244667

HÜCRE ORTALAMALI SYAO VE
İSTATİSTİKSEL SIRALI ÇEVRESEL YANSIMA

HARİTALAMALI SYAO İŞLEMCİLERİNİ KULLANAN VERİ
BİRLEŞİM SİSTEMİ TABANLI SYAO SEZİMLEYİCİSİ
CFAR DETECTION BASED ON DECISION FUSION OF

CELL-AVERAGING CFAR AND
ORDER STATISTIC CLUTTER MAP
CFAR PROCESSORS
MUSTAFA MUTLU CAN
Hacettepe Üniversitesi
Lisansüstü Eğitim – Öğretim ve Sınav Yönetmeliğinin
ELEKTRİK ve ELEKTRONİK Mühendisliği Anabilim Dalı İçin Öngördüğü
YÜKSEK LİSANS TEZİ
olarak hazırlanmıştır.
2009
Fen Bilimleri Enstitüsü Müdürlüğü'ne,
Bu çalışma jürimiz tarafından ELEKTRİK VE ELEKTRONİK MÜHENDİSLİĞİ

ANABİLİM DALI'nda YÜKSEK LİSANS TEZİ olarak kabul edilmiştir.
Başkan :….......................................
Prof. Dr. Mehmet ŞAFAK
Üye :.….......................................
Prof. Dr. Orhan ARIKAN
Üye :….......................................
Prof. Dr. A. Salim KAYHAN
Üye :….......................................
Yrd. Doç Dr. Yakup ÖZKAZANÇ
Üye (Danışman) :….......................................

Yrd. Doç. Dr. Mücahit ÜNER
ONAY
Bu tez ...../...../..... tarihinde Enstitü Yönetim Kurulunca kabul edilmiştir.
Prof.Dr. Erdem YAZGAN

Fen Bilimleri Enstitüsü Müdürü
Babam’a ve Annem’e
HÜCRE ORTALAMALI SYAO VE İSTATİSTİKSEL SIRALI ÇEVRESEL
YANSIMA HARİTALAMALI SYAO İŞLEMCİLERİNİ KULLANAN VERİ
BİRLEŞİM SİSTEMİ TABANLI SYAO SEZİMLEYİCİSİ
Mustafa Mutlu Can
ÖZ
Otomatik hedef tespiti yapan radarlarda, eşik değerini belirlemek için kullanılan
uyarlanır sabit yanlış alarm oranı (SYAO) işlemcileri incelenmiştir. İstenen
SYAO’yu başarmak için iki temel teknik kullanılır.
İlki, kayan pencere tekniği ile komşu hücreler kullanılarak uyarlanabilir bir eşik
seviyesi belirlemektir.
İkincisi, çevresel yansıma haritalamasına dayalı tekniktir. Bu teknikte, test

hücresinin, önceki taramalarda hedef olmadığı kabul edilerek alınan örnekleri
kullanılarak uyarlanabilir bir eşik seviyesi belirlenir.
Bu çalışmada, iki tekniği, veri birleşim sisteminde (VBS) birleştiren yeni teknikler
önerilmiştir. Tektür ve tektür olmayan ortamlar için analitik denklemler çıkartılmış
ve başarım analizleri yapılmıştır.
Anahtar Kelimeler: Sabit Yanlış Alarm Oranı, SYAO, Sezim, Kestirim, Hücre
Ortalamalı SYAO, Çevresel Yansıma Haritalamalı SYAO, İstatistiksel Sıralı
Çevresel Yansıma Haritalamalı SYAO, Veri Birleşim Sistemi
Danışman: Yrd. Doç. Dr. Mücahit K. ÜNER, Hacettepe Üniversitesi, Elektrik ve

Elektronik Mühendisliği Bölümü
i
CFAR DETECTION BASED ON DECISION FUSION OF CELL AVERAGING
CFAR AND ORDER STATISTIC CLUTTER MAP CFAR PROCESSORS
Mustafa Mutlu Can
ABSTRACT
In automatic target detection radars, adaptive constant false alarm rate (CFAR)
processors, which determine the threshold, are examined. Two techniques are
used for achieving the required CFAR.
The first technique determines the adaptive threshold using range neighbouring
cells which are located in sliding window.
The second one is based on clutter map. In this technique, adaptive threshold is
determined using the samples of test cell from previous scans which are assumed
to contain no target.
In this study, new techniques based on combining the two techniques in the data
fusion system (DFS), are proposed. Analytical equations for homogeneous and
nonhomogeneous environment are derived and performance analysis are carried
out.
Keywords: Constant False Alarm Rate, CFAR, Clutter Map CFAR, Ordered
Statistic Clutter Map CFAR, Data Fusion System
Advisor: asst. Prof. Mücahit K. ÜNER, Hacettepe University, Department of

Electrical and Electronics Engineering
ii
TEŞEKKÜR
Aileme, verdikleri destek ve istemeden ihmal etmelerime gösterdikleri anlayıştan

ötürü teşekkürler.
Çalışma arkadaşlarıma, tez çalışmalarının yoğunlaştığı zamanlarda gösterdikleri

kolaylık için teşekkür ederim.
Danışmanım, Sayın Yrd. Doç. Dr. Mücahit ÜNER, tez çalışmasının başlangıcından
sonuna kadar çizdiği yol ve destekleri ile tezin sonuca ulaştırılmasında katkısı
vardır.
iii
İÇİNDEKİLER DİZİNİ
Sayfa
ÖZ………………………………………………………………………… i
ABSTRACT……………………………………………………………… ii
TEŞEKKÜR……………………………………………………………… iii
İÇİNDEKİLER DİZİNİ…………………………………………………… iv
ŞEKİLLER DİZİNİ………………………………………………………... vi
ÇİZELGELER DİZİNİ…………………………………………………… ix
SİMGELER ve KISALTMALAR DİZİNİ………………………………. xi
SÖZLÜK………………………………………………………………….. xii
1. GİRİŞ………………………………………………………………….. 1
2. UYARLANIR SABİT YANLIŞ ALARM ORANI İŞLEMİ…………... 5
2.1. Hücre Ortalamalı SYAO………………………………… 5
2.1.1. Tektür ortam………………………………………. 5
2.1.2. Tektür olmayan ortam…………………………… 8
2.2. İstatistiksel Sıralı SYAO……………….………………… 9
2.2.1. Tektür ortam………………………………………. 9
3. ÇEVRESEL YANSIMA HARİTALAMALI SYAO ANALİZİ……. 13
3.1. Çevresel Yansıma Haritalamalı SYAO………………… 13
3.1.1. Tektür ortam………………………………………. 13
3.2. Hücre Ortalamalı ÇYH SYAO…………………………… 18
3.2.1. Tektür ortam…….………………………………… 18
3.3. İstatistiksel Sıralı ÇYH SYAO…………………………… 20
3.3.1. Tektür ortam………………………………………. 20
3.3.2. Tektür olmayan ortam………………………….... 23
4. VERİ BİRLEŞİM SİSTEMLİ SYAO ANALİZİ………………………. 27
4.1. Hücre Ortalamalı ve Çevresel Yansıma Haritalamalı
SYAO’larına dayalı Veri Birleşim Sistemi……………… 27
4.1.1. Tektür ortam………………………………………. 27
iv
4.2. Hücre Ortalamalı ve İstatistiksel Sıralı ÇYH
SYAO’larına Dayalı Veri Birleşim Sistemi…………….. 35
4.2.1. Tektür ortam………………………………………. 35
4.3. İstatistiksel Sıralı ve İstatistiksel Sıralı ÇYH
SYAO’larına Dayalı Veri Birleşim Sistemi…………….. 44
4.3.1. Tektür ortam………………………………………. 44
5. KARŞILAŞTIRMALI PERFORMANS ANALİZİ……………………. 50
5.1. Hücre Ortalamalı ve İstatistiksel Sıralı SYAO’larına
dayalı Veri Birleşim Sistemi…………………………….. 50
5.1.1. Tektür ortam………………………………………. 50
5.1.2. Tektür olmayan ortam…..……………………….. 52
5.2. Tektür Ortam Karşılaştırması.………………………….. 52
5.3. Bekleyen Hedef Karşılaştırması………………………... 53
5.4. Karıştırıcı Hedef Karşılaştırması……………………….. 55
5.5. Bekleyen Karıştırıcı Hedef Karşılaştırması……………. 56
6. SONUÇ………………………………………………………………… 58
KAYNAKLAR…………………………………………………………….. 61
EKLER DİZİNİ……………………………………………………………. 64
v
ŞEKİLER DİZİNİ
Sayfa
Şekil 1.1 Çevresel Yansıma Haritalamalı SYAO Radar Modeli......... 2

Şekil 2.1 Hücre Ortalamalı SYAO Radar Modeli……………………… 6
Şekil 2.2 HO SYAO Farklı M Değerleri için Sezim
Olasılığı Grafiği, PF=10-6………………………………………… 7
Şekil 2.3 HO SYAO Sezim Olasılığının Hedef Bulunan Hücre
Sayısına (r) Göre Değişimi, ICR=SCR=20dB, PF=10-6……… 8
Şekil 2.4 İstatistiksel Sıralı SYAO Radar Modeli……………………… 9
Şekil 2.5 İS SYAO Farklı M ve k Değerleri için Sezim
Şekil 2.6 İS SYAO M=16 için Sezim Olasılığının k’ya Göre
Değişimi, PF=10-6………………………………………………… 11
Şekil 2.7 İS SYAO Sezim Olasılığının Hedef Bulunan Hücre
Şekil 3.1 Çevresel Yansıma Haritalamalı SYAO Radar Modeli.…… 14
Şekil 3.2 ÇYH SYAO Yanlış Alarm Oranının Tarama Sayısına
Göre Değişim Grafiği ....………………………………………… 16
Şekil 3.3 ÇYH SYAO Farklı w Değerleri için Sezim
Şekil 3.4 ÇYH SYAO Sezim Olasılığının Hedef Bulunan Tarama
Sayısına (L) Göre Değişimi, ICR=SCR=20dB, PF=10-6……… 17
Şekil 3.5 Hücre Ortalamalı ÇYH SYAO Radar Modeli.……………… 18
Şekil 3.6 HO-ÇYH SYAO Farklı M ve w Değerleri için Sezim
Şekil 3.7 İstatistiksel Sıralı ÇYH SYAO Radar Modeli………….…… 21
Şekil 3.8 İS-ÇYH SYAO Farklı M, k ve w Değerleri için Sezim
Şekil 3.9 İS-ÇYH SYAO Sezim Olasılığının Hedef Bulunan Hücre
Şekil 3.10 İS-ÇYH SYAO Sezim Olasılığının Hedef Bulunan Tarama
Sayısına (L) Göre Değişimi, ICR=SCR=20dB, PF=10-6……… 25
vi
Şekil 3.11 İS-ÇYH SYAO Sezim Olasılığının Hedef Bulunan Tarama
Sayısına (L) Göre Değişimi, r=2, ICR=SCR=20dB, PF=10-6… 26
Şekil 4.1 HO ve ÇYH SYAO VBS Radar Modeli…….………….…… 28
Şekil 4.2 HO ve ÇYH SYAO VBS Farklı M ve w Değerleri için Sezim
Şekil 4.3 HO ve ÇYH SYAO VBS Sezim Olasılığının Hedef Bulunan
Tarama Sayısına (r) Göre Değişimi, ICR=SCR=20dB, PF=10-6.. 32
Şekil 4.4 HO ve ÇYH SYAO VBS Sezim Olasılığının Hedef Bulunan
Hücre Sayısına (r) Göre Değişimi, ICR=SCR=20dB, PF=10-6... 33
Şekil 4.5 HO ve ÇYH SYAO VBS Sezim Olasılığının L=3 durumunda
Hedef Bulunan Hücre Sayısına (r) Göre Değişimi,
ICR=SCR=20dB, PF=10-6…………….…………………………. 34
Şekil 4.6 HO ve İS-ÇYH SYAO VBS Radar Modeli…….………….… 35
Şekil 4.7 HO ve İS-ÇYH SYAO VBS Farklı M1, M2, k2 ve w Değerleri
için Sezim Olasılığı Grafiği, PF=10-6…………………………… 37
Şekil 4.8 HO ve İS-ÇYH SYAO VBS Sezim Olasılığının Hedef
Bulunan Hücre Sayısına (r1) Göre Değişimi, ICR=SCR=20dB,
PF=10-6…………………………………………………………… 39
Şekil 4.9 HO ve İS-ÇYH SYAO VBS Sezim Olasılığının Hedef
Bulunan Tarama Sayısına (L) Göre Değişimi,
ICR=SCR=20dB, PF=10-6........................................................ 40
Şekil 4.10 HO ve İS-ÇYH SYAO VBS Sezim Olasılığının r1=0, r2=2
durumunda Hedef Bulunan Tarama Sayısına (L) Göre
Değişimi, ICR=SCR=20dB, PF=10-6…………….……………… 42
Şekil 4.12 İS ve İS-ÇYH SYAO VBS Farklı M1, k1, M2, k2 ve w Değerleri
için Sezim Olasılığı Grafiği, PF=10-6…………………………… 45
Şekil 4.13 İS ve İS-ÇYH SYAO VBS Sezim Olasılığının Hedef
Bulunan Hücre Sayısına (r1) Göre Değişimi, ICR=SCR=20dB,
PF=10-6…………………………………………………………… 46
vii
Şekil 4.14 İS ve İS-ÇYH SYAO VBS Sezim Olasılığının Hedef
ICR=SCR=20dB, PF=10-6........................................................ 47
Şekil 4.15 İS ve İS-ÇYH SYAO VBS Sezim Olasılığının r1=4, r2=2
Şekil 5.1 HO ve İS SYAO VBS Radar Modeli…….…….………….… 51
Şekil 5.2 Farklı Radar Teknikleri için Sezim Olasılığı Grafiği,
PF=10-6………………………………….………………………… 53
Şekil 5.3 Farklı Radar Teknikleri, Sezim Olasılığının Hedef
ICR=SCR=20dB, PF=10-6……………………………………….. 54
Şekil 5.4 Farklı Radar Teknikleri, Sezim Olasılığının Hedef
Bulunan Hücre Sayısına (r1) Göre Değişimi,
ICR=SCR=20dB, PF=10-6........................................................ 56
viii
ÇİZELGELER DİZİNİ
Sayfa
Çizelge 2.1 HO SYAO tekniği, PF=10-6 ve farklı M için c değerleri…. 7

Çizelge 2.2 İS SYAO tekniği, PF=10-6 ve farklı M ve k için c değerleri 10
Çizelge 3.1 ÇYH SYAO tekniği, PF=10-6, farklı n ve w için c değerleri 15
Çizelge 3.2 HO-ÇYH SYAO tekniği, PF=10-6, farklı M ve w için
c değerleri ………………………………………………………… 19
-6
Çizelge 3.3 İS-ÇYH SYAO tekniği, PF=10 , farklı M, k ve w için
c değerleri ………………………………………………………… 22
Çizelge 3.4 İS-ÇYH SYAO tekniği, Son Taramada r Hücrede
Hedef Bulunma Durumu………………………………….……… 23
Çizelge 3.5 İS-ÇYH SYAO tekniği, Son L Taramada Bekleyen
Hedef Bulunma Durumu………………………………….……… 24
Çizelge 3.6 İS-ÇYH SYAO tekniği, r=2 Bekleyen Karıştırıcı Hedef
ve Son L Taramada Bekleyen Hedef Bulunma Durumu…….. 25
Çizelge 4.1 HO ve ÇYH SYAO VBS tekniği, PF=10-6, farklı M ve w
için c1 ve c2 değerleri ………………………………………….… 29
Çizelge 4.2 HO ve ÇYH SYAO VBS tekniği, Son L Taramada
Bekleyen Hedef Bulunma Durumu…………………….………. 31
Çizelge 4.3 HO ve ÇYH SYAO VBS tekniği, r Hücrede Hedef
Bulunma Durumu………………………………………….……… 32
Çizelge 4.4 İS-ÇYH SYAO tekniği, Son L Taramada ve r Hücrede
Hedef Bulunma Durumu………………………………………… 34
Çizelge 4.5 HO ve İS-ÇYH SYAO VBS tekniği, PF=10-6, farklı M1,
M2, k2 ve w için c1 ve c2 değerleri…………………………….… 36
Çizelge 4.6 HO ve İS-ÇYH SYAO VBS tekniği, Son Taramada
Karıştırıcı Hedef Bulunma Durumu…………………….………. 39
Çizelge 4.7 HO ve İS-ÇYH SYAO VBS tekniği, L taramada
Bekleyen Hedef Bulunma Durumu……….…………….……… 40
Çizelge 4.8 HO ve İS-ÇYH SYAO VBS Tekniği, Son L Taramada
Bekleyen Hedef ve r2=2 Hücrede Bekleyen Karıştırıcı Hedef
Bulunma Durumu, r1=0 …………………………………….…… 41
ix
Çizelge 4.9 HO ve İS-ÇYH SYAO VBS Tekniği, Son L Taramada
Bekleyen Hedef Bulunma Durumu, r1=4, r2=2 ………………… 43
Çizelge 4.10 İS ve İS-ÇYH SYAO VBS tekniği, PF=10-6, farklı M1, k1
M2, k2 ve w için c1 ve c2 değerleri…………………………….… 44
Çizelge 4.11 İS ve İS-ÇYH SYAO VBS tekniği, Son Taramada
Karıştırıcı Hedef Bulunma Durumu…………………….………. 45
Çizelge 4.12 İS ve İS-ÇYH SYAO VBS tekniği, L taramada
Bekleyen Hedef Bulunma Durumu……….…………….……… 47
Çizelge 4.13 İS ve İS-ÇYH SYAO VBS Tekniği, Son L Taramada
Bekleyen Hedef Bulunma Durumu, r1=4, r2=2 ………………… 48
-6
Çizelge 5.1 HO ve İS SYAO VBS tekniği, PF=10 , farklı M1, M2 ve k2
için c1 ve c2 değerleri…………………………….………………. 52
Çizelge 5.2 Farklı Radar Teknikleri, L taramada Bekleyen Hedef
Bulunma Durumu……….…………….…………………………. 54
Çizelge 5.3 Farklı Radar Teknikleri, Son Taramada Karıştırıcı
Hedef Bulunma Durumu………………..……………….………. 55
Çizelge 5.4 Farklı Radar Teknikleri, Karıştırıcı ve Bekleyen Hedef
Bulunma Durumu …….…………………………………….…… 57
x
SİMGELER VE KISALTMALAR DİZİNİ
c : Eşik Değeri Çarpanı
ÇYH SYAO : Çevresel Yansıma Haritalamalı Sabit Yanlış Alarm

Oranı
HO SYAO : Hücre Ortalamalı Sabit Yanlış Alarm Oranı
HO ve ÇYH SYAO VBS : Hücre Ortalamalı ve Çevresel Yansıma

Haritalamalı Sabit Yanlış Alarm Oranlarına Dayalı
Veri Birleşim Sistemi
HO ve İS SYAO VBS : Hücre Ortalamalı ve İstatistiksel Sıralı Sabit Yanlış

Alarm Oranlarına Dayalı Veri Birleşim Sistemi
HO ve İS-ÇYH SYAO VBS : Hücre Ortalamalı ve İstatistiksel Sıralı Çevresel

Yansıma Haritalamalı Sabit Yanlış Alarm
Oranlarına Dayalı Veri Birleşim Sistemi
HO-ÇYH SYAO : Hücre Ortalamalı Çevresel Yansıma Haritalamalı

