Search

Virtual screening of candidate drug molecules via machine learning methods plays a key role in pharmaceutical industry to prevent adverse effects of the drugs. Computational classification methods can distinguish approved drugs from withdrawn ones. In this study, we focused on 3 various applications on drugs. We studied with different machine learning strategies to distinguish approved and withdrawn drugs. To begin with, 760 molecular descriptors such as ToxPrint Chemotype, global molecular, size and shape were calculated to study classification and feature selection problems for each drug molecule in this study. In first application, SVM and ensemble methods were applied on drug data sets to categorize more than 400 drugs belonging to nervous system and various disease groups as approved or withdrawn. Accuracy rates were found between 0.74 and 0.89 for data sets. Here, feature selection methods which were applied on drug data sets increased classification performance values. The number of total chemotypes, bond CN_amine_aliphatic_ generic, XlogP, aspheric: Cor3D:ori1ve Bonds descriptors were found as more significant descriptors to form model for nervous system drugs. Moreover, the fragmans located in minimum 60 % of nervous system withdrawn drugs were determined via application of gSpan algorithms on drug data sets. This is the first report that describes distinction of withdrawn and approved drugs pertaining to the spesific disease on the data sets. In the second part of study, 558 drugs with various disease groups were classified in 3 basic levels with hierarchical multi-label classification via Clus-HMC-Ens algorithms. While first level includes all drugs, second level consists of 3 groups of drugs. These are approved nerveous system drugs, approved drugs of various disease groups and withdrawn drugs. Last level has drugs of 5 different groups according to Anatomic Therapeutic Chemical classification of nerveous system drugs. In this application, some paremeter, Aday ilaç moleküllerinin makine öğrenmesi metotlarını kullanarak sanal olarak taranması ilaçların ters yan etkilerinden korunmak amacıyla ilaç endüstrisinde kilit bir rol oynar. Hesaplamalı sınıflandırma metotları onaylanmış ilaçları geri çekilenlerden ayırabilir. Çalışmamızda ilaçlar üzerinde üç farklı uygulamaya odaklandık. Onaylanmış ilaçları geri çekilen ilaçlardan ayırmak amacıyla farklı makine öğrenmesi stratejileri kullandık. Öncelikle çalışmada yer alan her bir ilaç molekülü için sınıflandırma ve öznitelik seçimi problemlerinde kullanılmak üzere ToxPrint Kemotip, global moleküler, boyut ve şekil olmak üzere 760 moleküler tanımlayıcı hesaplandı. İlk uygulamada 400'den fazla sinir sistemi ve farklı hastalık gruplarına ait ilaçları onaylanmış ve geri çekilen kategorilerine ayırmak için SVM ve topluluk metotları ilaç veri setleri üzerine uygulandı. Test setleri için doğruluk oranı 0.74 ile 0.89 elde edildi. Burada ilaç veri setleri üzerinde uygulanan özellik seçimi metotları sınıflandırma performansını arttırdı. Sinir sistemi ilaçları için bir model oluşturmada the number of total chemotypes, bond CN_amine_aliphatic_ generic, XlogP, aspheric: Cor3D:ori1ve Bonds tanımlayıcıları etkin özellikler olarak belirlendi. Bunun yanında ilaç veri setlerine gSpan algoritması uygulayarak geri çekilen sinir sistemi ilaçlarının minimum % 60'ında bulunan fragmanlar belirlendi. Çalışma spesifik bir hastalığa ait ilaçlardan oluşan veri setlerinde geri çekilen ilaçları onaylanmış olanlardan ayırmada yapılan ilk çalışmadır. Çalışmanın diğer bölümünde farklı hastalık gruplarına ait 558 ilaç hiyerarşik çoklu etiket sınıflaması ile Clus-HMC-Ens algoritması kullanılıp 3 temel seviyede sınıflandırıldı. Birinci seviye bütün ilaçları, ikinci seviye ise 3 gruptan oluşan ilaçları içermektedir. Bunlardan ilki onaylanmış sinir sistemi ilaçları, ikincisi farklı hastalık gruplarına ait onaylanmış ilaçları ve sonuncu grup ise piyasadan geri çekilen ilaçları içermektedir. Son seviye ise sinir sis

