Çok sayıda radarın aynı anda yayın yaptığı günümüz EH (Elektronik Harp) sinyal
ortamında, EH sistemlerinin kullandığı klasik darbe ayrıştırma yöntemleri radar sistemlerini
tanımlamada yeterli olmamaktadır. Bu yetersizliğin çözümü için radar darbelerinin sahip
olduğu istemli veya istemsiz modülasyonlar ayırt edici özellik olarak kullanılabilmektedir.
Bu çalışmada, radar elektronik harp sensör çeşitleri ve radar sinyalleri incelenmiş, radar
sinyallerini temsil etmede hangi özniteliklerin etkili olduğu ve bu özniteliklerin hangi
sınıflandırıcılarda başarılı olduğu görülmüştür. Darbe içi, istemli olarak oluşturulan, sekiz
farklı tip modülasyona sahip radar sinyali (P1, P2, P3, P4, Frank, Barker, LFM ve Costas)
simüle edilerek 4 farklı veri seti üretilmiş, 12 farklı yöntem ile toplamda 95 adet öznitelik
türetilmiş, 3 farklı yöntem (CFS, PCA ve Wrapper) ile öznitelik seçimi yapılmış ve dört
farklı sınıflandırma yöntemi (Naive Bayes, Destek Vektör Makineleri (DVM), Rastgele
Orman ve Ortak Vektör Yaklaşımı (OVY)) ile deneysel çalışmalar gerçekleştirilmiştir.
Öznitelik sayısı 6-8 adede kadar düşürülmüş veri setleri ile Rastgele Orman ve Naive Bayes
sınıflandırma yöntemleri kullanılarak 6 dB SNR seviyesi ve üzerindeki radar sinyalleri için
%98 ve üzerinde başarı oranı elde edilmiştir.
The conventional radar pulse de-interleaving methods isn’t sufficient for the modern
EW (Electronic Warfare) environment where numerous radars broadcast simultaneously.
The intentional and unintentional modulations on radar pulses (IMOP and UMOP) can be
used as a distinguishing feature to solve this deficiency. In this study, radar EW sensors and
radar signal types have examined, which attributes effective in representing radar signals
and which classification methods successful with these attributes have studied. For
experimental studies, four different data sets have been produced by simulating eight
different types of IMOP radar signals (P1, P2, P3, P4, Frank Barker, LFM and Costas). 95
attributes have been derived from 12 different methods, 3 types of attribute selection
methods (CFS, PCA and Wrapper) have been used and four different types of classification
methods (Random Forest, Naive Bayes, Support Vector Machines (SVM), Common Vector
Approach (CVA)) have been utilized. With the data sets having 6-8 attributes, by using
Random Forest and Naive Bayes classification methods, approximately %98 success rate
has obtained for radar signals over 6dB SNR level.