Sabit Yanlış Alarm Oranı
ICR : Karıştırıcı Hedef Gücünün, Çevresel Yansıma

Gücüne Oranı
İS SYAO : İstatistiksel Sıralı Sabit Yanlış Alarm Oranı
İS-ÇYH SYAO : İstatistiksel Sıralı Çevresel Yansıma Haritalamalı

Sabit Yanlış Alarm Oranı
k : Sıra Sayısı
L : Bekleyen Hedefin Beklediği Tarama Sayısı
M : Pencere Boyutu
SYAO : Sabit Yanlış Alarm Oranı
PD : Sezim Olasılığı
PF : Yanlış Alarm Olasılığı
r : Karıştırıcı Hedef Sayısı
SCR : Sinyal Gücünün, Çevresel Yansıma Gücüne Oranı
VBS : Veri Birleşim Sistemi
w : Ağırlık Katsayısı
Z : Eşik Değeri Kestirimi
xi
SÖZLÜK
Başarım : Performance
Çevresel Yansıma Haritalamalı : Clutter Map
Eşik Değeri : Threshold
Hücre Ortalamalı (HO) : Cell Averaging (CA)
Isıl Gürültü : Thermal Noise
İstatistiksel Sıralı (İS) : Ordered Statistic (OS)
Kare-alan Alıcı : Square Law Detector
Sabit Yanlış Alarm Oranı (SYAO) : Constant False Alarm Rate (CFAR)
Sezim : Detection
Tektür : Homogeneous
Veri Birleşim Sistemi : Data Fusion System
Yanlış Alarm : False Alarm
xii
1. GİRİŞ
Radarın temel işlevi, elektromanyetik dalga göndererek, herhangi bir nesne veya
hedeften yansıyan, geri dönen sinyalleri algılamak ve sezimlemektir. Radar
alıcısına geri dönen sinyaller sadece sezimlenmesi istenen hedeften kaynaklı
değildir. “Çevresel yansıma” diye adlandırılan, hedefin sezimini güçleştirici
istenmeyen yansımalar da radar alıcısına geri döner. Bu sinyaller kayalık, ağaç,
rüzgar, dalga, bulut veya hedef dışı başka bir nesne kaynaklı olabilir.
Radar alıcısına gelen sinyal, gerçek bir hedeften olabileceği gibi, “çevresel
yansıma”lardan gelen sinyaller veya ısıl gürültü olabilir. Radar işlemcisi, almış
olduğu bu sinyali bir eşik seviyesi ile kıyaslayarak hedef olup olmadığına karar
verir. Dolayısıyla, hedeften yansıyan sinyal gücü kadar, eşik seviyesinin kestirimi
de radar sistemlerinin başarımı için büyük bir önem taşır.
Radar alıcı mekanizması, gelen sinyal üzerinde iki farklı karar alabilir:
1. Hedef var: Radar alıcısına gelen sinyal seviyesi, eşik değeri

kestiriminden yüksektir.
2. Hedef yok: Radar alıcısına gelen sinyal seviyesi, eşik değeri

kestiriminden düşüktür.
Hedefin bulunma/bulunmama durumuna göre, alınan kararlar farklı şekilde

isimlendirilir:
1. Sezim, hedef varken, radar alıcısının hedef var kararı vermesidir.
2. Kaçırma, hedef varken, radar alıcısının hedef yok kararı vermesidir.
3. Yanlış alarm, hedef yokken, radar alıcısının hedef var kararı vermesidir.
Klasik radar işlemcileri, ortamın çevresel yansımasına ait istatistiksel dağılımın,

parametreleriyle beraber bilindiği varsayımıyla tasarlanır ve sabit bir eşik değeri ile
çalışır. Fakat ortamın değiştiği veya bilinemediği durumlarda, klasik radar
işlemcilerinin başarımları ciddi şekilde düşmektedir. Bu tür durumlarda, sabit yanlış
alarm oranı (SYAO) sezimleme tekniği kullanılmaktadır (Finn ve Johnson, 1968).
1
SYAO tekniğinde, ortalama çevresel yansıma gücü kestirilerek uyarlanır bir eşik
değeri belirlenir. Eşik değeri, yanlış alarm olasılığının istenen değerde olmasını
sağlayan sabit bir c çarpanı ve eşik değeri kestirimi olan Z değerinden oluşur. Bu
teknikte, çevresel yansımanın dağılım türünün bilindiği varsayılır. Bu çalışmada,
çevresel gürültü genliğinin dağılım türü, matematiksel analizinin kolay olması
sebebiyle Rayleigh kabul edilmiştir.
İstenen SYAO’yu başarmak için iki temel teknik kullanılır.
İlki, sezimin yapılacağı taramada, test hücresinin eşik seviyesini belirlemek için,
ona komşu hücrelerin sezimleyici çıkışı sinyal seviyelerini kullanmaktır. Söz
konusu SYAO işlemcilerinden bazıları: Hücre Ortalamalı SYAO (Finn ve Johnson,
1968; Steenson, 1968; Mitchell ve Walker, 1971; Dillard, 1974; Nitzberg, 1978;
Moore ve Lawrence, 1980; Weiss 1982); En Büyük SYAO (Hansen, 1973; Hansen
ve Sawyers, 1980); En Küçük SYAO (Trunk, 1978); ve İstatistiksel Sıralı (İS)
SYAO (Rohling, 1983)’dur. Bu işlemcilerin dışında, komşu hücrelerin sezimleyici
çıkışı sinyal seviyelerini kullanan daha pek çok benzer yapı SYAO olarak
önerilmiştir. Bu işlemciler ortamdaki çevresel yansıma dağılımlarına göre
birbirlerine üstünlük/zayıflık gösterirler.
İkincisi, çevresel yansıma haritalamalı (ÇYH) tekniktir. Bu teknikte, eşik değerini

belirlemek için aynı hücrenin daha önceki hedef olmadığı kabul edilerek alınan
örnekleri, ağırlıklandırılarak kullanılmaktadır. Bu tekniğe ait şema Şekil 1.1’de
verilmiştir.
Detektör
Çıkışı X(n) w - Ağırlık wX(n) Z(n)
(.)2 ∑
Katsayısı
X(n) (1-w)Z(n-1)
Z(n-1) Tarama Z(n-1)

(1-w) c HEDEF
Periyodu cZ(n-1)
VAR
>
<
X(n) HEDEF
YOK
Şekil 1.1 Çevresel Yansıma Haritalamalı SYAO Radar Modeli
Bu teknikte, n’ninci tarama için eşik değeri Z (n) , hücrenin önceki taramaları
sezimleyici çıkışı sinyal seviyelerinin ağırlıklandırılmış ortalamasıdır. Hedef var/yok
durumuna karar, son taramada test hücresi sezimleyici çıkışı sinyal seviyesinin,
önceki taramalardan elde edilmiş eşik değeri ile karşılaştırılmasıyla verilir.
2
n’ninci tarama için eşik değeri şöyledir:
Z (n)  wX (n)  (1  w)Z (n 1) (1.1)
Denklem (1.1), kendi içinde yerine konulursa, denklem (1.2) elde edilir.
Z (n)  wX (n)  w(1  w) X (n 1)  w(1  w) 2 X (n  2)  w(1  w)3 X (n  3)  ... (1.2)
Bu teknik, ilk olarak Nitzberg tarafından önerilmiştir (Nitzberg, 1986). Sadece test
hücresinin geçmişteki taramalarını kullandığı için, ortamdaki çevresel yansımanın
sezime etkisi yoktur. Fakat test hücresinin önceki taramalarında, bekleyen hedef
bulunması durumunun sezime olumsuz etkisi, Lops ve Orsini tarafından analiz
edilmiştir (Lops ve Orsini, 1989). Bu etkiyi kaldırmak için farklı teknikler
önerilmiştir: L filtrelemeli ÇYH (Lops, 1996); L filtrelemeli, İstatistiksel Sıralı ÇYH
(İS-ÇYH) (Conte, Lops ve Tulino, 1997); İki parametreli ÇYH (Naldi, 1999); İS-
ÇYH ve Hücre Ortalamalı ÇYH (HO-ÇYH) (Shan, Tao, Wang ve Zhou, 2002); Çok
boyutlu ÇYH (Shan, Tao, Wang ve Zhou, 2004); Kompleks SYAO (Ebrahimian,
2005).
Veri birleşim sistemi (VBS), birden fazla SYAO işlemcisinin kararlarını

değerlendirerek karar veren mekanizmadır. Bu teknikte, her bir işlemcinin yerel
eşik değeri ve karar mekanizması vardır. Hedef var/yok durumuna karar, yerel
SYAO işlemci kararlarının VBS’de değerlendirilmesiyle verilir. Bu tekniğin avantajı,
tek işlemcili SYAO’lara göre, sezimin daha yüksek olması ve kullanılan iki tekniğin
avantajlarının birleştirilmesidir. VBS’nin farklı teknikler ile analizleri
gerçekleştirilmiştir (Barkat ve Varshney, 1989; Üner ve Varshney, 1995; Han,
Varshney ve Srinivasan, 1983).
Bu çalışmada prensip olarak, eşik seviyesini belirlemek için sadece son taramayı
değerlendiren teknik ile, eşik seviyesini belirlemek için önceki taramaları kullanan
teknik, VBS ile birleştirilerek yeni bir SYAO tekniği önerilmiştir. Özelde ise, son
taramayı değerlendiren tekniklerden HO SYAO; önceki taramaları değerlendiren
tekniklerden ise İS-ÇYH SYAO tekniği, VBS’de birleştirilmiştir. HO SYAO
tekniğinin seçilmesinin sebebi, tektür ortamda en yüksek sezimi elde etmek, İS-
ÇYH SYAO tekniğinin seçilmesinin sebebi ise bekleyen ve karıştırıcı hedef
durumlarından etkilenmeyi en aza indirmektir.
3
Bölüm 2’de eşik değerini belirlemek için son taramayı kullanan tekniklerden HO
SYAO ve İS SYAO işlemcilerinin analizleri gerçekleştirilmiştir.
Bölüm 3’te, eşik değerini belirlemek için önceki taramaları kullanan tekniklerden
ÇYH SYAO, HO-ÇYH SYAO ve İS-ÇYH SYAO tekniklerinin analizleri
gerçekleştirilmiştir. İS-ÇYH SYAO tekniğinin tektür olmayan ortam için sezim
denklemi, ilk defa çıkartılmıştır.
Bölüm 4.1’de, HO SYAO işlemcisi ile ÇYH SYAO işlemcisini VBS’de birleştiren
yeni bir SYAO işlemcisi önerilmiş, tektür ve tektür olmayan ortam için analitik
denklemler çıkartılmış ve başarım analizleri yapılmıştır.
Bölüm 4.2’de, HO SYAO işlemcisi ile İS-ÇYH SYAO işlemcisini VBS’de birleştiren
yeni bir SYAO işlemcisi önerilmiş, tektür ve tektür olmayan ortam için analitik
denklemler çıkartılmış ve başarım analizleri yapılmıştır.
Bölüm 5’te, tezin önceki bölümlerinde analiz edilen tekniklerin karşılaştırmalı

performans analizleri gerçekleştirilmiştir. Böylece farklı çevre şartları ve hedef
durumları için işlemcilerin başarımları, birbirleriyle karşılaştırmalı olarak analiz
edilmiştir.
4
2. UYARLANIR SABİT YANLIŞ ALARM ORANI İŞLEMİ
Otomatik hedef tespiti yapan radarlarda tespit işlemi, test hücresi sezimleyici çıkış
voltaj seviyesinin, eşik değeri ile karşılaştırılmasıyla yapılır. Eşik değerinin
belirlenmesi için kullanılan metotlardan en yaygını Sabit Yanlış Alarm Oranıdır
(SYAO). İstenen SYAO’yu başarmak için kayan pencere tekniği yaygın bir biçimde
kullanılır. İlgili teknikte, test hücresinin eşik değerini belirlemek için, ona komşu
hücrelerin sezimleyici çıkışı sinyal seviyelerinin ortalaması kullanılır (Finn ve
Johnson, 1968). Bu tekniğin farklı uyarlamaları, değişik çevre şartları için daha
avantajlı olacak şekilde geliştirilmiştir (Gandhi ve Kassam, 1988), (Weiss, 1982).
Bölüm 2.1 ve 2.2’de, SYAO metodu olarak yaygın bir şekilde kullanılan
tekniklerden, komşu hücrelerin sezimleyici çıkışı sinyal seviyeleri kullanılanlar
anlatılacaktır
2.1. Hücre Ortalamalı SYAO
2.1.1 Tektür ortam
Test hücresinin eşik değerini belirlemek için, ona komşu hücrelerin sezimleyici
çıkışı sinyal seviyelerinin ortalamasını kullanan tekniğe Hücre Ortalamalı SYAO
(HO SYAO) denir.
İlgili teknikte M hücreli bir referans penceresinde bulunan hücrelerin sezimleyici

çıkışı sinyal seviyelerinin aritmetik ortalaması eşik seviyesi olarak kullanılır.
M
1
Z ( n) 
M
 x ( n)
i 1
i (2.1)
Denklem (2.1)’de n , tarama sayısı, Z (n) , n’ninci tarama için eşik seviyesi; M ,
referans pencere hücre sayısı; X i (n) ise i hücresi için sezimleyici çıkışı voltaj
seviyesidir.
Test hücresinde hedef bulunma durumuna (2.2)’deki eşitsizlik ile karar verilir.
H1

X ( n) cZ (n) (2.2)

H0
5
Eşitsizlik (2.2)’de, X (n) , n’ninci tarama için test hücresi sezimleyici çıkışı sinyal
seviyesi; cZ (n) , uyarlanır eşik seviyesi; c ise istenen ortalama sabit yanlış alarm
oranını sağlamak için kullanılan sabittir.
Bu tekniğe ait şema Şekil 2.1’de verilmiştir.
M adet
(.)2
Detektör
Çıkışı
1/M∑ c
HEDEF
cZ(n) VAR
>
<
X(n) HEDEF
YOK
Test Hücresi
Çıkışı
Şekil 2.1 Hücre Ortalamalı SYAO Radar Modeli
HO SYAO’ya ait yanlış alarm ve sezim denklemleri literatürde sıkça kullanılmıştır

(Weiss, 1982).
Sezim olasılığı PD ve yanlış alarm olasılığı PF denklemleri (2.3) ve (2.4)’teki gibidir.
M
 c 
PD  1   (2.3)
 (1  SCR) 
PF  (1  c) M (2.4)
Denklem (2.3)’te SCR , Swerling I hedef tipi sinyal gücünün Gauss dağılımlı ısıl ve
çevresel gürültü gücüne oranıdır.
İstenen sabit yanlış alarm oranını yakalamak için c değerinin belirlenmesi

gerekmektedir. Denklem (2.4)’e göre, farklı pencere boyutları M için c değeri
6
değişecektir. Analizlerde kullanılacak M değerleri ve 10 -6±%1 yanlış alarm oranı
için c değerleri Çizelge 2.1’de verilmiştir.
Çizelge 2.1 HO SYAO tekniği, PF=10-6 ve farklı M için c değerleri
HO SYAO için c değerleri, PF  106
M c
12 2.160
16 1.370
20 0.995
PF=10-6 için, HO SYAO tekniği sezim olasılığının hedef gücü ile değişimi Şekil
2.2’de verilmiştir.
HO SYAO icin P D
1
M=12
0.9 M=16
M=20
0.8
0.7
Sezim Olasılığı PD
0.6
0.5
0.4
0.3
0.2
0.1
0
0 5 10 15 20 25 30 35 40
Hedef Gücü - SCR(dB)
Şekil 2.2 HO SYAO Farklı M Değerleri İçin Sezim Olasılığı Grafiği, PF=10-6
7
2.1.2 Tektür olmayan ortam
Referans penceresindeki M hücreden r tanesinde ICR  SCR gücünde karıştırıcı

hedef varsa sezim olasılığı denklem (2.5)’teki (Weiss, 1982) gibidir.
r r M
 (1  ICR)   c 
PD  1  c  1   (2.5)
 1  SCR   (1  SCR) 
Sezim olasılığının, referans penceresinde r tane karıştırıcı hedef

(ICR=SCR=20dB) bulunmasına göre değişimi Şekil 2.3’te verilmiştir. ICR, Swerling
I hedef tipi sinyal gücünün Gauss dağılımlı ısıl ve çevresel gürültü gücüne oranıdır.
Tezdeki tüm analizlerde, karıştırıcı hedef gücü, test hücresindeki hedef gücü ile
aynı kabul edilmiştir (ICR=SCR).
HO SYAO için P D'nin r'ye Göre Değişimi

0.9
M=12
0.8 M=16
M=20
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 1 2 3 4 5 6 7 8 9
Hedef Bulunan Hücre Sayısı r
Şekil 2.3 HO SYAO Sezim Olasılığının Hedef Bulunan Hücre Sayısına (r) Göre
Değişimi, ICR=SCR=20dB, PF=10-6
8
2.2. İstatistiksel Sıralı SYAO
2.2.1 Tektür ortam
Test hücresinin eşik değerini belirlemek için, ona komşu hücrelerin sezimleyici
çıkışı sinyal seviyelerinin küçükten büyüğe sıralı örneklerinin k’nıncısını kullanan
tekniğe İstatistiksel Sıralı SYAO (İS SYAO) denir.
İlgili teknikte M hücreli bir referans penceresinde bulunan hücrelerin sezimleyici

çıkışı sinyal seviyeleri küçükten büyüğe sıralanır. k’nıncı sıradaki sinyal
seviyesi x k  (n) , eşik değeri Z (n) olarak seçilir.
x(1)(n)≤ x(2)(n)≤.... ≤x(M)(n)
Z (n)  x k  (n) (2.6)
Test hücresinde hedef bulunma durumuna (2.7)’deki eşitsizlik ile karar verilir.
H1

X ( n) cZ (n) (2.7)