Virtual screening of candidate drug molecules via machine learning methods plays a key role in pharmaceutical industry to prevent adverse effects of the drugs. Computational classification methods can distinguish approved drugs from withdrawn ones. In this study, we focused on 3 various applications on drugs. We studied with different machine learning strategies to distinguish approved and withdrawn drugs. To begin with, 760 molecular descriptors such as ToxPrint Chemotype, global molecular, size and shape were calculated to study classification and feature selection problems for each drug molecule in this study. In first application, SVM and ensemble methods were applied on drug data sets to categorize more than 400 drugs belonging to nervous system and various disease groups as approved or withdrawn. Accuracy rates were found between 0.74 and 0.89 for data sets. Here, feature selection methods which were applied on drug data sets increased classification performance values. The number of total chemotypes, bond CN_amine_aliphatic_ generic, XlogP, aspheric: Cor3D:ori1ve Bonds descriptors were found as more significant descriptors to form model for nervous system drugs. Moreover, the fragmans located in minimum 60 % of nervous system withdrawn drugs were determined via application of gSpan algorithms on drug data sets. This is the first report that describes distinction of withdrawn and approved drugs pertaining to the spesific disease on the data sets. In the second part of study, 558 drugs with various disease groups were classified in 3 basic levels with hierarchical multi-label classification via Clus-HMC-Ens algorithms. While first level includes all drugs, second level consists of 3 groups of drugs. These are approved nerveous system drugs, approved drugs of various disease groups and withdrawn drugs. Last level has drugs of 5 different groups according to Anatomic Therapeutic Chemical classification of nerveous system drugs. In this application, some paremeter, Aday ilaç moleküllerinin makine öğrenmesi metotlarını kullanarak sanal olarak taranması ilaçların ters yan etkilerinden korunmak amacıyla ilaç endüstrisinde kilit bir rol oynar. Hesaplamalı sınıflandırma metotları onaylanmış ilaçları geri çekilenlerden ayırabilir. Çalışmamızda ilaçlar üzerinde üç farklı uygulamaya odaklandık. Onaylanmış ilaçları geri çekilen ilaçlardan ayırmak amacıyla farklı makine öğrenmesi stratejileri kullandık. Öncelikle çalışmada yer alan her bir ilaç molekülü için sınıflandırma ve öznitelik seçimi problemlerinde kullanılmak üzere ToxPrint Kemotip, global moleküler, boyut ve şekil olmak üzere 760 moleküler tanımlayıcı hesaplandı. İlk uygulamada 400'den fazla sinir sistemi ve farklı hastalık gruplarına ait ilaçları onaylanmış ve geri çekilen kategorilerine ayırmak için SVM ve topluluk metotları ilaç veri setleri üzerine uygulandı. Test setleri için doğruluk oranı 0.74 ile 0.89 elde edildi. Burada ilaç veri setleri üzerinde uygulanan özellik seçimi metotları sınıflandırma performansını arttırdı. Sinir sistemi ilaçları için bir model oluşturmada the number of total chemotypes, bond CN_amine_aliphatic_ generic, XlogP, aspheric: