KR101408076B1

KR101408076B1 - 유전 알고리즘 융합 신경망을 이용한 pri 변조형태 인식방법 및 그 장치

Info

Publication number: KR101408076B1
Application number: KR1020140004161A
Authority: KR
Inventors: 한진우; 박진태; 송규하; 정운섭
Original assignee: 국방과학연구소
Priority date: 2014-01-13
Filing date: 2014-01-13
Publication date: 2014-06-18

Abstract

본 발명은 알고리즘이 단순하여 자동화하기 쉽고 시간복잡도가 낮으며, 변조형태 인식률이 높은 PRI 변조형태 인식 방법 및 그 장치에 관한 것으로서, 본 발명의 실시예에 따른 PRI 변조형태 인식방법은, 유전 알고리즘을 이용하여 신경망을 훈련시키는 단계, 입력펄스의 TOA(Time Of Arrival)를 이용하여 DDTOA(Difference of Delta TOA) 코드를 생성하는 단계, 상기 DDTOA 코드로부터 DDTOA 행렬을 생성하는 단계, 상기 DDTOA 행렬로부터 PRI 변조형태 구분인자 7개를 추출하는 단계, 상기 7개의 구분인자를 상기 신경망의 입력으로 넣어 PRI 변조형태를 인식함으로써 상기 신경망의 출력층 결과값을 출력하는 단계, 상기 신경망의 출력층 결과값으로부터 결과코드를 생성하는 단계, 상기 결과코드와 미리 정의된 PRI 변조코드와의 비교를 통해 PRI 변조형태를 인식하는 단계를 포함할 수 있다.

Description

유전 알고리즘 융합 신경망을 이용한 PRI 변조형태 인식방법 및 그 장치{METHOD FOR RECOGNIZING PRI MODULATION TYPE USING NEURAL NETWORK FUSE WITH GENETIC ALGORITHM AND APPARATUS THEREOF}

본 발명은 유전 알고리즘 융합 신경망을 이용한 PRI 변조형태 인식방법 및 그 장치에 관한 것이다.

레이더 신호를 식별하기 위해서는 레이더 신호의 주요 인자인 주파수, PRI(Pulse Repetition Interval), 스캔 등에 대한 분석이 선행되어야 한다. 그 중에서도 PRI는 각 레이더마다 고유의 변조형태와 값을 사용하므로 레이더를 식별하는데 쓰이는 가장 기초적이면서 핵심적인 요소이다. 전자전시스템에서 PRI 변조형태를 분석하기 위한 방법으로는 히스토그램을 이용한 방법, 자기상관관계를 이용한 방법 등이 있으나 이러한 방법들은 몇가지 제약을 가진다.

히스토그램을 이용한 방법은 각 펄스간 TOA(Time Of Arrival)의 차를 이용하여 히스토그램을 생성하고 각 변조형태별 히스토그램의 특성을 활용하여 PRI 변조형태를 인식한다. 이 방법은 히스토그램 빈의 크기, 임계치 등의 모호성 및 누락펄스, 불요신호 등의 신호왜곡현상에 대한 큰 민감도로 인하여 자동화하기 어려워 주로 운용자의 수동분석에 이용된다.

자기상관관계를 이용한 방법은 각 펄스간의 자기상관관계를 계산하고 각 PRI 변조형태를 구분하기 위한 형태구분자를 정의하여 각 펄스열에 적용한다. 자기상관관계를 이용한 방법은 누락 및 왜곡현상에 대한 전처리 역할을 하는 필터링이 선행되어야 하고, 주기성을 형태구분에 이용하므로 주기성이 확인될 만큼의 충분한 개수의 펄스가 수집되어야 하며, 각 펄스마다 자기상관관계를 계산하므로 시간복잡도가 높다는 단점이 있다.

한국특허 출원번호 제10-2012-0030199호

본 발명은 누락펄스 및 불요신호 등의 신호왜곡현상에 강건하면서도 자동화하기 용이하고 인식 정확도가 높은 유전 알고리즘이 융합된 신경망 기반의 PRI 변조형태 인식 방법 및 그 장치를 제공하는 데 그 목적이 있다.

본 명세서에 개시된 실시예에 따른 유전 알고리즘 융합 신경망을 이용한 PRI 변조형태 인식방법은, 유전 알고리즘을 이용하여 신경망을 훈련시키는 단계, 입력펄스의 TOA(Time Of Arrival)를 이용하여 DDTOA(Difference of Delta TOA) 코드를 생성하는 단계, 상기 DDTOA 코드로부터 DDTOA 행렬을 생성하는 단계, 상기 DDTOA 행렬로부터 PRI 변조형태 구분인자 7개를 추출하는 단계, 상기 7개의 구분인자를 상기 신경망의 입력으로 넣어 PRI 변조형태를 인식함으로써 상기 신경망의 출력층 결과값을 출력하는 단계, 상기 신경망의 출력층 결과값으로부터 결과코드를 생성하는 단계, 상기 결과코드와 미리 정의된 PRI 변조코드와의 비교를 통해 PRI 변조형태를 인식하는 단계를 포함할 수 있다.

