TY  - BOOK
AU  - Turanlı,Güner Eda
AU  - Özdür,İbrahim Tuna
ED  - TOBB Ekonomi ve Teknoloji Üniversitesi.
TI  - Askeri ve sivil hava hedeflerinin lstm ile teşhislendirilmesi
PY  - 2025///
CY  - Ankara
PB  - TOBB ETÜ Fen Bilimleri Enstitüsü
KW  - Long short term memory
KW  - Hava hedefi teşhislendirilmesi
KW  - Karar destek sistemleri
KW  - Air target classification
KW  - Decision support systems
N1  - Tez (Yüksek Lisans)--TOBB ETÜ Fen Bilimleri Enstitüsü Aralık 2025
N2  - Bu çalışma, askerî ve sivil hava hedeflerinin dost, düşman veya bilinmeyen olarak sınıflandırılmasına yönelik yapay zeka temelli bir yaklaşım sunmaktadır. Mevcut uygulamalarda yaygın olarak kullanılan NATO STANAG 4162 kapsamındaki kural tabanlı IDCP (Identification Data Combining Process) yöntemleri; Source Probability Matrix (SPM), Mapping Matrix (MM) ve Force Mix Ratio (FMR) gibi yapılar üzerinden uzman bilgisine dayanan deterministik karar süreçleri kullanır. Bu sistemler açıklanabilirlik ve denetlenebilirlik açısından güçlü olmakla birlikte, sensör kaynaklarının zamanla değişen, eksik veya çelişkili bilgiler üretmesi durumunda esneklik ve ölçeklenebilirlik açısından sınırlılıklar göstermektedir. Önerilen yöntem, radar tespitleri, ESM sinyalleri, IFF cevapları, uçuş planları, MPR bilgileri, platform performans sınırları (PP) ve davranışsal göstergeler (TAB) gibi çoklu kaynaktan gelen verileri zaman serileri halinde işleyen bir LSTM mimarisi üzerinde birleştirmektedir. Veri ön işleme sürecinde zaman senkronizasyonu, eksik veri doldurma, normalizasyon ve senaryo-tabanlı etiketleme adımları uygulanmış; böylece farklı örnekleme hızlarına ve güvenilirlik derecelerine sahip kaynaklar model girişine uygun tekdüze bir yapıya dönüştürülmüştür. Eğitim süreci tamamen simüle edilmiş çok kaynaktan beslenen senaryolar üzerinden gerçekleştirilmiş; gürültü ekleme, zaman kaydırma ve kısmi veri maskeleme gibi tekniklerle modelin belirsiz koşullara karşı dayanıklılığı artırılmıştır. LSTM tabanlı mimari, hedeflerin zamana bağlı davranış değişimlerini yakalama, ani manevra veya IFF/ESM düzensizliklerini takip etme ve çoklu kaynaktan gelen bilgileri tutarlı bir şekilde bütünleştirme konularında kural tabanlı sisteme göre daha yüksek esneklik sağlamıştır. Model performansı doğruluk, precision-recall, F1-score ve karışıklık matrisi gibi standart sınıflandırma metrikleri ile değerlendirilmiş; zamana bağlı davranış varyasyonlarının bulunduğu senaryolarda kural tabanlı yaklaşıma göre daha tutarlı sonuçlar elde edilmiştir. Buna karşın kural tabanlı IDCP yapısının sunduğu şeffaflık ve kolay denetlenebilirlik avantajı belirli durumlarda geçerliliğini korumaktadır. Çalışma sonucunda, kural tabanlı STANAG yaklaşımının güçlü yönlerini korurken zaman-bağımlı işaretlerin öğrenilmesine dayalı yapay zeka esnekliğini bir araya getiren bir çerçeve ortaya konmuştur. İleride yapılacak çalışmalar; gerçek operasyonel veriler için genişletilmiş senaryo setlerinin oluşturulması, kural-öğrenme entegrasyonun derinleştirilmesi ve modelin hesaplama maliyetinin azaltılmasına yönelik hafifletme tekniklerini içermektedir; This study presents an artificial intelligence-based approach for classifying military and civilian air targets as friendly, hostile, or unknown. Conventional methods widely used in operational environments rely on the rule-based IDCP (Identification Data Combining Process) defined under NATO STANAG 4162, which utilizes expert-driven deterministic decision mechanisms through structures such as the Source Probability Matrix (SPM), Mapping Matrix (MM), and Force Mix Ratio (FMR). Although these systems provide strong explainability and auditability, they show limitations in flexibility and scalability when sensor sources produce time-varying, missing, or contradictory information. The proposed approach integrates multiple sources—radar detections, ESM signals, IFF responses, flight plans, MPR information, platform performance constraints (PP), and behavioral indicators (TAB)—into a unified time-series learning pipeline using an LSTM architecture. The preprocessing stage includes time synchronization, missing-data imputation, normalization, and scenario-based labeling to obtain a consistent model input representation despite varying sampling rates and reliability levels across sensors. The training process is performed entirely on simulated multi-source scenarios, and techniques such as noise injection, time shifting, and partial information masking are employed to enhance robustness under uncertain conditions. The LSTM architecture exhibits improved flexibility compared to the rule-based system in capturing temporal behavior changes, tracking anomalies such as sudden maneuvers or inconsistent IFF/ESM responses, and fusing heterogeneous information streams. Model performance is evaluated using standard classification metrics—accuracy, precision-recall, F1-score, and the confusion matrix—and shows more consistent results than the rule-based approach in scenarios involving temporal variations. However, the transparency and auditability advantages of IDCP remain valuable in specific cases. Overall, this study introduces a framework that combines the strengths of the STANAG rule-based structure with the adaptability of data-driven learning for time-dependent multi-source fusion. Future work will focus on expanding scenario sets for operational realism, deepening hybrid rule-learning integration, and reducing computational cost through model-lightening techniques
ER  -