Cor3D:ori1ve Bonds tanımlayıcıları etkin özellikler olarak belirlendi. Bunun yanında ilaç veri setlerine gSpan algoritması uygulayarak geri çekilen sinir sistemi ilaçlarının minimum % 60'ında bulunan fragmanlar belirlendi. Çalışma spesifik bir hastalığa ait ilaçlardan oluşan veri setlerinde geri çekilen ilaçları onaylanmış olanlardan ayırmada yapılan ilk çalışmadır. Çalışmanın diğer bölümünde farklı hastalık gruplarına ait 558 ilaç hiyerarşik çoklu etiket sınıflaması ile Clus-HMC-Ens algoritması kullanılıp 3 temel seviyede sınıflandırıldı. Birinci seviye bütün ilaçları, ikinci seviye ise 3 gruptan oluşan ilaçları içermektedir. Bunlardan ilki onaylanmış sinir sistemi ilaçları, ikincisi farklı hastalık gruplarına ait onaylanmış ilaçları ve sonuncu grup ise piyasadan geri çekilen ilaçları içermektedir. Son seviye ise sinir sis

The creation of distinctive subset of the features for near-duplicate image detection is significant in two terms. The former is that the query time decreases reasonably. The latter is that using the distinctive subset of the features for near-duplicate detection performs better than the ordinary subsets. In this thesis, we propose a novel interest point selection method. Using such a method, the distinctive subset is created with a density map, which is calculated from the features to rank them. We examined some experiments to show the performance of the proposed method. The recall rate of 93.08% is obtained when the precision is 98.54% in average., Belirgin öznitelik alt kümesini oluşturma, neredeyse özdeş görüntü erişimi için iki açıdan önemlidir. Bunlardan ilki sorgu süresi önemli ölçüde azalır. İkincisi ise neredeyse özdeş görüntü algılamada belirgin özniteliklerin alt kümesini kullanmak sıradan alt kümeleri kullanmaktan daha iyi sonuç verir. Bu tezde belirgin öznitelik seçimi için özgün bir yöntem önerildi. Bu yöntemde belirgin alt küme, öznitelikleri derecelendirmek için yine bu özniteliklerle hesaplanan bir yoğunluk haritasıyla oluşturuldu. Önerilen bu metodun performansını göstermek için bazı testler yapıldı ve ortalamada %93.08'lik geri çağırmaya karşılık %98.54'lük bir kesinlik elde edildi.

24th Signal Processing and Communication Application Conference (SIU) (2016 : Zonguldak, Turkey ), The creation of distinctive subset of the interest points for near-duplicate image detection is significant in two terms. The former is that the query time decreases reasonably. The latter is that using the distinctive subset of the interest points for near-duplicate detection performs better than the ordinary subsets. In this paper, we propose a novel interest point selection method. Such a method, the distinctive subset is created with a density map which is calculated from the interest points to rank them. We examined some experiments to show the performance of the proposed method and we get a performance of 95.46% recall while the precision is 96.04%., Belirgin öznitelik alt kümesini oluşturma, neredeyse özdeş görüntü algılama için iki açıdan önemlidir. Bunlardan ilki sorgu süresi önemli ölçüde azalır. İkincisi ise neredeyse özdeş görüntü algılamada belirgin özniteliklerin alt kümesini kullanmak sıradan alt kümeleri kullanmaktan daha iyi sonuç verir. Biz bu makalede belirgin öznitelik seçimi için özgün bir yöntem önerdik. Bu metotta belirgin alt küme, öznitelikleri derecelendirmek için yine bu özniteliklerle hesaplanan bir yogunluk haritasıyla oluşturuldu. Önerdigimiz bu metodun performansını göstermek için bazı testler yaptık ve %95.46’lık geri çagırmaya karşılık %96.4’lük bir kesinlik elde ettik.