H0
Bu tekniğe ait şema Şekil 2.4’te verilmiştir.
M adet
(.)2
Detektör
Çıkışı
k’nıncı
c
seçici
HEDEF
cX(k)(n) VAR
>
<
X(n) HEDEF
Test Hücresi YOK
Çıkışı
Şekil 2.4 İstatistiksel Sıralı SYAO Radar Modeli
İS SYAO yanlış alarm ve sezim denklemlerinin çıkarımları Ek 1’de verilmiştir.
9
Sezim olasılığı ve yanlış alarm olasılığı denklemleri (2.8) ve (2.9)’daki gibi elde
edilmiştir.
k 1
( M  i)
PD   (2.8)
c
i 0
(M  i  )
1  SCR
k 1
(M  i)
PF   (2.9)
i 0 ( M  i  c)
İstenen sabit yanlış alarm oranını tutturmak için c değerinin belirlenmesi

gerekmektedir. Denklem (2.9) incelendiğinde, farklı pencere boyutu M, sıra sayısı
k için c değeri değişecektir. Analizlerde kullanılacak M, k değerleri ve 10 -6±%1
yanlış alarm oranı için c değerleri Çizelge 2.2’de verilmiştir.
Analizlerde M=16 için k=12,13 ve 14 seçilmiştir. 14, tektür ortamda sezimin en

yüksek olduğu değerdir. Diğer değerler ise sistemin karıştırıcı hedefe karşı daha
dayanıklı olması için 12 ve 13 seçilmiştir.
M=8 için ise k=4,5 ve 6 seçilmiştir. Bu değerler ise sistemin karıştırıcı hedeflere
karşı dayanıklı olacağı düşünülen değerlerdir. İS-ÇYH SYAO sisteminde
kullanılacak değerlerin İS SYAO karşılıkları olarak analiz edilmiştir.
Çizelge 2.2 İS SYAO tekniği, PF=10-6, farklı M ve k için c değerleri
M k C
8 4 195.455
8 5 86.186
8 6 46.611
16 12 20.929
16 13 16.933
16 14 13.674
10
PF=10-6 için İS SYAO tekniği sezim olasılığının hedef gücü ile değişimi Şekil 2.5’te
verilmiştir.
İS SYAO için P D
1
M=16 k=12
0.9 M=16 k=13
M=16 k=14
0.8
M=8 k=4
M=8 k=5
0.7
M=8 k=6
0.6
0.5
0.4
0.3
0.2
0.1
0
0 5 10 15 20 25 30 35 40
Şekil 2.5 İS SYAO Farklı M ve k Değerleri için Sezim Olasılığı Grafiği, PF=10-6
PF=10-6 için İS SYAO tekniği sezim olasılığının M=16 pencere boyutu için sıra
sayısı k’ya göre değişimi Şekil 2.6’da verilmiştir.
İS SYAO için P D
0.8
M=16
0.79
0.78
0.77
0.76
0.75
0.74
0.73
0.72
0.71
0.7
9 10 11 12 13 14 15
Sinyal Sıra Değeri k
Şekil 2.6 İS SYAO M=16 için Sezim Olasılığının k’ya gore değişimi, PF=10-6
11

hedef varsa sezim olasılığı denklemi (2.10)’daki gibi elde edilir (Bkz. Ek 1).
 l  i  l 
M min( i , M  r ) M  r    (1) j1  j2
c   r  l i  l
 j1  j2 
PD       
1  SCR i k l max(0,i r )  l  i  l  j1 0 j2 0 M  r  l  c  j  ( j2  r  i  l )
1  ICR 1  ICR
1
(2.10)
Sezim olasılığının, 20 dB gücünde (ICR=SCR=20 dB) farklı sayıda karıştırıcı hedef

(r) bulunmasına göre değişimi Şekil 2.7’de verilmiştir.
İS SYAO için P D'nin r'ye Göre Değişimi

0.8
M=16 k=12
0.7 M=16 k=13
M=16 k=14
M=8 k=4
0.6
M=8 k=5
M=8 k=6
0.5
0.4
0.3
0.2
0.1
0
0 1 2 3 4 5 6
Şekil 2.7 İS SYAO Sezim Olasılığının Hedef Bulunan Hücre Sayısına (r) Göre
12
3. ÇEVRESEL YANSIMA HARİTALAMALI SYAO ANALİZİ
Otomatik hedef tespiti yapan radarlarda, eşik değerini belirlemek için hücrenin
daha önceki hedef olmadığı kabul edilerek alınan örnekleri kullanan teknikler
üretilmiştir (Nitzberg, 1986). Bu tür tekniklere Çevresel Yansıma Haritalamalı
SYAO (ÇYH-SYAO) denir. Bu tekniğin avantajı, her hücreye kendi karakteristiğine
göre bir eşik değeri atandığı için tektür olmayan çevresel ortamın (sert yansıma
geçişleri ve çoklu hedef durumu) etkisi, başarıma etki etmez. Fakat test
hücresinde sonuncudan önceki taramalarda bulunan hedef (bekleyen hedef),
başarımı ciddi şekilde etkilemeye başlar.
Bu etkilenmeyi azaltmak için, yeni teknikler önerilmiştir. Bu teknikler, eşik

seviyesini belirlemek için sadece test hücresinin sezimleyici çıkışı sinyal seviyesi
yerine, her taramada ona komşu hücrelerin sezimleyici çıkışı sinyal seviyelerinin
ortalamasını, sıralı istatistiğini (Shan, Tao, Wang ve Zhou, 2002) veya bunların
farklı uyarlamalarını kullanır. Sadece tek bir hücrenin geçmişteki taramalarını
kullanan tekniğe göre, bekleyen hedef durumundaki başarımı artsa da, geçmişteki
taramalarda karıştırıcı hedef durumunda başarımı azalmıştır.
Bölüm 3.1, 3.2 ve 3.3’te SYAO metotu olarak çevresel yansıma haritalamalı
teknikler anlatılacaktır.
3.1. Çevresel Yansıma Haritalamalı SYAO
3.1.1 Tektür ortam
Test hücresinin eşik değerini belirlemek için, aynı hücrenin daha önceki
taramalarını ağırlıklandırarak kullanan tekniğe Çevresel Yansıma Haritalamalı
SYAO (ÇYH SYAO) denir.
İlgili teknikte n’ninci tarama için kare alıcı sezimleyicinin çıkışı X (n) , önceki
taramalardan elde edilmiş uyarlanır eşik değeri cZ (n  1) ile karşılaştırılır. Eşik
değeri ise test hücresinin geçmiş taramalarından elde edilen sinyal seviyelerinin
ağırlıklandırılmış toplamıdır.
Z (n)  wX (n)  (1  w)Z (n 1) (3.1)
13

Z (n)   w.(1  w)l X (n  l ) (3.2)
l 0
Denklem (3.1) ve (3.2)’de yer alan w çevresel yansıma haritalamalı teknikler için
ağırlık katsayısıdır. w , önceki taramaların eşik değeri tahminindeki ağırlığını
belirler. w değeri arttıkça, son taramaların eşik değerindeki ağırlığı artar ve sistem
değişikliklere daha çabuk uyarlanır hale gelir. w değerinin azalması ise sistemin
daha eski taramalardan da veri kullanmasını, böylece Tektür ortamda daha yüksek
performans elde etmesini sağlar.
Detektör
Çıkışı X(n) w - Ağırlık wX(n) Z(n)
(.)2 ∑
Katsayısı
X(n) (1-w)Z(n-1)
Z(n-1) Tarama Z(n-1)

(1-w) c HEDEF
Periyodu cZ(n-1)
VAR
>
<
X(n) HEDEF
YOK
Şekil 3.1 Çevresel Yansıma Haritalamalı SYAO Radar Modeli
ÇYH SYAO yanlış alarm ve sezim denklemlerinin çıkarımları Ek 2’de verilmiştir.
Sezim olasılığı ve yanlış alarm olasılığı denklemleri (3.3) ve (3.4)’deki gibi elde
edilmiştir.
 
  1 
PD     (3.3)
l 0  cw(1  w)l 
 1  
 1  SCR  

 1 
PF    l 
(3.4)
l  0 1  cw(1  w) 

gerekmektedir. Denklem (3.4) incelendiğinde, farklı w ağırlık katsayıları için c
değerinin değiştiği görülür. c ’nin hesaplanabilmesi için (3.4)’teki sonsuz ifade
14
yerine sonlu bir değer bulunması gerekmektedir. Bulunan değer c ’nin ve yanlış
alarm oranının doyuma ulaştığı, artık değişmediği nokta olmalıdır.
Farklı ağırlık değeri w ve tarama sayısı n değerleri için c , yanlış alarm oranı ve
sezim oranı değerleri Çizelge 3.1’de verilmiştir. Yanlış alarm oranı 10 -6±%1
aralığında seçilmiştir.
Çizelge 3.1 ÇYH SYAO tekniği, PF=10-6, farklı n ve w için c değerleri
w=1/8
n 50 100 250 500 1000
c 20.979 20.931 20.931 20.931 20.931
PFA*106 1.009 1.009 1.009 1.009 1.009
w=1/16
n 50 100 250 500 1000
c 18.040 17.085 17.047 17.047 17.047
PFA*106 1.009 1.009 1.009 1.009 1.009
w=1/32
n 50 100 250 500 1000
c 20.268 16.160 15.364 15.357 15.357
PFA*106 1.009 1.009 1.009 1.009 1.009
c sabitinin en geç doyuma ulaşması w=1/32 değerinde gerçekleşmiştir. Bu veriler

ışığında tarama sayısı n, 500 olarak kabul edilmiştir. c değerleri ise 500 tarama
sayısına karşılık gelen değerler olarak belirlenmiş ve analizlerde kullanılmıştır.
Farklı w ağırlıkları için seçilen c değerleri için yanlış alarm oranının tarama
sayısına göre değişimi grafiği, seçilen tarama sayısının doğruluğu için sağlama
olarak kabul edilebilir.
15
ÇYH SYAO için P F'nin n'ye Göre Değişimi
2
10
Yanlış Alarm Oranı PF*106 w=1/32 c=15.357
1
10
0
10
0 100 200 300 400 500 600 700 800 900 1000
Tarama Sayısı n
Şekil 3.2 ÇYH SYAO Yanlış Alarm Oranının Tarama Sayısına Göre Değişim
Grafiği
Farklı ağırlık katsayıları için sezim olasılığı grafiği Şekil 3.3’te verilmiştir.
ÇYH SYAO için P D

1
w=1/8
0.9 w=1/16
w=1/32
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 5 10 15 20 25 30 35 40
Şekil 3.3 ÇYH SYAO Farklı w Değerleri İçin Sezim Olasılığı Grafiği, PF=10-6
16
Son L taramada test hücresinde, hedef sinyal gücünün toplam gürültüye oranı
ICR  SCR olan hedef bulunursa, sezim olasılığı denklem (3.5)’teki gibi hesaplanır
(Bkz. Ek 2).
   
 L 1  n  
1 1
PD    .   (3.5)
l 0 
1  ICR  l  l L  cw(1  w) l

1 cw(1  w) 1
 1  SCR    
 1  SCR  
Son L taramada 20 dB gücünde (ICR=SCR=20dB) bekleyen hedef bulunma

durumunda sezim olasılığındaki değişim grafiği Şekil 3.4’te verilmiştir.
ÇYH SYAO için P D'nin L'ye Göre Değişimi

0.9
w=1/8
0.8 w=1/16
w=1/32
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 1 2 3 4 5 6 7 8 9 10
Hedef Bulunan Tarama Sayısı L
Şekil 3.4 ÇYH SYAO Sezim Olasılığının Hedef Bulunan Tarama Sayısına (L) Göre
17
3.2. Hücre Ortalamalı ÇYH SYAO
3.2.1 Tektür ortam
Test hücresinin eşik değerini belirlemek için, komşu hücrelerin daha önceki
taramalarının sezimleyici çıkışı sinyal seviyelerinin ortalamasını ağırlıklandırarak
kullanan tekniğe Hücre Ortalamalı ÇYH SYAO (HO-ÇYH SYAO) denir.
İlgili teknikte n’ninci tarama için kare alıcı detektörün çıkışı X (n) , önceki
taramalardan elde edilmiş uyarlanır eşik değeri cZ (n  1) ile karşılaştırılır. Eşik
değeri kestiriminde M hücreli referans penceresinde bulunan hücrelerin sezimleyici
çıkışı sinyal seviyelerinin ortalaması kullanılır.
M
x ( n)   x j ( n) / M (3.6)
j 1
x j (n) , n’ninci tarama için j’ninci hücrenin sezimleyici çıkışı sinyal seviyesidir. Eşik
değeri, farklı n taramalarında elde edilen değerlerin ağırlıklandırılmış toplamıdır.
Z (n)  wx(n)  w(1  w) x(n 1)  w(1  w)2 x(n  2)  ...  w(1  w) n x(0)

Z ( n)   h( n) x ( n ) (3.7)
n 0
h(n) ifadesi (3.8)’deki gibidir.
h(n)  w(1  w)n (3.8)
Bu tekniğe ait şema Şekil 3.5’te verilmiştir.
M adet
(.)2
Detektör
Çıkışı
x(n) w - Ağırlık wx(n) Z(n)

1/M∑ ∑
Katsayısı
(1-w)Z(n-1)
X(n)
Test Z(n-1) Tarama Z(n-1)
(1-w) c HEDEF
Hücresi Periyodu cZ(n-1)
> VAR
Çıkışı
<
X(n)
Şekil 3.5 Hücre Ortalamalı ÇYH SYAO Radar Modeli
18
HO-ÇYH SYAO yanlış alarm ve sezim denklemlerinin çıkarımları Ek 3’te
verilmiştir.
edilmiştir.

1
PD   ( )M (3.9)
cw (1  w) n
n 0
1
M (1  SCR)

1
PF   ( )M (3.10)
cw(1  w) n
n 0
1
M

gerekmektedir. Denklem (3.10) incelendiğinde, farklı w ağırlık katsayıları ve M
referans pencere boyutu için c değerinin değiştiği görülür. Yanlış alarm oranı
10-6±%1 ve tarama sayısı n 500 durumunda farklı w ve M değerleri için
hesaplanan c değerleri, Çizelge 3.2’de verilmiştir.
Çizelge 3.2 HO-ÇYH SYAO tekniği, PF=10-6, farklı M ve w için c değerleri
M W C
12 1/16 14.063
16 1/16 13.999
20 1/16 13.960
12 1/32 13.932
16 1/32 13.901
20 1/32 13.960
Farklı referans pencere boyutu ve ağırlık katsayıları için sezim olasılığı grafiği
Şekil 3.6’da verilmiştir.
19
HO-ÇYH SYAO için P D
1
M=12 w=1/16
0.9 M=16 w=1/16
M=20 w=1/16
0.8
M=12 w=1/32
M=16 w=1/32
0.7
M=20 w=1/32
0.6
0.5
0.4
0.3
0.2
0.1
0
0 5 10 15 20 25 30 35 40
Şekil 3.6 HO-ÇYH SYAO Farklı M ve w Değerleri İçin Sezim Olasılığı Grafiği,
PF=10-6
Şekil 3.6’da gösterilen farklı değerler için sezim olasılıkları yaklaşık aynı çıkmıştır.
3.3. İstatistiksel Sıralı ÇYH SYAO
3.3.1 Tektür ortam
Test hücresinin eşik değerini belirlemek için, komşu hücrelerin daha önceki
taramalarının sezimleyici çıkışı sinyal seviyelerinin küçükten büyüğe sıralı
durumundan k’nıncısını ağırlıklandırarak kullanan tekniğe İstatistiksel Sıralı ÇYH
SYAO (İS-ÇYH SYAO) denir.
İlgili teknikte n’ninci tarama için M hücreli bir referans penceresinde bulunan
hücrelerin sezimleyici çıkışı sinyal seviyeleri küçükten büyüğe sıralanır.
x(1)(n)≤ x(2)(n)≤.... ≤x(M)(n) (3.11)
k’nıncı sıradaki sinyal seviyesi x(k)(n) eşik değeri belirlemede kullanılır. Eşik değeri
ise x(k)(n) sinyal seviyesi ve geçmiş taramalarda k’nıncı sıradaki sinyal
seviyelerinin (x(k)(n-1), x(k)(n-2), ..) ağırlıklandırılmış toplamıdır.
20

Z (n)   h(n) x k  (n) (3.12)
n 0
h(n)  w(1  w)n (3.13)
M adet
(.)2
Detektör
Çıkışı
k’nıncı X(k)(n) w - Ağırlık wX(k)(n) Z(n)

∑
seçici Katsayısı
(1-w)Z(n-1)
X(n)
Test Z(n-1) Tarama Z(n-1)
(1-w) c HEDEF
Hücresi Periyodu cZ(n-1)
> VAR
Çıkışı
< HEDEF
X(n)
YOK
Şekil 3.7 İstatistiksel Sıralı ÇYH SYAO Radar Modeli
İS-ÇYH SYAO yanlış alarm ve sezim denklemlerinin çıkarımları Ek 4’te verilmiştir.
Sezim olasılığı ve yanlış alarm olasılığı denklemleri (3.14) ve (3.15)’teki gibi elde
edilmiştir.
 k 1
1
PD   (3.14)
cw(1  w) n
n 0 i 0
1
 M  i 1  SCR 
 k 1
1
PF   (3.15)
cw(1  w) n  m
n 0 i 0
1
M i

gerekmektedir. Denklem (3.15) incelendiğinde, farklı w ağırlık katsayısı, M
referans pencere boyutu ve k istatistiksel sıra değerleri için c değerinin değiştiği
görülür. Yanlış alarm oranı 10-6±%1 ve tarama sayısı n=500 durumunda, M=8 ve
farklı w , k değerleri için hesaplanan c değerleri, Çizelge 3.3’de verilmiştir.
21
Çizelge 3.3 İS-ÇYH SYAO tekniği, PF=10-6, farklı M, k ve w için c değerleri
M k w c
8 4 1/16 23.020
8 5 1/16 16.352
8 4 1/32 22.376
8 5 1/32 15.973
Farklı ağırlık katsayısı ve seçilen sinyalin sırası değerleri için sezim olasılığı grafiği
Şekil 3.8’de verilmiştir.
İS-ÇYH SYAO için P D

1
M=8 k=4 w=1/16
0.9 M=8 k=5 w=1/16
M=8 k=4 w=1/32
0.8
M=8 k=5 w=1/32
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 5 10 15 20 25 30 35 40
Şekil 3.8 İS-ÇYH SYAO Farklı M, k ve w Değerleri İçin Sezim Olasılığı Grafiği,
PF=10-6
Sezim grafiğinde, farklı katsayılara sahip radar tekniklerinin neredeyse aynı

başarıma sahip oldukları gözlenmiştir.
22

hedef ve son L taramada ICR  SCR gücünde bekleyen hedef varsa sezim
olasılığı denklemi değişir (Bkz. Ek4.2).
 l  i  l 
   (1) j1  j2
L 1
cw(1  w) n M min( i , M  r 1)
 M  r  1 r  1 l i l
 j1  j2 
PD        
n  0 (1  SCR ) i  k l  max(0,i  r 1)   i  l  j1 0 j2 0 M  r  1  l  cw(1  w)  j  ( j2  r  1  i  l )
n
l
(1  ICR) 1  ICR
1
 l  i  l  j1  j2
    (1)

cw(1  w) n M min( i , M  r )
 M r  r  l i l
 j1  j2 
x   
n  L (1  SCR ) i  k l  max(0,i  r ) 
  
l   i  l  j1 0 j2 0 cw(1  w) n ( j  r  i  l)
M r l   j1  2
(1  ICR) 1  ICR
(3.16)
Taramalarda r tane bekleyen karıştırıcı hedef bulunması durumunun grafiksel

gösterimi Çizelge 3.4’te verilmiştir. Gösterim için r, 2 kabul edilmiştir.
Çizelge 3.4 İS-ÇYH SYAO Tekniği, Son Taramada r Hücrede Hedef Bulunma
Durumu
Tarama Sayısı n n-1 n-2 n-3 n-4 n-5 n-6 n-7 n-8 n-9 n-10
Hücre 1
x x x x x x x x x x
Hücre 4
Test Hücresi x
Hücre 6
x x x x x x x x x x
Hücre 8
Taramalarda r tane bekleyen karıştırıcı hedef (ICR=SCR=20dB) bulunması

durumunuda sezim grafiğinin değişimi Şekil 3.9’da verilmiştir.
23
İS-ÇYH SYAO için P D'nin r'ye Göre Değişimi, L=0
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2 M=8 k=4 w=1/16

