Yapay zekânın sinyal istihbaratındaki yeri

Yapay zekâ insan zekâsıyla ilişkilendirilen bilişsel fonksiyonların makineler tarafından gerçekleştirilmesi temeline dayanmaktadır. Makine öğrenmesi bir yapay zekâ örneğidir ve bilgisayar sistemlerinin herhangi bir açık yönergeye ihtiyaç duymaksızın belirli bir görevi yerine getirmesi için kullanılan algoritmalar sistemidir. Derin öğrenme ise başka bir yapay zekâ örneği olup eldeki verinin hangi özelliklerinin karar verme aşamasında kullanılacağını seçen algoritmalardan oluşur

Yapay zekâ ve makine öğrenmesi 1950’lerden bu yana üzerinde çalışılan bir alan olmasına rağmen günümüzde hesaplama kapasitelerinin artmasıyla birlikte kullanımı yaygınlaşmıştır. Özellikle grafik işlemci birimlerinin paralel hesaplama yeteneklerinin yapay sinir ağlarında kullanılmasıyla birlikte modellerin hızlı eğitilmesi mümkün olmuştur. Grafik işlemci birimlerinin yaygın kullanılmasının yanı sıra, yüksek kaliteli ve etiketli veri setlerine erişimin kolaylaşmasının ve bu setlerin sayısının artmasının da makine öğrenmesinin gelişmesine ve yaygınlaşmasına katkı sunduğunu belirtmek gerekir. Makine öğrenmesinin günümüzde hızlı yaygınlaşmasının başkaca sebepleri arasında yeni mimarilerin ortaya konulması da sayılabilir.

Bu yazının konusu olan sinyal istihbarat uygulamalarına geçmeden önce makine öğrenmesinin kullanıldığı alanlara kısaca değinelim. Makine öğrenmesi deyince ilk akla gelen uygulamalardan biri el yazısı rakam sınıflandırma ve LeNet mimarisidir. 1998 yılında ortaya çıkan bu mimari bir evrişimsel sinir ağıdır. MNIST veri seti üzerinde başarımı test edilen model bu alanda ses getiren ilk çalışmaların başında gelmektedir.

2012 yılında Alex Krizhevsky tarafından tasarlanan AlexNet bir başka evrişimsel sinir ağı modelidir. Stanford Üniversitesi tarafından hazırlanan Imagenet veri seti üzerinde dikkat çekici başarı sağlayan model birçok farklı alanda kullanılmıştır. Evrişimsel sinir ağlarının yanı sıra tekrarlayan (recurrent) sinir ağları özellikle zaman serileri üzerinde ciddi başarılar göstermiştir. Bunlardan biri olan ve 1997 yılında Münih Teknik Üniversitesi’nden Sepp Hochreiter tarafından ortaya konan uzun-kısa vadeli bellek (LSTM) ağları, uzun dönemli bağımlılıkları öğrenme sürecine dâhil ederek karar verme sürecinde çok daha yüksek performansla veya başka bir deyişle daha az hata ile çıktı üretebilirler.

Uzun-kısa vadeli hafıza ağlarının en fazla uygulamasının bulunduğu alan yapısına da uygunluğu itibariyle doğal dil işleme problemleridir. Metin ve konuşma örüntüleri zaman bağımlılıkları içermektedir ve bu örüntünün takip edilmesiyle gelecek adımın tahmini daha kesin ve doğru bir biçimde belirlenebilmektedir.

Sinyal İstihbarat

Sinyal istihbarat, telsiz iletişim sistemlerinin kullanılmaya başlanmasının hemen ardından ortaya çıkmış bir savunma teknolojisi alanı olarak kabul edilebilir. Sinyal istihbaratın modern anlamda ilk örneği Japon-Rus savaşı sırasında İngiliz gemisi HMS Diana tarafından Rus denizaltı sinyallerinin Süveyş Kanalı’nda yakalanmasıdır . Daha sonra I. ve II. Dünya Savaşları sırasında sinyal istihbaratın gerekliliği daha iyi anlaşılmış ve bu dönemde bu alana yönelik çalışmalar hız kazanmıştır. Günümüzde hala hem savunma hem de saldırı amaçlı sinyal istihbarat çalışmaları hız kesmeden devam etmekte ve ülkelerin savunma gücünün önemli bir parçası olmayı sürdürmektedir. Sinyal istihbarat temelde sinyalin spektrumda tespiti, tespit edilen işaretin sınıflandırılması ve spektrum kullanımının modellenmesi problemleriyle ilgilenir.