Especially in recent years, meteorological radar data processing and optimal weather forecasts in the direction of these data, have become an important research area. It is also focused on the detection of non-meteorological targets such as birds, insects and clutter using these radar data. Remote sensing systems as well as satellites have begun to be used in meteorological detection. Especially with polarimetric micro doppler radar, it is possible to detect the hydrometeors in the region by measurements. The most important reasons for choosing these radars instead of satellites can be gathered more detailed information about smaller areas and and quick measures can be taken according to the meteorological situation in the region with short term and instant detections. Within the scope of the thesis, a classifier on the detection of the hydrometeors in this region was constructed by using Hatay Meteorology Radar data and studies were carried out to improve the performance and the success of this classifier. In the first step, the data obtained from Hatay Radar were adapted to the formative studies and a support vector machine classifier was created using the extracted polarimetric radar features. The classifier works in two stages; firstly rainfall detection in radar images, then birds-bugs and clutter detection in regions where rainfall could not be detected. Since there is no ground truth information for classifier training in radar data, radar features are examined, regions visually detectable in hydrometeor classes are scanned, and a ground truth dataset for training is created. Classifier training was done using the ground truth dataset. Then a feature selection was made for the eight features from the radar and the features required for both classification stages were determined. Erroneous and noisy measurements in the radar data were taken using a masking method and the classification results were compared with the selected features. Finally, in order to mini, Özellikle son yıllarda, meteorolojik radar verilerinin işlenmesi ve bu veriler doğrultusunda optimal hava durumu tahminleri önemli bir araştırma alanı olmuştur. Ayrıca yine bu radar verileri kullanılarak kuş,böcek ve kargaşa gibi meteorolojik olmayan hedeflerin tespiti üzerine de yoğunlaşılmıştır. Uzaktan algılama sistemleri ile meteorolojik tespitlerde uyduların yanı sıra radarlar da kullanılmaya başlanmıştır. Özellikle polarimetrik mikro doppler radarlar ile ölçümlerle bölgedeki hidrometeorların tespiti mümkündür. Uyduların yerine bu radarların tercih edilmesinin en önemli sebebi hem radarlarla daha küçük alanlar hakkında daha detaylı bilgiler toplanabilmesi, hem de kısa vadeli ve anlık tespitler ile bölgedeki meteorolojik duruma göre hızlı önlemler alınabilmesidir. Bu tez kapsamında Hatay Meteoroloji Radar verileri kullanılarak bu bölgedeki hidrometeorların tespiti üzerine bir sınıflandırıcı oluşturulmuş ve bu sınıflandırıcının performansını ve başarısını artırmaya yönelik araştırmalar yapılmıştır. İlk aşamada Hatay Radar'ından alınan verilerin formatı çalışmalara uygun hale getirilmiş ve çıkarılan polarimetrik radar öznitelikleri kullanılarak bir destek vektör makinesi sınıflandırıcısı oluşturulmuştur. Sınıflandırıcı iki aşamada çalışmaktadır; öncelikle radar görüntülerinde yağış tespiti yapılmıştır, daha sonra ise yağış tespit edilemeyen bölgelerde kuş-böcek ve kargaşa tespit edilmiştir. Radar verilerinde sınıflandırıcı eğitimi için yersel gerçeklik bilgisi olmadığı için radar öznitelikleri incelenip hidrometeor sınıfları gözle tespit edilebilen bölgeler taranıp, eğitim için bir yersel gerçeklik seti oluşturulmuştur. Yersel gerçeklik seti kullanılarak sınıflandırıcı eğitimi yapılmıştır. Daha sonra radardan gelen sekiz öznitelik için bir öznitelik seçimi yapılmış ve her iki sınıflandırma aşaması için etkili olan öznitelikler belirlenmiştir. Radar verilerinde hatalı ve gürültülü ölçüm alınan bölgeler, bir maskeleme metotu kullanılarak temizlenmiş ve seçilen öznit

