics Engineeringen_US
dc.citation.spage1en_US
dc.citation.epage4en_US
dc.identifier.doi10.1109/SIU.2019.8806336en_US
dc.publisherIEEEen_US
dc.contributor.bilkentauthorAltıparmak, Fatih
dc.contributor.bilkentauthorAkyön, Fatih Çağatay
dc.contributor.bilkentauthorÇoğun, Fuat


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record