M=8 k=5 w=1/16
0.1 M=8 k=4 w=1/32
M=8 k=5 w=1/32
0
0 1 2 3 4 5 6
Şekil 3.9 İS-ÇYH SYAO Sezim Olasılığının Hedef Bulunan Hücre Sayısına (r)
Göre Değişimi, ICR=SCR=20dB, PF=10-6
Son L taramada bekleyen hedef bulunması, fakat karıştırıcı hedef bulunmaması

durumunun grafiksel gösterimi Çizelge 3.5’te verilmiştir. Gösterim için L, 3 kabul
edilmiştir.
Çizelge 3.5 İS-ÇYH SYAO Tekniği, Son L Taramada Bekleyen Hedef Bulunma
Durumu
Hücre 1
Hücre 4
Test Hücresi x x x x
Hücre 6
Hücre 8
Son L taramada bekleyen hedef (ICR=SCR=20dB) bulunması, fakat son taramada

karıştırıcı hedef bulunmaması durumunuda sezim grafiğinin değişimi Şekil 3.10’da
verilmiştir.
24
İS-ÇYH SYAO için P D'nin L'ye Göre Değişimi, r=0
1
0.9
0.8
0.7
0.6
0.5
M=8 k=4 w=1/16
0.4 M=8 k=5 w=1/16
M=8 k=4 w=1/32
M=8 k=5 w=1/32
0.3
0 1 2 3 4 5 6 7 8 9
Şekil 3.10 İS-ÇYH SYAO Sezim Olasılığının Hedef Bulunan Tarama Sayısına (L)
Göre Değişimi, ICR=SCR=20dB, PF=10-6
r=2 hücrede bekleyen karıştırıcı hedef ve son L taramada bekleyen hedef

bulunması durumunun grafiksel gösterimi Çizelge 3.6’da verilmiştir. Gösterim için
L, 3 kabul edilmiştir.
Çizelge 3.6 İS-ÇYH SYAO Tekniği, r=2 Bekleyen Karıştırıcı Hedef ve Son L
Taramada Bekleyen Hedef Bulunma Durumu
Hücre 1
x x x x x x x x x x
Hücre 4
Hücre 6
Hücre 8 x X x x x x x x x x
r=2 hücrede bekleyen karıştırıcı hedef ve son L taramada bekleyen hedef

(ICR=SCR=20dB) bulunması durumunuda sezim grafiğinin değişimi Şekil 3.11’de
verilmiştir.
25
İS-ÇYH SYAO için P D'nin L'ye Göre Değişimi, r=2
1
0.9
0.8
0.7
0.6
0.5
M=8 k=4 w=1/16
0.4 M=8 k=5 w=1/16
M=8 k=4 w=1/32
M=8 k=5 w=1/32
0.3
0 1 2 3 4 5 6 7 8 9
Şekil 3.11 İS- ÇYH SYAO Sezim Olasılığının Hedef Bulunan Tarama Sayısına (L)
Göre Değişimi, r=2, ICR=SCR=20dB, PF=10-6
26
4. VERİ BİRLEŞİM SİSTEMLİ SYAO ANALİZİ
SYAO Radarlarında eşik değerini belirlemek için kullanılan iki temel teknik vardır:
komşu hücrelerin sinyal seviyelerini kullananlar ve geçmişteki taramalardan elde
edilen sinyal seviyelerini kullananlar kullananlar. Ayrıca literatürde bu ikisini hibrid
olarak kullanan teknikler, tezin 2. ve 3. bölümünde analiz edilmiştir.
Bölüm 4.1, 4.2 ve 4.3’te iki durum için de başarım sağlayacağı düşünülen yeni
birleşik teknikler önerilmiş ve analizleri gerçekleştirilmiştir.
Önerilen birleşik teknikler, komşu hücrelerin sinyal seviyelerini kullanan teknik ile
geçmişteki taramaları kullanan tekniğin karar mekanizma çıkışlarını veri birleştirme
(data fusion) (Barkat ve Varshney, 1989) merkezinde işleyerek tek bir çıkış veren
sistemlerdir.
Bekleyen hedefin başarımı olumsuz etkilemesini engellemek ve tektür ortamda

yüksek sezim elde etmek için Hücre Ortalamalı ve İstatistiksel Sıralı, çoklu hedefin
başarımı etkilememesi için ise Çevresel Yansıma Haritalamalı ve İstatistiksel Sıralı
ÇYH teknikleri kullanılmıştır. Veri birleştirme merkezinde ise j işlemciden en az biri
kuralı (veya kuralı) kullanılmıştır (Üner ve Varshney, 1996).
4.1. Hücre Ortalamalı ve Çevresel Yansıma Haritalamalı SYAO’larına Dayalı

Veri Birleşim Sistemi
4.1.1 Tektür ortam
Test hücresinde hedef var/yok durumuna karar vermede Hücre Ortalamalı ve

Çevresel Yansıma Haritalamalı tekniklerinin kararlarını kullanan sisteme HO ve
ÇYH SYAO’lara dayalı Veri Birleşim Sistemi denir.
Sezim ve yanlış alarm olasılığı, yerel radarların sezim ve yanlış alarm oranlarının
“veya” kuralı ile birleşiminden elde edilir (Üner ve Varshney, 1996).
PD  PD1  PD2  PD1 PD2 (4.1)
PF  PF1  PF2  PF1 PF2 (4.2)
27
PD1 ve PF1 HO SYAO tekniğine ait yerel sezim ve yanlış alarm oranıdır. PD2 ve
PF2 ise ÇYH SYAO tekniğine ait yerel sezim ve yanlış alarm oranıdır. PD ve PF ise
genel sezim ve yanlış alarm oranı olarak adlandırılır.
İki farklı sistemin bileşiminden meydana geldiği için, istenen SYAO’yu elde etmek
için her bir sezimleyicinin sabit çarpanlarını ( c1 ve c2 ) belirlemek gerekmektedir.
M adet
(.)2
Detektör
Çıkışı
Z1(n)
1/M∑ c1
HEDEF
c1Z1(n) VAR
>
<
Test Hücresi X(n) HEDEF HEDEF
Çıkışı YOK VERİ VAR
BİRLEŞİM
MERKEZİ HEDEF
YOK
X(n) w - Ağırlık wX(n) Z2(n)
∑
Katsayısı
(1-w)Z2(n-1)
Z2(n-1) Tarama Z2(n-1)

(1-w) c2 c2Z2(n-1) HEDEF
Periyodu
VAR
X(n) >
<
X(n) HEDEF
YOK
Şekil 4.1 HO ve ÇYH SYAO VBS Radar Modeli
HO ve ÇYH SYAO VBS yanlış alarm ve sezim denklemlerinin çıkarımları Ek 6’da

verilmiştir.
Sezim olasılığı ve yanlış alarm olasılığı denklemleri (4.3) ve (4.4)’teki gibi elde
edilmiştir.
   
 c1 
M
  1   c1 
M
 
1 
PD  1      1     
 (1  SCR)  n 0  c2 w(1  w) n   (1  SCR)  n 0  c2 w(1  w)
n

 1    1  
 1  SCR    1  SCR  
(4.3)
28

 1  
 1 
PF  (1  c1 ) M    n
 (1  c ) M
  n
(4.4)
n  0 1  c2 w(1  w)  n  0 1  c2 w(1  w) 
1
İstenen sabit yanlış alarm oranında en yüksek sezimi elde etmek için c1 ve c2
sabitlerinin seçimi kritiktir. Optimum c1 ve c2 iterasyon metodu ile bulunmuştur.
Yanlış alarm oranı 10-6±%1, tarama sayısı n=500 ve hedefin gürültüye oranı
SCR =15 dB’de en yüksek sezimi sağlayacak farklı M ve w değerleri için
hesaplanan c1 ve c2 değerleri, Çizelge 4.1’de verilmiştir.
Çizelge 4.1 HO ve ÇYH SYAO VBS tekniği, PF=10-6, farklı M ve w için c1 ve c2

değerleri
M W SCR c1 c2 PD
16 1/32 15 1.460 16.344 0.8021
16 1/16 15 1.463 18.209 0.7857
12 1/32 15 2.315 16.377 0.7794
12 1/16 15 2.323 18.230 0.761
29
HO ve ÇYH SYAO VBS için P D
1
M=16 ve w=1/32
0.9 M=16 ve w=1/16
M=12 ve w=1/32
0.8
M=12 ve w=1/16
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 5 10 15 20 25 30 35 40
Şekil 4.2 HO ve ÇYH SYAO VBS Farklı M ve w değerleri için sezim olasılığı
grafiği, PF=10-6
Son L taramada test hücresinde ICR  SCR gücünde hedef bulunması veya son
taramada M hücreli referans penceresinin r tanesinde ICR  SCR gücünde hedef
bulunması durumunda sezim olasılığı denklem (5.4)’teki gibi değişir.
   
  n  
r r M
 (1  ICR)c1   c1  L 1
1 1
PD  1  1  .  
 1  SCR   (1  SCR) 
 
l 0 
1
1  ICR 
c2 w(1  w)l  l  L 1  c2 w(1  w)
l

 1  SCR    1  SCR  
 
   
  n  
r r M
 (1  ICR)c1   c1  L 1
1 1
 1  1
1  SCR   (1  SCR) 
   
1  ICR 
.  
 c2 w(1  w)l  l  L 1  c2 w(1  w) 
l
l 0 
1
 1  SCR    1  SCR  
 
(4.5)
Son L taramada hedef bulunması fakat son taramada karıştırıcı hedef

bulunmaması durumunun grafiksel gösterimi Çizelge 4.2’de verilmiştir. Gösterimin
anlaşılırlığı için L, 4; M, 16 kabul edilmiştir.
30
Çizelge 4.2 HO ve ÇYH SYAO VBS Tekniği, Son L Taramada Bekleyen Hedef
Bulunma Durumu
Hücre 1
Hücre 2
Hücre 8
Test Hücresi x x x x x
Hücre 9
Hücre 16
Son L taramada bekleyen hedef (ICR=SCR=20dB) bulunması fakat son taramada

karıştırıcı hedef bulunmaması durumunuda sezim grafiğinin değişimi Şekil 4.3’te
verilmiştir.
31
HO ve ÇYH SYAO VBS için P D'nin L'ye Göre Değişimi, r=0
1
0.9
0.8
0.7
0.6
0.5
M=16 ve w=1/32
0.4 M=16 ve w=1/16
M=12 ve w=1/32
M=12 ve w=1/16
0.3
0 1 2 3 4 5 6 7 8 9
Şekil 4.3 HO ve ÇYH SYAO VBS Sezim Olasılığının Hedef Bulunan Tarama
Sayısına (L) Göre Değişimi, ICR=SCR=20dB, PF=10-6
Son taramada M referans penceresinin r tanesinde karıştırıcı hedef bulunması

durumunun grafiksel gösterimi Çizelge 4.3’te verilmiştir. Gösterimin anlaşılırlığı için
r, 4; M, 16 kabul edilmiştir.
Çizelge 4.3 HO ve ÇYH SYAO VBS Tekniği, r Hücrede Hedef Bulunma Durumu
Hücre 1
Hücre 2
x
x
Hücre 8
Test Hücresi x
Hücre 9
x
Hücre 16
32
Sadece son taramada M referans penceresinin r tanesinde karıştırıcı hedef
(ICR=SCR=20dB) bulunma durumuna göre sezim grafiğinin değişimi Şekil 4.4’te
verilmiştir.
HO ve ÇYH SYAO VBS için P D'nin r'ye Göre Değişimi, L=0

1
0.95
0.9
0.85
0.8
0.75
0.7
0.65
M=16 ve w=1/32
0.6 M=16 ve w=1/16
M=12 ve w=1/32
0.55
M=12 ve w=1/16
0.5
0 1 2 3 4 5 6 7 8 9
Şekil 4.4 HO ve ÇYH SYAO VBS Sezim Olasılığının Hedef Bulunan Hücre
Sayısına (r) Göre Değişimi, ICR=SCR=20dB, PF=10-6
Son 3 taramada bekleyen hedef (L=3) ve M referans penceresinin r tanesinde

karıştırıcı hedef bulunması durumunun grafiksel gösterimi Çizelge 4.4’te verilmiştir.
Gösterimin anlaşılırlığı için r, 4; M, 16 kabul edilmiştir.
33
Çizelge 4.4 HO ve ÇYH SYAO VBS Tekniği, Son L Taramada ve r Hücrede Hedef
Bulunma Durumu
Hücre 1
Hücre 2
x
x
Hücre 8
Hücre 9
x
Hücre 16
Son 3 taramada bekleyen hedef (L=3) ve M referans penceresinin r tanesinde

karıştırıcı hedef (ICR=SCR=20dB) bulunma durumunda sezim grafiğinin değişimi
Şekil 4.5’te verilmiştir.
HO ve ÇYH SYAO VBS için P D'nin r'ye Göre Değişimi, L=3

0.9
M=16 ve w=1/32
0.8 M=16 ve w=1/16
M=12 ve w=1/32
0.7 M=12 ve w=1/16
0.6
0.5
0.4
0.3
0.2
0.1
0
0 1 2 3 4 5 6 7 8 9
Şekil 4.5 HO ve ÇYH SYAO VBS Sezim Olasılığının L=3 durumunda Hedef
Bulunan Hücre Sayısına (r) Göre Değişimi, ICR=SCR=20dB, PF=10-6
34
4.2. Hücre Ortalamalı ve İstatistiksel Sıralı ÇYH SYAO’larına Dayalı Veri
Birleşim Sistemi
4.2.1 Tektür ortam

İstatistiksel Sıralı ÇYH tekniklerinin kararlarını kullanan sisteme HO ve İS-ÇYH
SYAO’lara dayalı Veri Birleşim Sistemi denir.
“veya” kuralı ile birleşiminden elde edilir (Bkz. Denklem 4.1 ve 4.2). PD1 ve PF1 HO
SYAO tekniğine ait yerel sezim ve yanlış alarm oranıdır. PD2 ve PF2 ise İS-ÇYH
SYAO tekniğine ait yerel sezim ve yanlış alarm oranıdır. PD ve PF ise genel sezim
ve yanlış alarm oranı olarak adlandırılır.
Bu tekniğe ait şema Şekil 4.6’da verilmiştir.
M adet
(.)2
Detektör
Çıkışı
Z1(n)
1/M∑ c1
HEDEF
c1Z1(n) VAR
>
X(n) <
Test Hücresi X(n) HEDEF HEDEF
Çıkışı YOK VERİ VAR
BİRLEŞİM
MERKEZİ HEDEF
YOK
k’nıncı X(k)(n) w - Ağırlık wX(k)(n) Z2(n)

∑
seçici Katsayısı
(1-w)Z2(n-1)
Z2(n-1) Tarama Z2(n-1)

(1-w) c2 c2Z2(n-1) HEDEF
Periyodu
VAR
X(n) >
< HEDEF
X(n)
YOK
Şekil 4.6 HO ve İS-ÇYH SYAO VBS Radar Modeli
HO ve İS-ÇYH SYAO VBS yanlış alarm ve sezim denklemlerinin çıkarımları Ek

6’da verilmiştir.
edilmiştir.
35
 M1 k2 1
 c1  
1
PD  1     ...
 (1  SCR)  c2 w(1  w) n
n 0 i 0
1
 M 2  i 1  SCR 
 M1 k2 1
 c1  
1
 1    c2 w(1  w) n
(4.8)
 (1  SCR)  n 0 i 0
1
 M 2  i 1  SCR 
 k2 1  k2 1
1 1
PF  (1  c1 ) M1    (1  c )  M1
 (4.9)
c w(1  w) c w(1  w) n
n 1
n 0 i 0
1 2 n 0 i 0
1 2
M2  i M2  i
sabitlerinin seçimi kritiktir. Optimum c1 ve c2 iterasyon metotu ile bulunmuştur.
SCR =15 dB’de sezimi maksimize edecek farklı w ve k değerleri için hesaplanan
c1 ve c2 değerleri, Çizelge 4.5’te verilmiştir.
Çizelge 4.5 HO ve İS-ÇYH SYAO VBS tekniği, PF=10-6, farklı M1, M2, k2 ve w için
c1 ve c2 değerleri
M1 M2 k2 w SCR c1 c2
16 8 4 1/16 15 1.464 24.376
16 8 5 1/16 15 1.449 17.463
16 8 4 1/32 15 1.455 23.778
16 8 5 1/32 15 1.450 17.022
36
HO ve İS-ÇYH SYAO VBS için P D
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2 M1=16 ve M2=8, k=4, w=1/16

M1=16 ve M2=8, k=5, w=1/16
0.1 M1=16 ve M2=8, k=4, w=1/32
M1=16 ve M2=8, k=5, w=1/32
0
0 5 10 15 20 25 30 35 40
Şekil 4.7 Farklı M1, M2, k2 ve w değerleri için sezim olasılığı grafiği, PF=10-6
Son L taramada test hücresinde hedef bulunması veya son taramada M hücreli
referans penceresinin r tanesinde hedef bulunması durumunda sezim olasılığı
denklem (4.8)’deki gibi değişir.
37
 r1 r M
 1  ICR     L 1
c2 w(1  w) n M 2 min(i , M 2  r2 1)  M 2  r2  1 r2  1
1 1
c1
PD  1  c1  
 (1  SCR) 
1      l  i  l 
 1  SCR     n  0 (1  SCR ) i  k l  max(0,i  r2 1)   
 l  i  l  j1  j2
   (1)
l i l
 j1  j2 

c2 w(1  w) n
x  
j1  0 j2  0 c w(1  w) n ( j  r  1  i  l ) n  L (1  SCR)
M 2  r2  1  l  2  j1  2 2
(1  ICR) 1  ICR
 l  i  l 
   (1) j1  j2
M 2 min( i , M 2  r2 )
 M  r  r  l i  l
 j1  j2 
x    2 2  2   
i  k2 l  max(0,i  r2 )  l  i  l  j1 0 j2 0 c w(1  w) n ( j  r  i  l)
M 2  r2  l  2  j1  2 2
(1  ICR) 1  ICR
 r1 r M
 1  ICR     c2 w(1  w) n M 2 min(i , M 2  r2 1)  M 2  r2  1 r2  1
1 1 L 1
c1
 1  c1  
 (1  SCR) 
1     l  i  l 
 1  SCR     n 0 1  SCR i  k2 l  max(0,i  r2 1)   
 l  i  l  j1  j2
   (1)
l i l
 j1  j2 

c2 w(1  w) n
x  
M 2 r2  1  l  2  j1  2 2
(1  ICR) 1  ICR
 l  i  l  j1  j2
M 2 min( i , M 2  r2 )
    (1)
 M r  r  l i l
 j1  j2 
x    2 2  2   
i  k2 l  max(0,i  r2 )  l  i  l  j1 0 j2 0 c w(1  w) n ( j  r  i  l)
M 2  r2  l  2  j1  2 2
(1  ICR) 1  ICR
(4.8)
Son taramada karıştırıcı hedef bulunması fakat önceki taramalarda bekleyen

karıştırıcı hedef bulunmaması durumunun grafiksel gösterimi Çizelge 4.6’da
verilmiştir. Gösterimin anlaşılırlığı için r1, 4; M1, 16; M2, 8 kabul edilmiştir.
38
Çizelge 4.6 HO ve İS-ÇYH SYAO VBS Tekniği, Son Taramada Karıştırıcı Hedef
Bulunma Durumu
Hücre 1
Hücre 2
x
x
Hücre 8
Test Hücresi x
Hücre 9
x
Hücre 16
Son taramada karıştırıcı hedef (ICR=SCR=20dB) bulunması fakat önceki

taramalarda bekleyen karıştırıcı hedef bulunmaması durumunda sezim grafiğinin
r1’e göre değişimi Şekil 4.8’de verilmiştir.
HO ve İS-ÇYH SYAO VBS için P D'nin r1'e Göre Değişimi, L=0, r2=0
1
0.95
0.9
0.85
0.8
0.75
M1=16 ve M2=8, k=4, w=1/16