A key challenge for radar survelliance systems is the discrimination of ground based targets, especially humans from animals, as well as different types of human activities. For this purpose, target micro-Doppler signatures have been shown to yield high automatic target classification rates; however, performance is typically only given for near-optimal operating conditions using a fixed set of features. Over the past decade a vast number of micro-Doppler features have been proposed for classification of radar micro-Doppler signatures. In fact utilization of all possible features does not guarantee maximum classification performance and the selection of an optimal subset of features is scenario dependent. In this work, a comprehensive survey of micro-Doppler features and their dependence upon system parameters and operational conditions – such as transmit frequency, range and Doppler resolution, antenna target geometry, signal to noise ratio, and dwell time – is given. A new feature design for human micro-Doppler signatures is proposed. Algorithms for optimizing classification performance for a reduced number of features are presented and it is shown that a well selected subset of robust features yields better results. Performance gains achievable using adaptive feature selection are assessed for a case study of interest., Radar gözetleme sistemlerindeki asıl zorluk insanların hayvanlardan ayrılması olduğu kadar farklı insan hareketlerinin ayrılmasını da kapsamaktadır. Bu nedenle hedef mikro-Doppler imzalarının otomatik hedef sınıflandırması için yüksek başarıma sahip olduğu gösterilse de sonuçlar operasyonel koşulların ideal olduğu durumlar ve belirli öznitelik kümeleri için verilmektedir. Geçmiş yıllarda çok sayıda öznitelik mikro-Doppler imzalarının sınıflandırılması için önerilmiştir. Ancak önerilen özniteliklerinin tümünün kullanılması maksimum sınıflandırma başarımının verilmesini garanti etmemekte ve ideal öznitelik alt kümesinin seçilmesi ise senaryoya bağımlı olarak değişmektedir. Bu çalışmada, kapsamlı olarak mikro-Doppler öznitelik çıkarım yöntemleri ve çıkartılan özniteliklerin radar sistem parametleri ve operasyonel koşullara – merkez frekansı, menzil ve Doppler çözünürlüğü, anten hedef geometrisi, sinyal gürültü oranı ve hedef üzerinde kalma süresi – olan bağımlılıklarını incelemektedir. İnsan mikro-Doppler imzalarına uyarlı bir öznitelik dizaynı gerçekleştirilmiştir. Sınıflandırma performansını en iyileştirecek, azaltılmış sayıda olan özniteliklerin çıkartılması için algoritmalar önerilmiş ve iyi seçilmiş bir öznitelik alt kümesinin daha iyi başarımlar ortaya konduğu gösterilmiştir. Durum çalışması yapılarak önerilen uyarlanabilir öznitelik seçim algoritmasının sınıflandırma performansını arttırılabileceği gösterilmiştir.

The creation of distinctive subset of the features for near-duplicate image detection is significant in two terms. The former is that the query time decreases reasonably. The latter is that using the distinctive subset of the features for near-duplicate detection performs better than the ordinary subsets. In this thesis, we propose a novel interest point selection method. Using such a method, the distinctive subset is created with a density map, which is calculated from the features to rank them. We examined some experiments to show the performance of the proposed method. The recall rate of 93.08% is obtained when the precision is 98.54% in average., Belirgin öznitelik alt kümesini oluşturma, neredeyse özdeş görüntü erişimi için iki açıdan önemlidir. Bunlardan ilki sorgu süresi önemli ölçüde azalır. İkincisi ise neredeyse özdeş görüntü algılamada belirgin özniteliklerin alt kümesini kullanmak sıradan alt kümeleri kullanmaktan daha iyi sonuç verir. Bu tezde belirgin öznitelik seçimi için özgün bir yöntem önerildi. Bu yöntemde belirgin alt küme, öznitelikleri derecelendirmek için yine bu özniteliklerle hesaplanan bir yoğunluk haritasıyla oluşturuldu. Önerilen bu metodun performansını göstermek için bazı testler yapıldı ve ortalamada %93.08'lik geri çağırmaya karşılık %98.54'lük bir kesinlik elde edildi.

