Akademik Veri Yönetim Sistemi
PAMUKKALE UNIVERSITY JOURNAL OF ENGINEERING SCIENCES-PAMUKKALE UNIVERSITESI MUHENDISLIK BILIMLERI DERGISI, cilt.0, sa.0, 2024 (ESCI)
Özet
2000’li yıllarda ortaya çıkan Sıkıştırmalı Algılama (SA) kavramı, sinyallerin zaman ekseni ya da var oldukları eksenden başka bir transformasyon alanında seyrek hallerinin var olması üzerinedir. Amaca uygun düzenlenen birincil veri ya da amaca uygun toplanan ikincil veri, veri yapısına uygun bir boyutta seyrek olarak ifade edilebilir. Transformasyon neticesinde oluşturulan seyrek formdan rasgele toplanan verilere uygulanan SA yöntemi, sinyalden örnek toplamanın zor, eksik ve maliyetli olduğu durumlarda avantaj sağlar. Toplamda alınabilecek miktar %100 olarak tanımlandığında bu miktarın daha altında alınan ve ölçüm olarak isimlendirilen miktara geri çatım algoritması uygulanır ve sinyalin aslına yakın bir sinyal elde edilir. Bu çalışma, Frekans Modülasyonlu Sürekli Dalga Radarlarına (FMSDR), Ayrık Kesirli Fourier Dönüşüm (AKFD) Tabanlı SA yöntemi uygulanması üzerinedir. FMSDR’ nin ilk birkaç taramasında KFD derece kestirimi yapılarak, sonraki taramalarda sinyal rasgele olarak %25 miktarında alınmaktadır. Geri çatım aşamasında konveks optimizasyonun l1 normu uygulanmış ve başarısı test edilmiştir. Derece kestirimi neticesinde en uygun derece tespit edilip %25 miktarındaki rasgele toplanan sinyale yöntem uygulandığında; sinyalin %75’i alınmadığında bile sinyalin geri çatımında oldukça yüksek başarım elde edildiği görülmektedir. Bu başarımın sonuçları diğer kesir dereceleri ile karşılaştırma yapılarak tablo halinde ifade edilmiştir.
Abstract
The concept of Compressive Sensing (CS), which emerged in the 2000s,
is about the existence of sparse states of signals in a transformation area
other than the time axis or the axis they exist. Primary data organized in
accordance with the purpose or secondary data collected in accordance with the
purpose can be expressed sparsely in a size appropriate to the data structure.
The CS method, which is applied to randomly collected data from the sparse form
created as a result of the transformation, provides an advantage in cases where
sample collection from the signal is difficult, incomplete and costly. When the
total amount that can be taken is defined as 100%, the reconstruction algorithm
is applied to the amount taken below this amount and called the measurement,
and a signal close to the original of the signal is obtained. This study is
about CS method to Frequency Modulated Continuous Wave Radars (FMCWR) based on
Discrete Fractional Fourier Transform (DFrFT). The degree of FrFT is estimated
with the first few scans of the FMCWR and the signal is randomly received in
the amount of 25% in the next scans. In the reconstruction phase, the l1 norm
of convex optimization is applied and its success is tested. When the most appropriate degree is determined as a result of degree
estimation and the method is applied to 25% of the randomly collected signal;
It can be seen that even when 75% of the signal is not received, very high
performance is achieved in reconstructing the signal. This performance was
compared with other fraction degrees and the results were expressed in a table.