0.7
M1=16 ve M2=8, k=5, w=1/16
0.65 M1=16 ve M2=8, k=4, w=1/32

M1=16 ve M2=8, k=5, w=1/32
0.6
0 1 2 3 4 5 6 7 8 9
Hedef Bulunan Hücre Sayısı r1
Şekil 4.8 HO ve İS-ÇYH SYAO VBS Sezim Olasılığının Hedef Bulunan Hücre
Sayısına (r1) Göre Değişimi, ICR=SCR=20dB, PF=10-6
39
Sadece son L taramada test hücresinde bekleyen hedef bulunması durumunun
grafiksel gösterimi Çizelge 4.7’de verilmiştir. Gösterim için L, 3; M1, 16; M2, 8 kabul
edilmiştir.
Çizelge 4.7 HO ve İS-ÇYH SYAO VBS Tekniği, L Taramada Bekleyen Hedef

Bulunma Durumu
Hücre 1
Hücre 2
Hücre 8
Hücre 9
Hücre 16
Sadece son L taramada bekleyen hedef (ICR=SCR=20dB) bulunma durumuna

göre sezim grafiğinin değişimi Şekil 4.9’da verilmiştir.
HO ve İS-ÇYH SYAO VBS için P D'nin L'ye Göre Değişimi, r1=0, r2=0
1
0.95
0.9
0.85
0.8
0.75
M1=16 ve M2=8, k=4, w=1/16

0.7
M1=16 ve M2=8, k=5, w=1/16
0.65 M1=16 ve M2=8, k=4, w=1/32

M1=16 ve M2=8, k=5, w=1/32
0.6
0 1 2 3 4 5 6 7 8 9
Şekil 4.9 HO ve İS-ÇYH SYAO VBS Sezim Olasılığının Hedef Bulunan Tarama
40
Son taramada karıştırıcı hedef bulunmama (r1=0), önceki taramalarda 2 hücrede
bekleyen karıştırıcı hedef (r2=2) ve son L taramada bekleyen hedef bulunması
durumunun grafiksel gösterimi Çizelge 4.8’de verilmiştir. Gösterimin anlaşılırlığı
için L=3; M1=16; M2=8 kabul edilmiştir.
Çizelge 4.8 HO ve İS-ÇYH SYAO VBS Tekniği, Son L Taramada Bekleyen Hedef
ve r2=2 Hücrede Bekleyen Karıştırıcı Hedef Bulunma Durumu, r1=0
Hücre 1
Hücre 2
x x x x x x x x x x
Hücre 8
Hücre 9
x x x x x x x x x x
Hücre 16
Son taramada karıştırıcı hedef bulunmama (r1=0), önceki taramalarda 2 hücrede

bekleyen karıştırıcı hedef (r2=2) ve son L taramada bekleyen hedef
(ICR=SCR=20dB) bulunma durumuna göre sezim grafiğinin değişimi Şekil 4.10’da
verilmiştir.
41
1
0.95
0.9
0.85
0.8
0.75
M1=16 ve M2=8, k=4, w=1/16

0.7
M1=16 ve M2=8, k=5, w=1/16
0.65 M1=16 ve M2=8, k=4, w=1/32

M1=16 ve M2=8, k=5, w=1/32
0.6
0 1 2 3 4 5 6 7 8 9
Şekil 4.10 HO ve İS-ÇYH SYAO VBS Sezim Olasılığının r1=0, r2=2 durumunda
Hedef Bulunan Tarama Sayısına (L) Göre Değişimi, ICR=SCR=20dB,
PF=10-6
Son taramada karıştırıcı hedef bulunması (r1=4), önceki taramalarda 2 hücrede

bekleyen karıştırıcı hedef (r2=2) bulunması ve son L taramada bekleyen hedef
bulunması durumunun grafiksel gösterimi Çizelge 4.9’da verilmiştir. Gösterimin
anlaşılırlığı için L=3; M1=16; M2=8 kabul edilmiştir.
42
Çizelge 4.9 HO ve İS-ÇYH SYAO VBS Tekniği, Son L Taramada Bekleyen Hedef
Bulunma Durumu, r1=4, r2=2
Hücre 1
Hücre 2
x
x x x x x x X x x x x
Hücre 8
Hücre 9
x x x x x x x x x x x
Hücre 16

(ICR=SCR=20dB) bulunma durumuna göre sezim grafiğinin değişimi Şekil 4.11’de
verilmiştir.
1
0.9
0.8
0.7
0.6
0.5
M1=16 ve M2=8, k=4, w=1/16

0.4
M1=16 ve M2=8, k=5, w=1/16
0.3 M1=16 ve M2=8, k=4, w=1/32

M1=16 ve M2=8, k=5, w=1/32
0.2
0 1 2 3 4 5 6 7 8 9
Şekil 4.11 HO ve İS-ÇYH SYAO VBS Sezim Olasılığının r1=4, r2=2 durumunda
Hedef Bulunan Tarama Sayısına (L) Göre Değişimi, ICR=SCR=20dB
PF=10-6
43
4.3. İstatistiksel Sıralı ve İstatistiksel Sıralı ÇYH SYAO’larına Dayalı Veri
Birleşim Sistemi
4.3.1 Tektür ortam
Test hücresinde hedef var/yok durumuna karar vermede İstatistiksel Sıralı ve

İstatistiksel Sıralı ÇYH tekniklerinin kararlarını kullanan sisteme İS ve İS-ÇYH
SYAO’lara dayalı Veri Birleşim Sistemi denir.
“veya” kuralı ile birleşiminden elde edilir (Bkz. Denklem 4.1 ve 4.2). PD1 ve PF1 İS
SYAO tekniğine ait yerel sezim ve yanlış alarm oranıdır. PD2 ve PF2 ise İS-ÇYH
SYAO tekniğine ait yerel sezim ve yanlış alarm oranıdır. PD ve PF ise genel sezim
ve yanlış alarm oranı olarak adlandırılır.
sabitlerinin seçimi kritiktir. Optimum c1 ve c2 iterasyon metotu ile bulunmuştur.
SCR =15 dB’de sezimi maksimize edecek farklı w ve k değerleri için hesaplanan
c1 ve c2 değerleri, Çizelge 4.10’da verilmiştir.
Çizelge 4.10 İS ve İS-ÇYH SYAO VBS tekniği, PF=10-6, farklı M1, M2, k2 ve w için
c1 ve c2 değerleri
M1 k1 M2 k2 w SCR c1 c2
16 8 8 4 1/32 15 92.860 22.474
44
İS ve İS-ÇYH SYAO VBS için P D
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
M1=16 k 1=8 ve M2=8 k 2=4 w=1/32
0
0 5 10 15 20 25 30 35 40
Şekil 4.12 Farklı M1, k1 M2, k2 ve w değerleri için sezim olasılığı grafiği, PF=10-6
Son taramada karıştırıcı hedef bulunması fakat önceki taramalarda bekleyen

karıştırıcı hedef bulunmaması durumunun grafiksel gösterimi Çizelge 4.11’de
verilmiştir. Gösterimin anlaşılırlığı için r1, 4; M1, 16; M2, 8 kabul edilmiştir.
Çizelge 4.11 İS ve İS-ÇYH SYAO VBS Tekniği, Son Taramada Karıştırıcı Hedef
Bulunma Durumu
Hücre 1
Hücre 2
x
x
Hücre 8
Test Hücresi x
Hücre 9
x
Hücre 16
45
Son taramada karıştırıcı hedef (ICR=SCR=20dB) bulunması fakat önceki
taramalarda bekleyen karıştırıcı hedef bulunmaması durumunda sezim grafiğinin
r1’e göre değişimi Şekil 4.13’de verilmiştir.
İS ve İS-ÇYH SYAO VBS için P D'nin r1'e Göre Değişimi, L=0, r2=0
1
M1=16 k 1=8 ve M2=8 k 2=4 w=1/32
0.95
0.9
0.85
0.8
0.75
0.7
0.65
0.6
0 1 2 3 4 5 6 7 8 9
Şekil 4.13 İS ve İS-ÇYH SYAO VBS Sezim Olasılığının Hedef Bulunan Hücre
Sadece son L taramada test hücresinde bekleyen hedef bulunması durumunun

grafiksel gösterimi Çizelge 4.12’de verilmiştir. Gösterim için L, 3; M1, 16; M2, 8
kabul edilmiştir.
46
Çizelge 4.12 İS ve İS-ÇYH SYAO VBS Tekniği, L Taramada Bekleyen Hedef
Bulunma Durumu
Hücre 1
Hücre 2
Hücre 8
Hücre 9
Hücre 16
Sadece son L taramada bekleyen hedef (ICR=SCR=20dB) bulunma durumuna

göre sezim grafiğinin değişimi Şekil 4.14’te verilmiştir.
İS ve İS-ÇYH SYAO VBS için P D'nin L'ye Göre Değişimi, r1=0, r2=0
1
M1=16 k 1=8 ve M2=8 k 2=4 w=1/32
0.95
0.9
0.85
0.8
0.75
0.7
0.65
0.6
0 1 2 3 4 5 6 7 8 9
Şekil 4.14 İS ve İS-ÇYH SYAO VBS Sezim Olasılığının Hedef Bulunan Tarama
47
bulunması durumunun grafiksel gösterimi Çizelge 4.13’te verilmiştir. Gösterimin
anlaşılırlığı için L=3; M1=16; M2=8 kabul edilmiştir.
Çizelge 4.13 İS ve İS-ÇYH SYAO VBS Tekniği, Son L Taramada Bekleyen Hedef
Bulunma Durumu, r1=4, r2=2
Hücre 1
Hücre 2
x
x x x x x x X x x x x
Hücre 8
Hücre 9
Hücre 16

(ICR=SCR=20dB) bulunma durumuna göre sezim grafiğinin değişimi Şekil 4.15’te
verilmiştir.
48
İS ve İS-ÇYH SYAO VBS için P D'nin L'ye Göre Değişimi, r1=4, r2=2
1
M1=16 k 1=8 ve M2=8 k 2=4 w=1/32
0.95
0.9
0.85
0.8
0.75
0.7
0.65
0.6
0 1 2 3 4 5 6 7 8 9
Şekil 4.15 İS ve İS-ÇYH SYAO VBS Sezim Olasılığının r1=4, r2=2 durumunda
Hedef Bulunan Tarama Sayısına (L) Göre Değişimi, ICR=SCR=20dB
PF=10-6
49
5. KARŞILAŞTIRMALI PERFORMANS ANALİZİ
Bölüm 2’de ve 3’te SYAO Radarları için literatürde önerilen farklı teknikler analiz
edilmiştir. Bölüm 4’te ise, Bekleyen ve karıştırıcı hedef durumları için başarımı
arttıracağı düşünülen teknikler önerilmiştir.
Bölüm 5’te önerilen birleşik tekniklerin literatürdeki teknikler ile farklı ortamlardaki
başarımları karşılaştırılacaktır. Ayrıca Hücre Ortalamalı ve İstatistiksel Sıralı
tekniklerin Veri Birleşim Sistemi ile birleştirilmesi ile elde edilen yeni teknik ile de
aynı karşılaştırılmalar yapılacaktır.
5.1. Hücre Ortalamalı ve İstatistiksel Sıralı SYAO’larına Dayalı Veri Birleşim

Sistemi
5.1.1 Tektür ortam

İstatistiksel Sıralı tekniklerin kararlarını kullanan sisteme HO ve İS SYAO’lara
dayalı Veri Birleşim Sistemi denir.
“veya” kuralı ile birleşiminden elde edilir (Bkz. Denklem 4.1 ve 4.2). PD1 ve PF1 HO
SYAO tekniğine ait yerel sezim ve yanlış alarm oranıdır. PD2 ve PF2 ise İS SYAO
tekniğine ait yerel sezim ve yanlış alarm oranıdır. PD ve PF ise genel sezim ve
yanlış alarm oranı olarak adlandırılır.
için her bir sezimleyicinin sabit çarpanlarını ( c1 ve c2 ) belirlemek gereklidir.
50
M adet
(.)2
Detektör
Çıkışı
Z1(n)
1/M∑ c1
HEDEF
c1Z1(n) VAR
>
X(n) <
Test Hücresi X(n) HEDEF
Çıkışı YOK
HEDEF
VERİ VAR
BİRLEŞİM
MERKEZİ HEDEF
YOK
k’nıncı X(k)(n)
c
seçici
HEDEF
c2X(k)(n) VAR
>
X(n)
<
X(n) HEDEF
YOK
Şekil 5.1 HO ve İS SYAO VBS Radar Modeli
Sezim olasılığı ve yanlış alarm olasılığı denklemleri (5.1) ve (5.2)’deki gibidir.
 M1 k2 1  M1 k2 1
 c1  (M 2  i)  c1  (M 2  i)
PD  1     1   x
 (1  SCR)  i 0
(M 2  i 
c2
)  (1  SCR)  i 0
(M 2  i 
c2
)
1  SCR 1  SCR
(5.1)
k2 1 k2 1
(M 2  i) (M 2  i)
PF  (1  c1 ) M1    (1  c1 )  M1 x (5.2)
i 0 ( M 2  i  c2 ) i  0 ( M 2  i  c2 )
sabitlerini belirlemek gerekir. Denklem (5.2)’e göre, farklı pencere boyutları M 1, M2

ve sıra sayısı k2 için c1 ve c2 değeri değişecektir. Analizlerde kullanılacak M1, M2
ve k2 değerleri ve 10-6±%1 yanlış alarm oranı için c değerleri Çizelge 5.1’de

verilmiştir.
51
Çizelge 5.1 HO ve İS SYAO VBS tekniği, PF=10-6, farklı M1, M2, ve k2 için c1 ve c2
değerleri
M1 M2 k2 c1 c2
16 16 14 1.388 17.440
Referans penceresindeki M hücreden r tanesinde SCR gücünde karıştırıcı hedef

varsa sezim olasılığı denklemi değişir. Analizlerde kullanılacak M1 ve M2, aynı
hücreleri kapsayacak biçimde ve aynı sayıda seçildiğinden tek bir r tanımlanır.
r r  M1
 (1  ICR)   c2 
PD  1  c2  1    ...
 (1  SCR)   (1  SCR) 
l  i  l 
 j1  j2
M 2 min( i , M 2  r )
 
  (1)
c1  M r  r  l i l
j 
1  j2 
  
2
  
1  SCR i  k2 l  max(0,i  r )  l  i  l  j1 0 j2 0 M  r  l  c ( j  r  i  l)
2
 j1  2
1  ICR 1  ICR
2
r r  M1
 (1  ICR)   c2 
 1  c2  1   ...
 (1  SCR)   (1  SCR) 
 l  i  l  j1  j2

M 2 min( i , M 2  r )    (1)
c1  2
M r  r  l i l
 j1  j2 
     
1  SCR i k2 l max(0,i r )  l  i  l  j1 0 j2 0 M  r  l  c2  j  ( j2  r  i  l )
(5.3)
1  ICR 1  ICR
2 1
5.2. Tektür Ortam Karşılaştırması
Dört farklı radar tekniği için Tektür ortam performans karşılaştırması yapılmıştır.
Karşılaştırmada kullanılan teknikler ve ayrıntıları şöyledir:
i. Hücre Ortalamalı, M=16.
ii. Çevresel Yansıma Haritalamalı, w=1/32.
52
iii. Hücre Ortalamalı ve İstatistilksel Sıralı Çevresel Yansıma
Haritalamalı SYAO’larına Dayalı Veri Birleşim Sistemi, M1=16, M2=8,
k=4, w=1/32.
iv. İstatistiksel Sıralı ve İstatistilksel Sıralı Çevresel Yansıma

Haritalamalı SYAO’larına Dayalı Veri Birleşim Sistemi, M1=16, k1=8,
M2=8, k2=4, w=1/32.
v. Hücre Ortalamalı ve İstatistiksel Sıralı SYAO’larına Dayalı Veri

Birleşim Sistemi, M1=16, M2=16, k=14.
Karşılaştırma Şekil 5.2’de verilmiştir.
Farklı Radar Teknikleri Tektür Ortam Performansları

1
0.9
0.8
0.7
0.6 HO SYAO
ÇYH SYAO
0.5 HO ve İS-ÇYH SYAO VBS
İS ve İS-ÇYH SYAO VBS
0.4 HO ve İS SYAO VBS
0.3
0.2
0.1
0
0 5 10 15 20 25 30 35 40
Şekil 5.2 Farklı Radar teknikleri için sezim olasılığı grafiği, PF=10-6
5.3. Bekleyen Hedef Karşılaştırması
Bekleyen hedef, test hücresinde son L taramada hedef bulunması durumudur.