24th Signal Processing and Communication Application Conference (SIU) (2016 : Zonguldak, Turkey ), The creation of distinctive subset of the interest points for near-duplicate image detection is significant in two terms. The former is that the query time decreases reasonably. The latter is that using the distinctive subset of the interest points for near-duplicate detection performs better than the ordinary subsets. In this paper, we propose a novel interest point selection method. Such a method, the distinctive subset is created with a density map which is calculated from the interest points to rank them. We examined some experiments to show the performance of the proposed method and we get a performance of 95.46% recall while the precision is 96.04%., Belirgin öznitelik alt kümesini oluşturma, neredeyse özdeş görüntü algılama için iki açıdan önemlidir. Bunlardan ilki sorgu süresi önemli ölçüde azalır. İkincisi ise neredeyse özdeş görüntü algılamada belirgin özniteliklerin alt kümesini kullanmak sıradan alt kümeleri kullanmaktan daha iyi sonuç verir. Biz bu makalede belirgin öznitelik seçimi için özgün bir yöntem önerdik. Bu metotta belirgin alt küme, öznitelikleri derecelendirmek için yine bu özniteliklerle hesaplanan bir yogunluk haritasıyla oluşturuldu. Önerdigimiz bu metodun performansını göstermek için bazı testler yaptık ve %95.46’lık geri çagırmaya karşılık %96.4’lük bir kesinlik elde ettik.

Especially in recent years, meteorological radar data processing and optimal weather forecasts in the direction of these data, have become an important research area. It is also focused on the detection of non-meteorological targets such as birds, insects and clutter using these radar data. Remote sensing systems as well as satellites have begun to be used in meteorological detection. Especially with polarimetric micro doppler radar, it is possible to detect the hydrometeors in the region by measurements. The most important reasons for choosing these radars instead of satellites can be gathered more detailed information about smaller areas and and quick measures can be taken according to the meteorological situation in the region with short term and instant detections. Within the scope of the thesis, a classifier on the detection of the hydrometeors in this region was constructed by using Hatay Meteorology Radar data and studies were carried out to improve the performance and the success of this classifier. In the first step, the data obtained from Hatay Radar were adapted to the formative studies and a support vector machine classifier was created using the extracted polarimetric radar features. The classifier works in two stages; firstly rainfall detection in radar images, then birds-bugs and clutter detection in regions where rainfall could not be detected. Since there is no ground truth information for classifier training in radar data, radar features are examined, regions visually detectable in hydrometeor classes are scanned, and a ground truth dataset for training is created. Classifier training was done using the ground truth dataset. Then a feature selection was made for the eight features from the radar and the features required for both classification stages were determined. Erroneous and noisy measurements in the radar data were taken using a masking method and the classification results were compared with the selected features. Finally, in order to mini, Özellikle son yıllarda, meteorolojik radar verilerinin işlenmesi ve bu veriler doğrultusunda optimal hava durumu tahminleri önemli bir araştırma alanı olmuştur. Ayrıca yine bu radar verileri kullanılarak kuş,böcek ve kargaşa gibi meteorolojik olmayan hedeflerin tespiti üzerine de yoğunlaşılmıştır. Uzaktan algılama sistemleri ile meteorolojik tespitlerde uyduların yanı sıra radarlar da kullanılmaya başlanmıştır. Özellikle polarimetrik mikro doppler radarlar ile ölçümlerle bölgedeki hidrometeorların tespiti mümkündür. Uyduların yerine bu radarların tercih edilmesinin en önemli sebebi hem radarlarla daha küçük alanlar hakkında daha detaylı bilgiler toplanabilmesi, hem de kısa