Sinyal Tespiti

Spektrumda işaretin varlığını tespit etmek amacıyla çeşitli yöntemler önerilmiştir. Bunlar arasında en çok bilinen ve yaygın olanı enerji sezicilerdir. Enerji seziciler, gürültü gücünün bilinmesi durumunda optimum sezici olarak çalışabilmektedir. Fakat gürültü gücünün kestirilmesi zaten işaret tespit probleminin bir başka halidir. Açıkçası bir bant aralığında gürültü gücünün kestirilmesi, işaretin varlığını tespit etmek için yeterli olmasına rağmen gürültü gücünün belirlenmesi ciddi bir problemdir. Bu nedenle enerji seziciler, teoride iyi sonuçlar verse bile gerçek iletim ortamında kanal karakteristiğinin değişimi ve geniş bantta gürültü varyansının sabit olmayışı gibi nedenlerden dolayı beklenen performansı göstermekten uzaktır.

BİLGEM bünyesinde yapılan çalışmalar gösteriyor ki derin öğrenme tabanlı yöntemler, klasik sabit alarm olasılıklı sezicilere nazaran daha iyi performans göstermektedirler. Özellikle düşük işaret-gürültü gücü oranlarında bu fark çok daha belirgin olmaktadır. Yapılan çalışmalara ait çıktılar, Şekil 1 ve Şekil 2’de sırasıyla CNN ve SVM tabanlı sınıflandırıcılar için verilmektedir.

Sinyal Sınıflandırma

Sinyal modülasyon sınıflandırması askeri ve sivil uygulamalarda çokça kullanılan ve sinyal tespiti ve demodülasyonu arasında bulunan bir aşamadır. Sinyal modülasyon sınıflandırması, gelen sinyalin işlenmesi ve uygun sınıflandırma algoritmasının seçilmesi olmak üzere iki aşamadan oluşur.

Sınıflandırma aşamasında geleneksel yaklaşım ve yapay zekâ yaklaşımı olmak üzere iki yaklaşım bulunur. Geleneksel yaklaşımlar da benzerlik temelli (LB) ve öznitelik temelli (FB) olmak üzere ikiye ayrılır. Benzerlik temelli yaklaşımlar gelen sinyalin benzerlik fonksiyonuna bağlıdır ve sınıflandırma, bu benzerlik oranının bir eşik değerle karşılaştırmasıyla yapılır. Ancak optimum çözüm karmaşık bir hesaplamayla bulunur ve çoğu örnekte bu durum optimal olmayan sınıflandırıcıların elde edilmesine neden olur.

Öznitelik temelli yaklaşımlar önce gelen sinyalin özniteliklerini çıkarır ve belirli bir kritere (eşik değerine) göre karar verir. Sinyalin kullanılan özniteliklerine; sinyalin mutlak genliği, fazı, frekansı, sıfırdan geçiş aralığının varyansı, momentleri, kümülantları ve çevrimsel kümülantları örnek verilebilir. Öznitelik temelli yaklaşımlar, benzerlik temelli yaklaşımlara göre daha az karmaşıktır; ancak bir öznitelik seçimi her işaret kümesi için optimum olmayabilir. Kör tanıma yapılan bir uygulamada işaret kümesi belirlenemediği için öznitelik temelli yaklaşımlar verimli bir sonuç vermeyebilir. Yapay zekâ yaklaşımında ise sınıflandırma modellerine yapay sinir ağları (ANN) ve evrişimsel sinir ağları (CNN) örnek verilebilir.