Çevresel Yansıma Haritalamalı teknikler, önceki taramalardan bir eşik değeri
tahmini ürettiği için, bekleyen hedef sezimi etkiler. Sadece son taramaya bakan
tekniklerin sezimi (Hücre Ortalamalı ve İstatistiksel Sıralı) ise bekleyen hedef
durumundan etkilenmez. Bekleyen hedef durumunun grafiksel gösterimi Çizelge
5.2’de verilmiştir. Gösterim için L=3; M1=16; M2=8 kabul edilmiştir.
53
Çizelge 5.2 Farklı Radar Teknikleri, L Taramada Bekleyen Hedef Bulunma
Durumu
Hücre 1
Hücre 2
Hücre 8
Hücre 9
Hücre 16
Farklı teknikler için son L taramada bekleyen hedef (ICR=SCR=20dB) bulunma

durumuna göre sezim grafiğinin değişimi Şekil 5.3’te verilmiştir.
Farklı Radar Teknikleri Bekleyen Hedef Durumu Sezim Olasılıkları, r1=0, r2=0
1
0.9
0.8
0.7
0.6 HO SYAO
ÇYH SYAO
0.3
0.2
0.1
0
0 1 2 3 4 5 6 7 8 9
Şekil 5.3 Farklı Radar Teknikleri, Sezim Olasılığının Hedef Bulunan Tarama
54
5.4. Karıştırıcı Hedef Karşılaştırması
Karıştırıcı hedef, test hücresinde son taramada karıştırıcı hedef bulunması

durumudur. Çevresel Yansıma Haritalamalı teknikler, son taramayı eşik değeri
kestiriminde kullanmadığı için sezimi etkilenmez. Sadece son taramaya bakan
tekniklerin sezimi (Hücre Ortalamalı ve İstatistiksel Sıralı) ise karıştırıcı hedef
durumunda ciddi biçimde düşer. Karıştırıcı hedef bulunması durumunun grafiksel
gösterimi Çizelge 5.3’te verilmiştir. Gösterimin anlaşılırlığı için r1=4; M1=16; M2=8
kabul edilmiştir.
Çizelge 5.3 Farklı Radar Teknikleri, Son Taramada Karıştırıcı Hedef Bulunma
Durumu
Hücre 1
Hücre 2
x
x
Hücre 8
Test Hücresi x
Hücre 9
x
Hücre 16
Farklı teknikler için son taramada r1 tane karıştırıcı hedef (ICR=SCR=20dB)

bulunma durumuna göre sezim grafiğinin değişimi Şekil 5.4’te verilmiştir.
55
Farklı Radar Teknikleri Karıştırıcı Hedef Durumu Sezim Olasılıkları, L=0, r2=0
1
0.9
0.8
0.7
0.6 HO SYAO
ÇYH SYAO
0.3
0.2
0.1
0
0 1 2 3 4 5 6 7 8 9
Şekil 5.4 Farklı Radar Teknikleri, Sezim Olasılığının Hedef Bulunan Hücre
5.5. Bekleyen Karıştırıcı Hedef Karşılaştırması
Bekleyen karıştırıcı hedef, son ve önceki taramalarda referans penceresinde

karıştırıcı hedef ve test hücresinde bekleyen hedef bulunması durumudur. Son
taramada M1=16 referans penceresinde 4 adet karıştırıcı hedef (r1=4), M2=8
referans penceresinde 2 hücrede bekleyen karıştırıcı hedef (r2=2) ve son L
taramada bekleyen hedef bulunması durumunun grafiksel gösterimi Çizelge 5.4’te
verilmiştir. Gösterim için L=3 kabul edilmiştir.
56
Çizelge 5.4 Farklı Radar Teknikleri, Karıştırıcı ve Bekleyen Hedef Bulunma
Durumu
Hücre 1
Hücre 2
x
x x x x x X x x x x x
Hücre 8
Hücre 9
Hücre 16
Son taramada M1=16 referans penceresinde 4 adet karıştırıcı hedef (r1=4), M2=8
referans penceresinde 2 hücrede bekleyen karıştırıcı hedef (r 2=2) ve son L
taramada bekleyen hedef bulunma durumunda (ICR=SCR=20dB), sezim grafiğinin
hedef bulunan tarama sayısına (L) göre değişimi Şekil 5.5’te verilmiştir.
Farklı Radar Teknikleri Bekleyen ve Karıştırıcı Hedef Performansları, r1=4, r2=2

1
0.9
0.8
0.7
0.6 HO SYAO
ÇYH SYAO
0.3
0.2
0.1
0
0 1 2 3 4 5 6 7 8 9
Şekil 5.5 Farklı Radar Teknikleri, Sezim Olasılığının r1=4, r2=2 durumunda Hedef
Bulunan Tarama Sayısına (L) Göre Değişimi, ICR=SCR=20dB, PF=10-6
57
6. SONUÇ
Çalışmada temel olarak, eşik değerini belirlemek için son taramayı değerlendiren
SYAO işlemcisi ve eşik değerini belirlemek için önceki taramaları değerlendiren
SYAO işlemcilerinin VBS’de birliştirilmesi ile yeni bir SYAO işlemcisi önerilmiş,
analitik denklemleri çıkartılmış ve sezim başarım analizleri gerçekleştirilmiştir.
Önerilen tekniğin, tektür ve tektür olmayan ortam için, literatürde sıkça kullanılan
diğer teknikler ile karşılaştırmalı performans analizleri gerçekleştirilmiştir.
Bölüm 2’de, eşik değerini belirlemek için son taramayı değerlendiren SYAO
işlemcilerinden HO SYAO ve İS SYAO işlemcilerinin analizleri gerçekleştirilmiştir.
HO SYAO işlemcisi, tektür ortamda en yüksek sezimi gerçekleştiren tekniktir. İS
SYAO işlemcisi ise, tektür ortamda, sezimi HO SYAO işlemcisine göre düşük olsa
da, tektür olmayan ortamda (karıştırıcı hedef durumu) sezimi HO SYAO
işlemcisinden daha yüksektir.
Bölüm 3’te, eşik değerini belirlemek için önceki taramaları değerlendiren SYAO
işlemcilerinden ÇYH SYAO, HO-ÇYH SYAO ve İS-ÇYH SYAO işlemcilerinin
analizleri gerçekleştirilmiştir. ÇYH SYAO işlemcisi, ÇYH teknikleri için temel
tekniktir. Tektür ortamda en yüksek sezimi HO-ÇYH SYAO işlemcisi
gerçekleştirmiştir. Fakat tektür olmayan ortamda (karıştırıcı bekleyen hedef) en
yüksek sezim İS-ÇYH SYAO işlemcisine aittir.
Bölüm 4’te iki yeni SYAO işlemcisi önerilmiştir.
i. HO SYAO ve ÇYH SYAO işlemcilerini VBS’de birleştiren HO ve ÇYH

SYAO VBS işlemcisi
ii. HO SYAO ve İS-ÇYH SYAO işlemcilerini VBS’de birleştiren HO ve

İS-ÇYH SYAO VBS işlemcisi
Bu iki işlemcinin analitik denklemleri çıkartılmıştır. Tektür ve tektür olmayan ortam

için başarım analizleri yapılmıştır. Tektür ortamda ve tektür olmayan ortam,
karıştırıcı hedef durumunda, iki işlemcinin başarımları yaklaşık aynıdır. Tektür
olmayan ortam, bekleyen hedef durumunda HO ve İS-ÇYH SYAO VBS
işlemcisinin sezimi, HO ve ÇYH SYAO VBS işlemcisine göre çok daha yüksektir.
58
Bölüm 5’te, farklı teknikler için tektür ve tektür olmayan ortamda sezim
başarımlarının karşılaştırılmaları yapılmıştır.
Karşılaştırılan SYAO işlemcileri şunlardır:
i. Hücre Ortalamalı, M=16.
ii. Çevresel Yansıma Haritalamalı, w=1/32.
iii. Hücre Ortalamalı ve İstatistiksel Sıralı Çevresel Yansıma

Haritalamalı SYAO’larına Dayalı Veri Birleşim Sistemi, M1=16, M2=8,
k=4, w=1/32.
iv. Hücre Ortalamalı ve İstatistiksel Sıralı SYAO’larına Dayalı Veri

Birleşim Sistemi, M1=16, M2=16, k=14.
Bölüm 5.2’de, tektür ortam için HO ve İS-ÇYH SYAO VBS tekniğinin sezimi, diğer
tekniklerden daha yüksektir.
Bölüm 5.3’te, tektür olmayan ortam, bekleyen hedef durumu için, HO ve İS-ÇYH
SYAO VBS tekniğinin sezimi diğer tekniklerden daha yüksektir. Bu durumda ÇYH
SYAO tekniğinin sezimi hızlı bir şekilde azalırken, HO SYAO ve HO ve İS SYAO
VBS tekniklerinin sezimleri düşmemektedir.
Bölüm 5.4’te, tektür olmayan ortam, son taramada karıştırıcı hedef durumu için en
yüksek sezim HO ve İS-ÇYH SYAO VBS tekniğine aittir. ÇYH SYAO tekniğinin
sezimi, karıştırıcı hedeften etkilenmemekte, ve yüksek sayıda karıştırıcı hedef için
HO ve İS-ÇYH SYAO VBS tekniği ile aynı seviyededir. Diğer tekniklerin sezimleri,
karıştırıcı hedef ile birlikte hızlı biçimde azalmaktadır.
Bölüm 5.5’te, tektür olmayan ortam, bekleyen ve karıştırıcı hedef durumu için en
yüksek sezim yine HO ve İS-ÇYH SYAO VBS tekniğine aittir. ÇYH SYAO
tekniğinin sezimi bekleyen hedef sayısına göre hızlı biçimde azalmakta, diğer
tekniklerin ise sezimleri, karıştırıcı hedef sayısından ötürü çok düşüktür.
Karşılaştırmalı analizlerin sonucu olarak, HO ve İS-ÇYH SYAO VBS tekniğinin

sezimi, tüm senaryolarda diğer tekniklerden daha yüksektir.
59
İlerideki çalışmalarda, karıştırıcı hedef durumunda sezimi daha gürbüz olacağı
düşünülen İS ve İS-ÇYH SYAO VBS tekniğinin sezimi incelenebilir. Tektür
ortamda sezimi HO ve İS-ÇYH SYAO VBS tekniğinden düşük olsa da, karıştırıcı
hedef durumunda performansının daha yüksek olacağı öngörülmektedir.
Ayrıca, çevresel yansımayı modelleme de farklı dağılımlar (Weibull, Log-normal ve

K dağılımı) da kullanılarak analizleri yapılabilir.
60
KAYNAKLAR
Barkat, M., and Varshney, P.K., 1989, “Decentralized CFAR Signal Detection”,
IEEE Transactions on Aerospace and Electronic Systems, AES-25, March
1989, pp.141-149.
Conte, E., Lops, M. and Tulino, A.M., 1997, “Hybrid Procedure for CFAR in non-
Gaussian Clutter”, IEEE Proceedings on Radar, Sonar and Navigation,
Vol:146, Issue:6, Dec. 1997, pp. 361-369.
Dillard, G.M., 1974, “Mean Level Detection of Nonfluctuating Signals” IEEE

Transactions on Aerospace and Electronic Systems, AES-10, Nov. 1974,
pp.759-799.
Ebrahimian, Z.,2005, “Complex Spatial/Temporal CFAR”, IEEE/ACES Int. Conf.

On Wireless Communications and Applied Computational Electromagnetics,
April 2005, pp. 1045-1049.
Finn H.M., Johnson R.S., 1968, “Adaptive Detection Mode with threshold control
as a function of spatially sampled clutter-level estimates”. RCA Review 29,
Sept 1968, p414-464.
Gandhi P.P., Kassam S.A., 1988, “Analysis of CFAR Processors in

Nonhomogeneous Background”, IEEE Transactions on Aerospace and
Electronic Systems AES-24, July 1988, p427-445.
Hansen, V.G., 1973, “Constant False Alarm Rate Processing in search Radars”, In
Proceedings of the IEEE 1973 International Radar Conference, London,
pp.325-332.
Han, J., Varshney, P.K., and Srinivasan, 1983, “Distributed Binary Integration”,
IEEE Transactions on Aerospace and Electronic Systems, Vol.29, No.1, Jan.
1993, pp.2-8.
Hansen, V.G., and Sawyers, J.H., 1980, “Detectability Loss Due to Greatest of
Selection in a Cell-Averaging CFAR”, IEEE Transactions on Aerospace and
Electronic Systems, AES-16, Jan. 1980, pp.115-118.
61
Levanon, N., Shor, M., 1991, “Performance of Order Statistic CFAR”, IEEE
Transactions on Aeospace and Electronic Systems Vol-27, March 1991, p214-
224.
Lops, M. and Orsini, M., 1989, “Scan-by-Scan Averaging CFAR”, IEEE

Proceedings on Radar, Sonar and Navigation, Vol:136, Issue:6, Dec. 1989, pp.
249-254.
Lops, M., 1996, “Hybrid Clutter-Map/L-CFAR procedure for clutter rejection in

nonhomogeneous environment”, IEEE Proceedings on Radar, Sonar and
Navigation, Vol:143, Issue:4, Aug. 1996, pp. 239-245.
Mitchell, R.L., Walker, J.F., 1971, “Recursive Methods for Computing Detection
Probabilities”, IEEE Transactions on Aerospace and Electronic Systems, AES-
7, July 1971, pp671-676.
Moore, J.D., and Lawrence, N.B., 1980, “Comparison of Two CFAR Methods Used
With Square Law Detection of Swerling I Targets”, In Proceedings of the IEEE
International Radar Conference, 1980, pp.403-409.
Naldi, M., 1999, “False Alarm Control and Self-Masking Avoidance by a

Biparametric Clutter Map in a Mixed Interference Environment”, IEEE
Proceedings on Radar, Sonar and Navigation, Vol:146, Issue:4, Aug. 1999, pp.
195-200.
Nitzberg, R., 1978, “Analysis of the Arithmetic Mean CFAR Normalizer for
Fluctuating Targets”, IEEE Transactions on Aerospace and Electronic Systems,
AES-14, Jan. 1978, pp.44-47.
Nitzberg, R., 1986, “Clutter Map CFAR Analysis”. IEEE Transactions on

Aerospace and Electronic Systems, 1986, AES-25 (4), p419-421.
Rohling, H., 1983, Radar CFAR Thresholding in Clutter and Multiple Target
Situations, IEEE Transactions on Aerospace and Electronic Systems, AES-19,
pp.608-621.
62
Shan, T., Tao, R., Wang, Y., Zhou, S., 2002, “Performance of Order Statistic
Clutter Map CFAR”, Internatioanl Conference on Signal Processing, Aug. 2002,
pp. 1572-1575.
Shan, T., Tao, R., Wang, Y., Zhou, S., 2004, “Performance Analysis of
Multidimensional Clutter Map CFAR”, Internatioanl Conference on Signal
Processing, Sept. 2004, pp. 2128-2131.
Steenson, B.O., 1968, “Detection Performance of a Mean Level Threshold”, IEEE

Transactions on Aerospace and Electronic Systems, AES-4, July 1968, pp.529-
534.
Üner K.M., Varshney, P.K., 1996, “Distributed CFAR Detection in Homogeneous

and Nonhomogeneous Backgrounds, IEEE Transactions on Aerospace and
Electronic Systems, Vol.32, No.1, Jan 1996, pp.84-97.
Trunk, G.V., 1978, “Range Resolution of Targets Using Automatic Detectors”,

IEEE Transactions on Aerospace and Electronic Systems, AES-14, Sept. 1978,
pp.750-755.
Weiss, M., 1982, “Analysis of some modified cell-averaging CFAR processors in

multiple-target situations” IEEE Transactions on Aeospace and Electronic
Systems AES-18, Jan. 1982, p102-113.
63
EKLER DİZİNİ
Sayfa
EK 1. İSTATİSTİKSEL SIRALI SYAO DENKLEMLERİ ÇIKARIMI... 65
EK 2. ÇEVRESEL YANSIMA HARİTALAMALI SYAO

DENKLEMLERİ ÇIKARIMI...................................................... 68
EK 3. HÜCRE ORTALAMALI ÇYH SYAO DENKLEMLERİ

ÇIKARIMI................................................................................ 75
EK 4. İSTATİSTİKSEL SIRALI ÇYH SYAO DENKLEMLERİ

ÇIKARIMI................................................................................ 77
EK 5. HO VE ÇYH SYAO VBS DENKLEMLERİ ÇIKARIMI............... 85
EK 6. HO VE İS-ÇYH SYAO VBS DENKLEMLERİ ÇIKARIMI.......... 87
64
EK 1. İSTATİSTİKSEL SIRALI SYAO DENKLEMLERİ ÇIKARIMI
Ek1.1 Tektür olmayan ortam
M hücreli bir referans penceresinde bulunan hücrelerin sezimleyici çıkışı sinyal

seviyeleri şunlardır:
x1(n), x2(n), ..., xM(n)
Isıl gürültü artı çevresel gürültünün sezimleyici öncesi istatistiğinin kompleks

zarfının kompleks Gaussian olduğu kabul edilir. Kare-alan alıcı detektörü için
PX ( x) , sezimleyici çıkışı sinyal seviyesinin dağılım fonksiyonu olarak tanımlanır.
x
1
PX ( x)  e p (Ek1.1)
p
Bu denklemde p , ısıl ve çevresel gürültü gücü toplamıdır.
Sinyal seviyeleri küçükten büyüğe sıralanır.
x(1)(n) ≤ x(2) (n) ≤....≤ x(M)(n)
k’nıncı sıradaki sinyal seviyesi x(k)(n) eşik değeri olarak seçilir.
Z (n)  x( k ) (n) (Ek1.2)
k’nıncı sıradaki sinyal seviyesinin istatistiği bilinen dağılım üzerinden yazılır.
M 
PX ( k ) ( x)  pk ( x)  k   (1  PX ( x)) N k ( PX ( x)) k 1 p X ( x) (Ek1.3)
k 
Yanlış alarm, hedef bulunmama durumunda sezimleyici çıkışı sinyal seviyesi eşik
seviyesinden yüksekse X (n)  cZ (n) oluşur. Bu eşitsizlikte c istenen yanlış alarm
oranını sağlamak için seçilen sabittir. cZ (n) uyarlanır eşik değeri olarak
adlandırılır.
Yanlış alarm olasılığı analitik olarak denklem (Ek1.4) ve (Ek1.5)teki gibi ifade edilir.
PF  EZ Pr( X (n)  cZ (n) H 0 , Z (n)) (Ek1.4)
65
EZ , Z (n) ’e göre beklenen değer fonksiyonudur.

PF   Pr( X (n)  cx k  (n) H 0 , x k  (n)) p k  ( x)dx (Ek1.5)
0
(Ek1.8) ve (Ek1.9) denkleminde H 0 hedef bulunmama durumu, H1 ise hedef
bulunma durumudur.
Parantezin içindeki ifade (Ek1.6) denklemindeki gibi hesaplanır.
cx

Pr( X (n)  cxk (n) H 0 , x k  (n))  e p
(Ek1.6)
Bu denklemde p ısıl ve çevresel gürültü gücü toplamıdır.

k  M   p M k 1
cx x x
 
PF   e p
  (e ) (1  e p )k 1dx
0
p k 
 M  1   p c  M k 1
x x

PF  k    (e ) (1  e p )k 1dx (Ek1.7)
k p0
(Ek1.7)deki integral hesaplanırsa yanlış alarm oranı denklemi elde edilir.
 M  (k  1)!(c  M  k )!
PF  k   (Ek1.8)
k  (c  M )!
Faktoriyel ve kombinasyon işlemi açık halde yazılır ve sadeleştirmeler yapılırsa

(Ek1.9) elde edilir.
M! (k  1)!(c  M  k )!
PF  k
k !( M  k )! (c  M )!
k (k  1)! M ! (c  M  k )!
PF 
k ! ( M  k )! (c  M )!
k 1
(M  i)
PF   (Ek1.9)
i 0 ( M  i  c)
66
Sezim olasılığı denklemini hesaplamak için (Ek1.6)’deki denklem değiştirilerek
yazılır.
cx

p (1 SCR )
Pr(Y (n)  cX k (n) H1 )  e (Ek1.10)
Bu denklemde SCR hedef sinyal gücünün toplam gürültüye ortalama oranıdır.

Sezim olasılığı denklemi (Ek1.11)’deki gibi elde edilir.
k 1
( M  i)
PD   (Ek1.11)
c
i 0
(M  i  )
1  SCR
Referans penceresindeki M hücreden r tanesinde ICR gücünde karıştırıcı hedef

varsa sezim olasılığı (Gandhi ve Kassam, 1988) denklem (Ek1.12) gibidir.
 l  i  l  j1  j2
    (1)
c M

min( i , M  r )
M r  r  l i l
 j1  j2 
PD       
1  SCR i k l max(0,i r )  l  i  l  j1 0 j2 0 M  r  l  c  j  ( j2  r  i  l )
1  ICR 1  ICR
1
(Ek1.12)
67
EK 2. ÇEVRESEL YANSIMA HARİTALAMALI SYAO DENKLEMLERİ ÇIKARIMI
Ek2.1 Tektür ortam
Eşik değeri, n’ninci tarama için aşağıdaki gibi yazılır.
Z (n)  wX (n)  (1  w)Z (n 1) (Ek2.1)
Bu denklemde Z (n) , n’ninci tarama için eşik seviyesi tahmini; w , ağırlık katsayısı;
X (n) , n’ninci tarama için sezimleyici çıkışı sinyal seviyesidir.
(Ek2.1) denklemi, kendi içinde yerine konulursa (Ek2.2) denklemi elde edilir.
Z (n)  wX (n)  (1  w)(wX (n 1)  (1  w)Z (n  2)) (Ek2.2)
Denklem düzenlenir ve (Ek2.1) denklemi Z (n  2) ifadesi yerine konur.
Z (n)  wX (n)  w(1  w) X (n  1)  (1  w)2 Z (n  2)
Z (n)  wX (n)  w(1  w) X (n 1)  (1  w)2 (wX (n)  (1  w)Z (n 1)) (Ek2.3)
(Ek2.3) denklemi düzenlenir ve (Ek2.4)’teki gibi genellenir.
Z (n)  wX (n)  w(1  w) X (n 1)  w(1  w) 2 X (n  2)  (1  w)3 Z (n  3)
Z (n)  wX (n)  w(1  w) X (n 1)  w(1  w) 2 X (n  2)  w(1  w)3 X (n  3)  ... (Ek2.4)
(Ek2.4) denklemi toplam halinde, (Ek2.5)’teki gibi yazılır.