vadeli ve anlık tespitler ile bölgedeki meteorolojik duruma göre hızlı önlemler alınabilmesidir. Bu tez kapsamında Hatay Meteoroloji Radar verileri kullanılarak bu bölgedeki hidrometeorların tespiti üzerine bir sınıflandırıcı oluşturulmuş ve bu sınıflandırıcının performansını ve başarısını artırmaya yönelik araştırmalar yapılmıştır. İlk aşamada Hatay Radar'ından alınan verilerin formatı çalışmalara uygun hale getirilmiş ve çıkarılan polarimetrik radar öznitelikleri kullanılarak bir destek vektör makinesi sınıflandırıcısı oluşturulmuştur. Sınıflandırıcı iki aşamada çalışmaktadır; öncelikle radar görüntülerinde yağış tespiti yapılmıştır, daha sonra ise yağış tespit edilemeyen bölgelerde kuş-böcek ve kargaşa tespit edilmiştir. Radar verilerinde sınıflandırıcı eğitimi için yersel gerçeklik bilgisi olmadığı için radar öznitelikleri incelenip hidrometeor sınıfları gözle tespit edilebilen bölgeler taranıp, eğitim için bir yersel gerçeklik seti oluşturulmuştur. Yersel gerçeklik seti kullanılarak sınıflandırıcı eğitimi yapılmıştır. Daha sonra radardan gelen sekiz öznitelik için bir öznitelik seçimi yapılmış ve her iki sınıflandırma aşaması için etkili olan öznitelikler belirlenmiştir. Radar verilerinde hatalı ve gürültülü ölçüm alınan bölgeler, bir maskeleme metotu kullanılarak temizlenmiş ve seçilen öznit

A key challenge for radar survelliance systems is the discrimination of ground based targets, especially humans from animals, as well as different types of human activities. For this purpose, target micro-Doppler signatures have been shown to yield high automatic target classification rates; however, performance is typically only given for near-optimal operating conditions using a fixed set of features. Over the past decade a vast number of micro-Doppler features have been proposed for classification of radar micro-Doppler signatures. In fact utilization of all possible features does not guarantee maximum classification performance and the selection of an optimal subset of features is scenario dependent. In this work, a comprehensive survey of micro-Doppler features and their dependence upon system parameters and operational conditions – such as transmit frequency, range and Doppler resolution, antenna target geometry, signal to noise ratio, and dwell time – is given. A new feature design for human micro-Doppler signatures is proposed. Algorithms for optimizing classification performance for a reduced number of features are presented and it is shown that a well selected subset of robust features yields better results. Performance gains achievable using adaptive feature selection are assessed for a case study of interest., Radar gözetleme sistemlerindeki asıl zorluk insanların hayvanlardan ayrılması olduğu kadar farklı insan hareketlerinin ayrılmasını da kapsamaktadır. Bu nedenle hedef mikro-Doppler imzalarının otomatik hedef sınıflandırması için yüksek başarıma sahip olduğu gösterilse de sonuçlar operasyonel koşulların ideal olduğu durumlar ve belirli öznitelik kümeleri için verilmektedir. Geçmiş yıllarda çok sayıda öznitelik mikro-Doppler imzalarının sınıflandırılması için önerilmiştir. Ancak önerilen özniteliklerinin tümünün kullanılması maksimum sınıflandırma başarımının verilmesini garanti etmemekte ve ideal öznitelik alt kümesinin seçilmesi ise senaryoya bağımlı olarak değişmektedir. Bu çalışmada, kapsamlı olarak mikro-Doppler öznitelik çıkarım yöntemleri ve çıkartılan özniteliklerin radar sistem parametleri ve operasyonel koşullara – merkez frekansı, menzil ve Doppler çözünürlüğü, anten hedef geometrisi, sinyal gürültü oranı ve hedef üzerinde kalma süresi – olan bağımlılıklarını incelemektedir. İnsan mikro-Doppler imzalarına uyarlı bir öznitelik dizaynı gerçekleştirilmiştir. Sınıflandırma performansını en iyileştirecek, azaltılmış sayıda olan özniteliklerin çıkartılması için algoritmalar önerilmiş ve iyi seçilmiş bir öznitelik alt kümesinin daha iyi başarımlar ortaya konduğu gösterilmiştir. Durum çalışması yapılarak önerilen uyarlanabilir öznitelik seçim algoritmasının sınıflandırma performansını arttırılabileceği gösterilmiştir.