Derin öğrenme temelli yaklaşımlar manuel öznitelik seçiminden kaçınır. Model işaretin ayırt edici özelliklerini kendisi çıkarabilir. Bu yüzden derin öğrenme temelli yaklaşımlar geleneksel yöntemlere kıyasla çok daha iyi sınıflandırma performansı sergileyebilmektedir. Derin öğrenme, çok sayıda parametre içeren çok büyük sinir ağları kullanarak yüksek boyutlu girdi verisinden doğrudan öznitelik öğrenme kapasitesini ciddi bir biçimde artırmıştır. BİLGEM’de tasarlanan sınıflandırıcı ağın performansı da bu bilgilerle paralellik göstermektedir ve Şekil 3’te görülebilir.

Spektrum Tahmini

Kablosuz haberleşme teknolojilerinin yaygınlaşmasıyla kablosuz ağa erişimi olan cihaz sayısı artacak ve kullanılabilecek spektrum kaynağı miktarı azalacaktır. Spektrum kaynaklarının ihtiyaca nazaran az kullanılmasının önüne geçilmesine yarayan tek[1]nolojilerden biri spektrum kullanım tahminidir. Spektrum tahmini sayesinde spektrumun uygunluğuna karar verilir, spektrum kaynaklarının kullanım verimliliğiyle beraber kablosuz ağ yapısına erişim kapasitesi de artırılır.

Mevcut spektrum tahmin teknikleri uyumlu filtre tanıması, öznitelik temelli tanıma ve enerji tanıma olmak üzere üçe ayrılır. Uyumlu filtre alıcısı kullanıcı sinyalinin kopyasıyla algılanan sinyali ilişkilendirerek karar verme aşamasında alınan sinyalin işaret-gürültü gücü oranını maksimize eder. Ancak bu yöntemde kullanıcı sinyaline ait tüm bilgiye ihtiyaç vardır ve bu durum bütün gerçek hayat koşullarında sağlanamayabilir.

En bilindik öznitelik temelli tanıma yöntemi, dönemli[1]durağan öznitelik temelli tanıma yöntemidir. Öznitelik temelli tanıma metodu belli koşullar altında başarılı performans gösterse de sinyale ait ön bilgi eksikliği hesaplama karmaşıklığını artırır ve tanıma performansını düşürür.

Enerji tanıma yöntemi, spektrum tanıma yöntemleri arasında en basitidir ancak sinyalin SNR’ı düşük olduğunda tanıma performansı düşüktür. Mevcut yöntemlere alternatif olarak derin öğrenme metotları, spektrum doluluk tahmininde başarılı sonuçlar verir. BİLGEM’de de yapılan çalışmalarda gördüğümüz üzere kapılı tekrarlayan hücre (GRU) ve LSTM temelli tanıma metotları, mevcut geleneksel yöntemlere kıyasla değişken sinyal ortamlarını daha kolay modelleyebilmektedir ve spektrum tahmininde daha etkilidir (Tablo 1 ve Tablo 2). Hatta düşük işaret-gürültü gücü oranlarında ve yetersiz ön bilgi durumlarında bile iyi sonuçlar vermektedir.

Sonuç

Donanımların işlem kapasitelerinin artması ve paralel hesaplama yöntemlerinin etkin kullanılmasıyla birlikte yapay zekâ tabanlı sistemler, birçok alanda hızla yer almaktadır. Hiç şüphesiz bu alanlardan biri de gerek çok parametreli sistem kurguları, gerekse yüksek hassasiyet isterleri olan sinyal istihbarat sistemleridir.

BİLGEM bünyesinde yapay zeka tabanlı yöntemler, yıllardır kurum bünyesinde çalışmaları devam eden sinyal istihbarat sistemlerine entegre edilmiş ve sistem performanslarının ciddi ölçüde arttığı görülmüştür. Türk savunma sanayiinin gelişimine ve ilerlemesine katkıda bulunacağı düşünülen yapay zekâ destekli sinyal istihbarat sistemleri üzerine çalışmalar hız kesmeden devam etmektedir.

Kaynak: TÜBİTAK BİLGEM Teknoloji Dergisi