Z (n)   w.(1  w)l X (n  l ) (Ek2.5)
l 0
Hedefin kendi tespitini engellememesi için n+1’inci taramadaki sezimleyici çıkışı

sinyal seviyesi, eşik seviyesi tahmini için kullanılmaz. n+1’inci tarama için hedef
sezimine karar vermede aşağıdaki eşitsizlik kullanılır.
X (n  1)  cZ (n) (Ek2.6)
Bu eşitsizlikte c istenen yanlış alarm oranını sağlamak için seçilen sabittir. cZ (n)
uyarlanır eşik değeri olarak adlandırılır.
68
Isıl gürültü artı çevresel gürültünün sezimleyici öncesi istatistiğinin kompleks
zarfının kompleks Gaussian olduğu kabul edilir. Hedef tipi olarak Swerling I modeli
varsayılmıştır. Kare-alan alıcı detektörü için, x ’in yoğunluk fonksiyonu aşağıdaki
gibi yazılır.
x
1 
f ( x | H1 )  e p (1 SCR ) (Ek2.7)
p(1  SCR)
Bu denklemde, p , ısıl ve çevresel gürültü gücü toplamı; SCR , hedef sinyal
gücünün toplam gürültüye oranı; H1 , n’ninci taramada hedefin olması durumudur.
Farklı taramalar (n değerleri) için X (n) ler birbirinden bağımsız olduğu kabul edilir.
Bu kabul için radar taşıyıcı frekansın taramadan taramaya en az sinyal bant
genişliği kadar değişiyor olması gerekmektedir. Böylece X (n  1) ve Z (n)
istatistiksel olarak bağımsız hale gelir.
n+1’inci taramada, hedefin bulunma durumunda X (n  1) ’in Z (n) ’den büyük olma
olasılığı sezim olasılığıdır. Sezim olasılığının denklemi aşağıdaki gibi yazılır.

PD   Pr[ X (n  1)  cZ (n) Z (n), H1 ] f ( zn )dzn (Ek2.8)
0
İntegralin ilk kısmındaki olasılık, (Ek2.7) kullanılarak hesaplanır.
 
x
1
Pr[ X (n  1)  cZ (n) Z (n), H1 ]  
cZ ( n )
p(1  SCR)
e p (1 SCR ) dx
cZ ( n )

p (1 SCR )
Pr[ X (n  1)  cZ (n) Z (n), H1 ]  e (Ek2.9)
Sezim olasılığı;
 
cZ ( n )
PD   e p (1 SCR )
f ( zn )dzn (Ek2.10)
0
Denklem (Ek2.8) ve (Ek2.10)’da f ( zn ) eşik değeri tahmininin yoğunluk
fonksiyonudur. Denklem (Ek2.10) incelendiğinde, sezim olasılığı denklem
69
(Ek2.11)’deki eşitlik kullanılırsa sinyal seviyeleri bağımsız değişkeninin
karakteristik fonksiyonu olduğu gözlenir, denklem (Ek2.12) elde edilir.
c
j   (Ek2.11)
p(1  SCR)

PD   e j n  f ( zn )dzn  Z ( n )  (Ek2.12)
0
X (n) ’ler istatistiksel olarak bağımsız olduğu ve Z (n) (Ek2.5)’teki gibi X (n) ’lerin
doğrusal ağırlıklandırılmış toplamı şeklinde ifade edilebildiğinden (Bkz. Ek2.4),
Z (n) ’in karakteristik fonksiyonu, X (n) ’lerın karakteristik fonksiyonlarının çarpımı
şeklinde yazılır.
Z ( n)    X ( n)  X ( n1)   X ( n2)    (Ek2.13)
X (n) ’in karakteristik fonsiyonu:

 X ( n )    e jwx f ( x | H 0 )dx (Ek2.14)
0
f ( x | H 0 ) yerine (Ek2.15) yazılırsa, (Ek2.16) elde edilir.
x
1 
f (x | H0 )  e p (Ek2.15)
p
 x
1 p
 X ( n )    e jwx
e dx (Ek2.16)
0
p
(Ek2.16)’daki integral hesaplanır.
 1  1 jwp
1  x (  jw ) 1  x( )
 X ( n )    e p dx   e p
dx
p0 p0
1 jwp
1 1  x( ) 
 X ( n )   e p
|
p 1  jwp 0
70
1
 X ( n )   (Ek2.17)
1  jwp
j ifadesi yerine Denklem (Ek2.11) konulur,  X ( n ) c  elde edilir.
1
 X ( n ) c  
c
1  wp( )
p(1  SCR)
1
 X ( n ) c   (Ek2.18)
cw
1
1  SCR
Benzer şekilde  X ( n1) ’in karakteristik fonksiyonu yazılır.
1
 X ( n 1)  c   (Ek2.19)
cw(1  w)
1
1  SCR 
 X ( n ) değerlerini (Ek2.13)’te yerine yazılırsa (Ek2.20) denklemi elde edilir.
Z ( n)    X ( n)  X ( n1)   X ( n2)   
   
 1   1  1 
PD  Z ( n )         (Ek2.20)
cw cw(1  w)   cw(1  w)2 
1   1  1
 1  SCR   1  SCR    1  SCR  

Sezim olasılığı (Ek2.21)’deki gibi genellenir.
 
 1 
PD     (Ek2.21)
l 0  cw(1  w)l 
 1  
 1  SCR  
Yanlış alarm olasılığı analitik denklemi, denklem (Ek2.21)’de SCR değeri

sıfırlanarak elde edilir.
71

 1 
PF    l 
(Ek2.22)
l  0 1  cw(1  w) 
İstenen sabit yanlış alarm oranı için gerekli c değeri, denklem (Ek2.22)’den
hesaplanır.
ICR olan karıştırıcı hedef bulunursa (Ek2.14)’teki X (n) ’in karakteristik fonksiyonu
değişir.

 X ( n )    e jwx f ( x | H1 )dx (Ek2.23)
0
(Ek2.23) denkleminde j ifadesi yine (Ek2.11)’deki gibidir. Fakat f ( x | H1 )
dağılımı ICR üzerinden tanımlanır.
x
1 
f ( x | H1 )  e p (1 ICR ) (Ek2.24)
p(1  ICR)
Dağılım (Ek2.23) denkleminde yerine yazılır.
 
x
1
 X ( n )    e jwx
e p (1 ICR ) dx
0
p(1  ICR)

 x(
1
 jw )
1
p(1  ICR) 0
p (1 ICR )
 X ( n )   e dx
 1 jwp (1 ICR )

1  x( )
p(1  ICR) 0
p (1 ICR )
 X ( n )   e dx (Ek2.25)
(Ek2.25)’teki integral hesaplanır.
1 jwp (1 ICR )

1 1  x( ) 
p (1 ICR )
 X ( n )   e |
p(1  ICR) 1  jwp(1  ICR) 0
p(1  ICR)
72
1
 X ( n )   (Ek2.26)
1  jwp(1  ICR)
j ifadesi yerine Denklem (Ek2.11) konulur,  X ( n ) c  elde edilir.
1
 X ( n ) c  
 c 
1    wp(1  ICR)
 p(1  SCR) 
1
 X ( n ) c   (Ek2.27)
(1  ICR)
1  cw
(1  SCR)
Benzer şekilde  X ( n1) ’in karakteristik fonksiyonu yazılır.
1
 X ( n 1) c   (Ek2.28)
1  ICR 
1  cw(1  w)
1  SCR 
ICR olan karıştırıcı hedef bulunduğu durumda, farklı n değerleri için X (n) ’in
karakteristik fonksiyonlarının çarpımından elde edilen sezim olasılığının analitik
denklemi (Ek2.29)’daki gibidir.
    
 1   1   1 
PD  Z ( n )      ...  
1  1  ICR  cw  1  1  ICR  cw(1  w)  1  1  ICR  cw(1  w) L 1 
 1  SCR    1  SCR    1  SCR  
   
 1  1   1 
  L 1
  L2
 ... (Ek2.29)
 cw(1  w)   cw(1  w)   cw(1  w) 
L
 1   1  1  SCR   1  1  SCR  
 1  SCR    
Sezim olasılığı (Ek2.30)’daki gibi genellenir.
73
   
L 1  n  
1 1
PD    .   (Ek2.30)
l 0 
1  ICR    l

1 cw(1  w)  l  L 1 
l cw(1 w)
 1  SCR    
 1  SCR  
Son L taramada test hücresinde bulunan hedefin gücünün toplam gürültüye

oranını, hedef sinyal gücünün gürültüye oranıyla eşit kabul edilirse ( ICR  SCR )
sezim olasılığının denklemi (Ek2.31)’deki gibidir.
 
L 1
 1  n  1 
PD    l 
.   (Ek2.31)
l  0 1  cw(1  w)  l  L  cw(1  w)l 
1  1  SCR  
 
74
EK 3. HÜCRE ORTALAMALI ÇYH SYAO DENKLEMLERİ ÇIKARIMI
Ek3.1 Tektür ortam
Çevresel Yansıma Haritalamalı radar denklemi Ek3.1’deki gibidir.
Z (n)  wx(n)  (1  w)Z (n 1) (Ek3.1)
x(n), n’ninci tarama için M hücreli bir referans penceresinde bulunan hücrelerin
sezimleyici çıkışı sinyal seviyelerinin ortalamasıdır.
M x j ( n)
x ( n)   (Ek3.2)
j 1 M
Ortalama sinyal seviyesi x(n) eşik değeri belirlemede kullanılır. Eşik değeri ise x(n)
sinyal seviyesi ve geçmiş taramalarda elde edilen ortalama sinyal seviyelerinin
(x(n-1), x(n-2), ..) ağırlıklandırılmış toplamıdır.

Z ( n)   h( n) x ( n ) (Ek3.3)
n 0
h(n)  w(1  w)n (Ek3.4)
n+1’inci tarama için hedef sezimine karar vermede aşağıdaki eşitsizlik kullanılır.
H1

X (n  1) cZ (n) (Ek3.5)

H0
Isıl gürültünün sezimleyici öncesi istatistiğinin kompleks zarfının kompleks

Gaussian olduğu kabul edilir. Kare-alan alıcı detektörü için X (n) ’in yoğunluk
fonksiyonu, H 0 hedef bulunmama durumunda (Ek3.6)’daki gibi yazılır.
X
1 
p( X | H 0 )  e p (Ek3.6)
p
75
(Ek3.6) denkleminde p ısıl ve çevresel gürültü gücü toplamıdır.
Farklı taramalar (n değerleri) için X (n) ler birbirinden bağımsız olduğu kabul edilir.
Bu kabul için radar taşıyıcı frekansın taramadan taramaya en az sinyal bant
genişliği kadar değişiyor olması gerekmektedir. Böylece Z ( n) ve X (n  1)
istatistiksel olarak bağımsız hale gelir.
n+1’inci taramada hedefin bulunmama durumunda X (n  1) ’in cZ (n) ’den büyük

olma olasılığı yanlış alarm olasılığıdır. Yanlış alarm olasılığının denklemi (Ek3.7)
gibi yazılır.
PF  E Pr( X (n  1)  cZ (n) H 0 , Z (n)) (Ek3.7)
Parantez içerisindeki olasılığın değeri (Ek3.8)de hasaplanır

Pr( X (n  1)  cZ (n) H 0 , Z (n))  
cZ ( n )
p( x | H 0 )dx
 X
1 p
  e dx
cZ ( n )
p
cZ ( n )

e p
(Ek3.8)
Yanlış alarm oranı (Ek3.8) kullanılarak tekrar yazılır. Z (n) yerine (Ek3.3) denklemi
yazılır.
cZ ( n )  ch ( n ) x ( n )
 
PF  E{e p
}   E{e p
} (Ek3.9)
n 0
x(n) yerine (Ek3.2)deki eşitlik kullanılırsa (Ek3.10) yazılır.
  
ch ( n ) X ( n )
PF   (  e Mp
p( X )dX ) M (Ek3.10)
n 0 0
p( X ) dağılımı yerine denklem (Ek3.6) yazılır.
76
  ch ( n ) X ( n ) X
 1
PF   (  e Mp
e p
dX ) M (Ek3.11)
n 0 0
p
Parantez içindeki ifadeler yeniden yazılır.
  (
X ch ( n )
1)
1 )(
PF   ( e
p M
dX ) M (Ek3.12)
n 0 p 0
İntegral hesaplanır ve yanlış alarm oranı elde edilir.

1 1
PF   ( p( )) M
p ch ( n )
n 0
1
M

1
PF   ( )M (Ek3.13)
ch ( n )
n 0
1
M
h(n) yerine (Ek3.4) yazılır ve yanlış alarm olasılığı ele edilir.

1
PF   ( )M (Ek3.14)
cw(1  w) n
n 0
1
M
c
Sezim olasılığı, (Ek3.14)’te c yerine yazılarak elde edilebilir.
1  SCR

1
PD   ( )M (Ek3.15)
cw(1  w) n
n 0
1
M (1  SCR)
77
EK 4. İSTATİSTİKSEL SIRALI ÇYH SYAO DENKLEMLERİ ÇIKARIMI
Ek4.1 Tektür ortam
n’ninci tarama için M hücreli bir referans penceresinde bulunan hücrelerin

sezimleyici çıkışı sinyal seviyeleri küçükten büyüğe sıralanır
x(1)(n)≤ x(2)(n)≤.... ≤x(M)(n) (Ek4.1)
k’nıncı sıradaki sinyal seviyesi x(k)(n) eşik değeri belirlemede kullanılır. Eşik değeri
ise x(k)(n) sinyal seviyesi ve geçmiş taramalarda k’nıncı sıradaki sinyal
seviyelerinin (x(k)(n-1), x(k)(n-2), ..) elde edilen sinyal seviyelerinin ağırlıklandırılmış
toplamıdır.

Z (n)   h(n) x( k ) (n) (Ek4.2)
n 0
h(n)  w(1  w)n (Ek4.3)
x(k)(n) sinyal seviyesinin istatistiğini hesaplamada kolaylık için Y vektörü tanımlanır.
 y1 (n)   Mx1  n  
 y (n)  ( M  1)( x  n   x  n ) 

 2   2 1 
.........  ( M  2)( x3  n   x2  n ) 

Y    (Ek4.4)
 jy ( n )  ......................................

.........   2( x 
   M 1  n   xM  2  n ) 
 
 yM (n)  ( xM  n   xM 1  n ) 
n’ninci tarama için k’nıncı sıradaki sinyal seviyesi y vektörü cinsinden yazılabilir.
k y j ( n)
x k  (n)   (Ek4.5)
j 1 M 1 j
n+1’inci tarama için hedef sezimine karar vermede aşağıdaki eşitsizlik kullanılır.
X (n  1)  cZ (n) (Ek4.6)
78
Isıl gürültünün sezimleyici öncesi istatistiğinin kompleks zarfının kompleks
Gaussian olduğu kabul edilir. Kare-alan alıcı detektörü için x(n) ’in yoğunluk
fonksiyonu, H 0 hedef bulunmama durumunda (Ek4.7)’deki gibi yazılır.
x
1 
p( x | H 0 )  e p (Ek4.7)
p
(Ek4.7) denkleminde p ısıl ve çevresel gürültü gücü toplamıdır.
Radar taşıyıcı frekansın taramadan taramaya en az sinyal bant genişliği kadar

değiştiği kabul edilirse, farklı taramalar (n değerleri) için x(n) ler birbirinden
bağımsız olur. Z (n) , n’nin değişik değerleri için x( k ) (n) ’lerin ağırlıklandırılmış
toplamı olduğu için, Z (n) ve X (n  1) istatistiksel olarak bağımsız hale gelir.
n+1’inci taramada hedefin bulunmama durumunda X (n  1) ’in cZ (n) ’den büyük

olma olasılığı, yanlış alarm olasılığıdır. Yanlış alarm olasılığının denklemi (Ek4.8)
gibi yazılır.
PF  E Pr( X (n  1)  cZ (n) H 0 ) (Ek4.8)
Parantez içerisindeki olasılığın değeri (Ek4.10)’da hasaplanır.

Pr( X (n  1)  cZ (n) H 0 )  
cZ ( n )
p( x | H 0 )dx (Ek4.9)
 x
1 p
  e dx
cZ ( n )
p
cZ ( n )

e p
(Ek4.10)
Yanlış alarm oranı (Ek4.10) kullanılarak tekrar yazılır. Z (n) yerine (Ek4.2) yazılır.
 h ( n ) x( k ) ( n )

cZ ( n ) c 
PF  E{e }  E{e
p n0
p
} (Ek4.11)
79
Farklı n değerleri için x k  (n) ’ler birbiriyle bağımsız olduğu için, üstel fonksiyondaki
toplama işlemi, beklenen değer fonksiyonunun dışına çarpım ifadesi olarak

yazılabilir.
 ch ( n ) x k  ( n )

PF   E{e p
} (Ek4.12)
n 0
x k  (n) yerine (Ek4.5)’teki eşitlik kullanılırsa (Ek4.13) yazılır.
k
 ch ( n ) y (n)
  M j1 j
PF   E{e
p j 1
} (Ek4.13)
n 0
Üstel fonksiyondaki toplama işlemi, y j (n) ’ler birbirinden bağımsız olduğu için
beklenen değer fonksiyonun dışına çarpım olarak yazılır.
 k
  M 1 j  p 
 ch ( n ) y j ( n )

PF   E e  (Ek4.14)
n  0 j 1 
 

y j (n) ifadesinin dağılım fonksiyonu (Levanon ve Shor, 1991)’da (Ek4.15)’teki
gibidir.
y j (n) y
 
p( y j (n))  e p
e , y0 p
(Ek4.15)
(Ek4.15) denklemi (Ek4.14)’te yerine konulursa (Ek4.16) elde edilir.
 k
  M 1 j  p 
 ch ( n ) y

PF   E e  (Ek4.16)
n  0 j 1 
 

Beklenen değer fonksiyonu hesaplanır.
    M ch1(n )j yp  py 1 
k
PF     e e dy  (Ek4.17)
 p 

n  0 j 1 0

80
 k 1   y  ch ( n ) 1 
PF     e 
p  M 1 j  
dy  (Ek4.18)
n  0 j 1  p 
 0 
Parantez içindeki integral hesaplanır
 
 
 y ch ( n )  
 k
1 1 1 
p   M 1 j   

PF    e | (Ek4.19)
n  0 j 1 p 1  ch(n) 

0
1 
 p   M 1 j   
   
 

 
k
 1 
PF    (Ek4.20)
n  0 j 1  
  ch(n)  1 
  M 1 j  
 
h(n) yerine denklem (Ek4.3) yazılır ve yanlış alarm oranı elde edilir.
 k
1
PF   (Ek4.21)
cw(1  w) n
n 0 j 1
1
M 1 j
Gösterim açısından İS SYAO tekniğine benzerlik kazandırması için j  i 1

dönüşümü yapılır.
 k 1
1
PF   (Ek4.22)
cw(1  w) n
n 0 i 0
1
M i
c
Sezim olasılığı, (Ek4.22)’de c yerine yazılarak elde edilebilir.
1  SCR
 k 1
1
PD   (Ek4.23)
cw(1  w) n
n 0 i 0
1
 M  i 1  SCR 
81
Referans penceresindeki M hücreden r tanesinde ICR gücünde bekleyen

karıştırıcı hedef ve son L taramada ICR gücünde bekleyen hedef varsa sezim
olasılığı denklemi değişir.
n’ninci tarama için hedef sezimine karar vermede aşağıdaki eşitsizlik kullanılır.
x(n  1)  cZ (n) (Ek4.24)
H1 hedef bulunması durumunda, kare-alan alıcı detektörü için x(n) ’in yoğunluk
fonksiyonu (Ek4.25)’te verilmiştir.
x
1 
p( x | H1 )  e p (1 SCR ) (Ek4.25)
p(1  SCR)
Sezim denklemi (Ek4.26)’da verilmiştir.
PD  E Pr( x(n  1)  cZ (n) H1 , Z (n)) (Ek4.26)
Parantez içerisindeki olasılığın değeri (Ek4.25) kullanılarak hesaplanır.

Pr( x(n  1)  cZ (n) H1 )  
cZ ( n )
p( x)dx
 
x
1
 
cZ ( n )
p(1  SCR)
e p (1 SCR ) dx
cZ ( n )

p (1 SCR )
e (Ek4.27)
(Ek4.27)’yi sezim denkleminde yerine koyarsak (Ek4.28) elde edilir.
 h ( n ) x k  ( n )

cZ ( n )
p (1 SCR )
c  p (1 SCR )
PD  E{e }  E{e n0
}
 ch ( n ) x k  ( n )

PD   E{e p (1 SCR )
} (Ek4.28)
n 0
h(n) yerine (Ek4.3) denklemi yazılır.
82
cw (1 w )n x( k ) ( n )
 
PD   E{e p (1 SCR )
} (Ek4.29)
n 0
Beklenen değer ifadesi integral şeklinde yazılır.
 cw (1 w )n x( k ) ( n )
 
PD    e p (1 SCR )
f X ( k ) ( x( k ) )dx( k ) (Ek4.30)
n 0 0
İşlem sadeliği için x( k ) ifadesindeki indis düşürülür, x şeklinde yazılır. Denklem
(4.31)’deki dönüşüm yapılırsa sezim olasılığı (Ek4.32)’teki gibi yazılır.
cw(1  w)n
 A(n) (Ek4.31)
(1  SCR)
 
PD    e A( n ) x ( n )/ p f X ( x)dx (Ek4.32)
n 0 0
Integration By Parts işlemi ile integral (Ek4.33)’teki gibi yazılır.
 
  A(n)  A( n) x ( n)/ p
e |
 A( n ) x ( n )/ p  A( n ) x ( n )/ p
f X ( x)dx  FX ( x)e e FX ( x)dx (Ek4.33)
0
0
0
p
FX ( x) dağılımının, referans penceresindeki M hücreden r tanesinde SCR gücünde
karıştırıcı hedef durumu için (Ek4.34)’teki gibi elde edilir (Gandhi ve Kassam,
1988).
M
 M  r  r   ( M r l ) x
min( i , M  r )  ( r i l ) x x
FX ( x)     l  i  l  e (1  e x l
) e 1 SCR
(1  e 1 SCR i l
) (Ek4.34)
i  k l  max(0,i  r )   
Denklem (4.33)’te, sağdaki ilk terimde x yerine 0 veya  konulduğunda, terimin

değeri 0 olur. Bu yüzden (Ek4.33) sadeleşir.
 
A(n)  A( n ) x ( n )/ p
e f X ( x)dx  
 A ( n ) x ( n )/ p
e FX ( x)dx (Ek4.35)
0 0
p
Sezim olasılığı denklemi, (Ek4.35)’nın yardmıyla tekrar yazılır.
83
 
A(n)  A( n ) x ( n )/ p
PD  
p 0
e FX ( x)dx (Ek4.36)
n 0
Sezim olasılığı denklemi, (Ek1.12) denklemi kullanılarak ve p  1 alınarak

(Ek4.37)’deki gibi hesaplanır.
 l  i  l 
   (1) j1  j2

cw(1  w) n M min( i , M  r )
 M  r  r  l i  l
 j1  j2 
PD     
n  0 (1  SCR ) i  k l  max(0,i  r ) 
  
l  i  l  j1 0 j2 0 cw(1  w) n ( j  r  i  l)
M r l   j1  2
(1  ICR) 1  ICR
(Ek4.37)
Referans penceresindeki M hücreden r tanesinde ICR gücünde karıştırıcı hedef

ve son L taramada ICR gücünde bekleyen hedef varsa (Bkz. Ek2.2 ÇYH Tektür
olmayan ortam) sezim olasılığı denklemi değişir.
 l  i  l  j1  j2
   (1)
cw(1  w)
L 1 n M
 M  r  1 r  1
min( i , M  r 1) l i l
 1  2 
j j
PD        
   j1 0 j2 0 M  r  1  l  cw(1  w)  j  ( j2  r  1  i  l )
n
n 0 (1 SCR ) i  k l  max(0,i  r 1)  l  i l
(1  ICR) 1  ICR
1
 l  i  l 
   (1) j1  j2
L 1
cw(1  w) n M min( i , M  r )
 M  r  r  l i  l
 j1  j2 
x   
n  0 (1  SCR ) i  k l  max(0,i  r ) 
  
l   i  l  j1 0 j2 0 cw(1  w) n ( j  r  i  l)
M r l   j1  2
(1  ICR) 1  ICR
(Ek4.38)
84
EK 5. HO VE ÇYH SYAO VBS DENKLEMLERİ ÇIKARIMI
Ek5.1Tektür Ortam
Veya karar verme kuralı ve iki farklı sezimleyici ile çalışan veri birleştirme
merkezleri için sezim ve yanlış alarm denklemleri (Üner ve Varshney, 1996)’deki
gibi yazılır.
PD  PD1  PD2  PD1 PD2 (Ek5.1)
PF  PF1  PF2  PF1 PF2 (Ek5.2)
1 numaralı teknik olarak Hücre Ortalamalı, 2 numaralı teknik olarak ise Çevresel
Yansımanın Haritalanması kullanılacaktır.
M
 c1 
PD1  1   (Ek5.3)
 (1  SCR) 
PF1  (1  c1 ) M (Ek5.4)
 
  1 
PD2     (Ek5.5)
l 0  c2 w(1  w)l 
 1  
 1  SCR  

 1 
PF2    l 
(Ek5.6)
l  0 1  c2 w(1  w) 
Genel sezim ve yanlış alarm denklemleri tekrar yazılır.
   
 c1 
M
 1   c1 
M
 
1 
PD  1      1     
 (1  SCR)  l 0  c2 w(1  w)l   (1  SCR)  l 0  c2 w(1  w)
l

1  1  SCR   1  1  SCR  
   
(Ek5.7)

 1  
 1 
PF  (1  c1 ) M    l 
 (1  c ) M
  l 
(Ek5.8)
l  0 1  c2 w(1  w)  l  0 1  c2 w(1  w) 
1
85
Çoklu hedef bulunma veya test hücresinde bekleyen hedef durumunda sezim
olasılığı denklemi, (Ek5.1)’deki denklemde, yerel sezim olasılıklarına detektörlerin
karıştırıcı hedef (Denklem 2.5) ve bekleyen hedef (Denklem 3.5) durumu
denklemleri yazılarak elde edilir.
PD  PD1  PD2  PD1 PD2
r r M
 (1  ICR)c   c 
PD1  1  1
 1  SCR   (1  SCR) 
 
   
L 1  n  
1 1
PD2    .  
l 0 
1  ICR  l  l L  cw (1  w) l

1 cw(1  w)
 1  SCR   1  1  SCR  
 
   
  n  
r r M
 (1  ICR)c1   c1  L 1
1 1
PD  1  1  .  
 1  SCR   (1  SCR) 
 
l 0 
1
1  ICR 
c2 w(1  w)l  l  L 1  c2 w(1  w)
l

 1  SCR    1  SCR  
 
   
  n  
r r M
 (1  ICR)c1   c1  L 1
1 1
 1 
  1
1  SCR   (1  SCR) 
  
l 0 
1  ICR 
 . 
  l


1 c2 w(1  w)  l  L 1  2
l c w (1 w)
 1  SCR    1  SCR  

(Ek5.9)
86
EK 6. HO VE İS-ÇYH SYAO VBS DENKLEMLERİ ÇIKARIMI
Ek6.1Tektür ortam
Veya karar verme kuralı ve iki farklı sezimleyici ile çalışan veri birleştirme
merkezleri için sezim ve yanlış alarm olasılıkları denklem (Ek6.1) ve(Ek6.2)’deki
gibidir.
PD  PD1  PD2  PD1 PD2 (Ek6.1)
PF  PF1  PF2  PF1 PF2 (Ek6.2)
1 numaralı teknik olarak Hücre Ortalamalı, 2 numaralı teknik olarak ise İstatistiksel
Sıralı Çevresel Yansımanın Haritalanması kullanılacaktır.
 M1
 c1 
PD1  1   (Ek6.3)
 (1  SCR) 
PF1  (1  c1 ) M1 (Ek6.4)
n k2 1
1
PD2   (Ek6.5)
c2 w(1  w) n m
m 1 i 0
1
 M 2  i 1  SCR 
n k2 1
1
PF2   (Ek6.6)
c w(1  w) n  m
m 1 i 0
1 2
M2  i
M1 Hücre Ortalamalı teknik için referans pencere büyüklüğü, M2 ise İstatistiksel

Sıralı ÇYH tekniği için referans pencere büyüklüğüdür. Referans pencereleri farklı
büyüklüklerde seçebilme esnekliğini muhafaza etmek için farklı adlandırma
yapılmıştır.
Genel sezim ve yanlış alarm denklemleri tekrar yazılır.
87
 M1 k2 1
 c1  n
1
PD  1     ...
 (1  SCR)  c2 w(1  w)n  m
m 1 i 0
1
 M 2  i 1  SCR 
 M1 k2 1
 c1  n
1
 1    c2 w(1  w)n  m
(Ek6.7)
 (1  SCR)  m 1 i 0
1
 M 2  i 1  SCR 
n k2 1 n k2 1
1 1
PF  (1  c1 ) M1   nm
 (1  c )  M1
 (Ek6.8)
c w(1  w) c w(1  w) n m
1
m 1 i 0
1 2 m 1 i  0
1 2
M2  i M2  i
Çoklu hedef bulunma veya test hücresinde bekleyen hedef durumunda sezim
olasılığı denklemi, (Ek6.1)’deki denklemde, yerel sezim olasılıklarına HO SYAO
için karıştırıcı hedef (Denklem 2.5) ve İS-ÇYH SYAO bekleyen ve karıştırıcı hedef
(Denklem 3.16) durumu denklemleri yazılarak elde edilir.
PD  PD1  PD2  PD1 PD2
r r M
 1  ICR    c 
PD1  1  c  1  
 1  SCR    (1  SCR) 
 l  i  l  j1  j2
   (1)
c2 w(1  w)
L 1
 M 2  r2  1 r2  1
n M 2 min( i , M 2  r2 1) l i l
 1  2 
j j
PD2        x 
   j1 0 j2 0 M  r  1  l  c2 w(1  w)  j  ( j2  r2  1  i  l )
n
n 0 (1 SCR ) i  k l  max(0,i  r2 1)  l  i l
(1  ICR) 1  ICR
2 2 1
 l  i  l  j1  j2
   (1)

c2 w(1  w) n
 M 2  r2  r2 
M 2 min( i , M 2  r2 ) l i l
 1  2 
j j
 x     
   j1 0 j2 0 M  r  l  c2 w(1  w)  j  ( j2  r2  i  l )
n
n L (1 SCR ) i  k2 l  max(0,i  r2 )  l  i l
(1  ICR) 1  ICR
2 2 1
88
 r1 r M
 1  ICR     L 1
c2 w(1  w) n M 2 min(i , M 2  r2 1)  M 2  r2  1 r2  1
1 1
c1
PD  1  c1  
 (1  SCR) 
1      l  i  l 
 1  SCR     n  0 (1  SCR ) i  k l  max(0,i  r2 1)   
 l  i  l  j1  j2
   (1)
l i l
 1  2 
j j 
c2 w(1  w) n
x  
M 2  r2  1  l  2  j1  2 2
(1  ICR) 1  ICR
 l  i  l  j1  j2
M 2 min( i , M 2  r2 )
    (1)
 M r  r  l i l
 1  2 
j j
x    2 2  2   
i  k2 l  max(0,i  r2 )  l  i  l  j1 0 j2 0 c2 w(1  w) n ( j  r  i  l)
M 2  r2  l   j1  2 2
(1  ICR) 1  ICR
 r1 r M
 1  ICR     c2 w(1  w) n M 2 min(i , M 2  r2 1)  M 2  r2  1 r2  1
1 1 L 1
c1
 1  c1  1  (1  SCR)      l  i  l 
 1  SCR     n 0 1  SCR i  k2 l  max(0,i  r2 1)   
 l  i  l  j1  j2
   (1)
l i l
 j1  j2  
c2 w(1  w) n
x  
j1  0 j2  0 c2 w(1  w) n ( j2  r2  1  i  l ) n  L (1  SCR)
M 2 r2  1  l   j1 
(1  ICR) 1  ICR
 l  i  l  j1  j2
   (1)
M 2 min( i , M 2  r2 )
 M 2  r2  r2 l i l
 1  2 
j j
x     
i  k2 l  max(0,i  r2 )  l  i  l  j1 0 j2 0 c2 w(1  w) n ( j  r  i  l)
M 2  r2  l   j1  2 2
(1  ICR) 1  ICR
(Ek6.9)
89
ÖZGEÇMİŞ
Adı Soyadı : Mustafa Mutlu CAN
Doğum Yeri : Kayseri
Doğum Yılı : 1984
Medeni Hali : Bekar
Eğitim ve Akademik Durumu:
Lisans : 2002 – 2006 Hacettepe Üniversitesi
Elektrik ve Elektronik Mühendisliği
Yabancı Dil : İngilizce
İş Tecrübesi:
2006 – Tübitak - Sage
90

244667

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

244667

Uploaded by

Copyright:

Available Formats

HÜCRE ORTALAMALI SYAO VE

İSTATİSTİKSEL SIRALI ÇEVRESEL YANSIMA

CFAR DETECTION BASED ON DECISION FUSION OF

MUSTAFA MUTLU CAN

Lisansüstü Eğitim – Öğretim ve Sınav Yönetmeliğinin

ELEKTRİK ve ELEKTRONİK Mühendisliği Anabilim Dalı İçin Öngördüğü

YÜKSEK LİSANS TEZİ

Bu çalışma jürimiz tarafından ELEKTRİK VE ELEKTRONİK MÜHENDİSLİĞİ

Üye (Danışman) :….......................................

Bu tez ...../...../..... tarihinde Enstitü Yönetim Kurulunca kabul edilmiştir.

Prof.Dr. Erdem YAZGAN

Mustafa Mutlu Can

İkincisi, çevresel yansıma haritalamasına dayalı tekniktir. Bu teknikte, test

Danışman: Yrd. Doç. Dr. Mücahit K. ÜNER, Hacettepe Üniversitesi, Elektrik ve

Mustafa Mutlu Can

Advisor: asst. Prof. Mücahit K. ÜNER, Hacettepe University, Department of

Aileme, verdikleri destek ve istemeden ihmal etmelerime gösterdikleri anlayıştan

Çalışma arkadaşlarıma, tez çalışmalarının yoğunlaştığı zamanlarda gösterdikleri

Şekil 1.1 Çevresel Yansıma Haritalamalı SYAO Radar Modeli......... 2

Çizelge 2.1 HO SYAO tekniği, PF=10-6 ve farklı M için c değerleri…. 7

c : Eşik Değeri Çarpanı

ÇYH SYAO : Çevresel Yansıma Haritalamalı Sabit Yanlış Alarm

HO SYAO : Hücre Ortalamalı Sabit Yanlış Alarm Oranı

HO ve ÇYH SYAO VBS : Hücre Ortalamalı ve Çevresel Yansıma

HO ve İS SYAO VBS : Hücre Ortalamalı ve İstatistiksel Sıralı Sabit Yanlış

HO ve İS-ÇYH SYAO VBS : Hücre Ortalamalı ve İstatistiksel Sıralı Çevresel

HO-ÇYH SYAO : Hücre Ortalamalı Çevresel Yansıma Haritalamalı

ICR : Karıştırıcı Hedef Gücünün, Çevresel Yansıma

İS SYAO : İstatistiksel Sıralı Sabit Yanlış Alarm Oranı

İS-ÇYH SYAO : İstatistiksel Sıralı Çevresel Yansıma Haritalamalı

L : Bekleyen Hedefin Beklediği Tarama Sayısı

SYAO : Sabit Yanlış Alarm Oranı

PF : Yanlış Alarm Olasılığı

r : Karıştırıcı Hedef Sayısı

SCR : Sinyal Gücünün, Çevresel Yansıma Gücüne Oranı

VBS : Veri Birleşim Sistemi

Z : Eşik Değeri Kestirimi

Çevresel Yansıma Haritalamalı : Clutter Map

Eşik Değeri : Threshold

Hücre Ortalamalı (HO) : Cell Averaging (CA)

Isıl Gürültü : Thermal Noise

İstatistiksel Sıralı (İS) : Ordered Statistic (OS)

Kare-alan Alıcı : Square Law Detector

Veri Birleşim Sistemi : Data Fusion System

Yanlış Alarm : False Alarm

1. Hedef var: Radar alıcısına gelen sinyal seviyesi, eşik değeri

2. Hedef yok: Radar alıcısına gelen sinyal seviyesi, eşik değeri

Hedefin bulunma/bulunmama durumuna göre, alınan kararlar farklı şekilde

1. Sezim, hedef varken, radar alıcısının hedef var kararı vermesidir.

2. Kaçırma, hedef varken, radar alıcısının hedef yok kararı vermesidir.

Klasik radar işlemcileri, ortamın çevresel yansımasına ait istatistiksel dağılımın,

İstenen SYAO’yu başarmak için iki temel teknik kullanılır.

İkincisi, çevresel yansıma haritalamalı (ÇYH) tekniktir. Bu teknikte, eşik değerini

Z(n-1) Tarama Z(n-1)

Şekil 1.1 Çevresel Yansıma Haritalamalı SYAO Radar Modeli

Z (n)  wX (n)  (1  w)Z (n 1) (1.1)

Z (n)  wX (n)  w(1  w) X (n 1)  w(1  w) 2 X (n  2)  w(1  w)3 X (n  3)  ... (1.2)

Veri birleşim sistemi (VBS), birden fazla SYAO işlemcisinin kararlarını

Bölüm 5’te, tezin önceki bölümlerinde analiz edilen tekniklerin karşılaştırmalı

2.1. Hücre Ortalamalı SYAO

2.1.1 Tektür ortam

İlgili teknikte M hücreli bir referans penceresinde bulunan hücrelerin sezimleyici

Bu tekniğe ait şema Şekil 2.1’de verilmiştir.

Şekil 2.1 Hücre Ortalamalı SYAO Radar Modeli