본 명세서에 개시된 실시예에 따른 유전 알고리즘 융합 신경망을 이용한 PRI 변조형태 인식 장치는, 유전 알고리즘을 이용하여 신경망을 훈련하는 신경망 훈련부; 입력 펄스열로부터 DDTOA(Difference of Delta TOA) 코드열을 생성하고, DDTOA 코드열로부터 DDTOA 행렬을 생성하는 생성부; 상기 생성한 DDTOA 행렬에 근거하여 PRI 변조형태 구분인자를 추출하는 추출부; 상기 DDTOA 행렬 및 상기 추출한 PRI 변조형태 구분인자에 근거하여, 소정의 신경망에 대한 출력 결과를 획득하고, 상기 획득한 신경망의 출력 결과에서 나온 결과 값중 가장 큰 값을 가지는 인덱스만으로 결과코드를 생성하고, 상기 결과코드를 이용하여 상기 PRI 변조형태를 인식하는 인식부를 포함할 수 있다.

본 발명은 신경망에 유전 알고리즘을 융합하여 누락펄스 및 왜곡펄스에 대해 민감도가 낮은 PRI 변조형태 인식 방법 및 그 장치로써, 알고리즘이 단순하여 자동화하기 쉽고 시간복잡도가 낮으며, 변조형태 인식률이 높아서 신호분석이 필요한 ES(Electronic warfare Support) 시스템 및 ELINT(Electronic Intelligence) 시스템에 직접 적용 가능하다.

도 1은 본 발명의 실시예에 따른 유전 알고리즘 융합 신경망을 이용한 PRI 변조형태 인식 장치의 구성을 나타낸 도이다.
도 2는 본 발명의 실시예에 따른 유전 알고리즘 융합 신경망을 이용한 PRI 변조형태 인식 방법의 흐름도이다.
도 3은 본 발명에서 사용하는 신경망의 구조도를 나타낸 예시도이다.
도 4는 유전 알고리즘을 이용한 신경망 훈련 방법의 흐름도이다.

이하, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 정도로 상세하게 설명하기 위하여, 본 발명의 실시 예가 첨부된 도면을 참조하여 설명한다. 하지만, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고, 도면에서 본 발명을 명확하게 설명하기 위해 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통해 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

본 발명은 수집된 펄스의 TOA(Time Of Arrival) 정보를 이용하여 DDTOA(Difference of Delta TOA) 코드열을 생성하고, 이를 이용하여 DDTOA 행렬을 만들고 주요 PRI 변조형태 구분인자를 추출한 후, 유전 알고리즘으로 훈련된 신경망을 활용하여 PRI 변조형태를 인식하는 방법을 설명한다.

도 1은 본 발명의 실시예에 따른 유전 알고리즘 융합 신경망을 이용한 PRI 변조형태 인식 장치의 구성을 나타낸 도이다.

신호수신부(10)는 레이더 신호를 수신하도록 형성되며, 신호처리부(20)는 수신된 레이더 신호를 처리하도록 이루어진다. 신호의 처리는 여러가지 형태로 가능하며, 일 예로서 신호처리부(20)는 수신 및 측정된 데이터로부터 각 레이더 신호원을 분리하여 각 신호원에 대한 펄스열을 추출하도록 이루어질 수 있다. 또한, 상기 최종 분석된 결과와 내장하고 있는 식별 정보를 비교하여 각 신호원을 식별할 수 있다. 본 도면을 참조하면, 펄스반복주기 변조형태 인식 장치(100)는 수신된 레이더 신호로부터 펄스반복주기의 변조 형태를 인식하도록 구성된다.

본 발명의 실시예에 따른 PRI 변조형태 인식 장치(200)는,

신경망 및 유전 염색체를 초기화하고, 유전 알고리즘을 이용하여 신경망을 훈련하는 신경망 훈련부(101),

입력 펄스열로부터 DDTOA(Difference of Delta TOA) 코드열을 생성하고, DDTOA 코드열로부터 DDTOA 행렬을 생성하는 생성부(102),

상기 생성한 DDTOA 행렬에 근거하여 PRI 변조형태 구분인자를 추출하는 추출부(103),

상기 DDTOA 행렬 및 상기 추출한 PRI 변조형태 구분인자에 근거하여, 소정의 신경망에 대한 출력 결과를 획득하고, 상기 획득한 신경망의 출력 결과에서 나온 결과 O_j중 가장 큰 값을 가지는 인덱스만으로 결과코드를 생성하고, 상기 결과코드를 이용하여 상기 PRI 변조형태를 인식하는 인식부(104)로 구성된다.

이하, 첨부된 도 1 내지 도 4를 참고하여 본 발명을 상세히 설명한다.

도 2는 본 발명의 실시예에 따른 유전 알고리즘 융합 신경망을 이용한 PRI 변조형태 인식 방법의 흐름도이다.

도 3은 본 발명에서 사용하는 신경망의 구조도를 나타낸 예시도로서, 본 발명에서 사용되는 신경망은 입력층 7개, 은닉층 8개, 출력층 7개를 가지는 3계층 MLP(Multi Layer Perceptron)이다.

먼저, 초기화(S100)를 수행한다. 에를 들면, 초기화 단계에서는 신경망 내부 입력층과 은닉층간의 가중치(u), 은닉층과 출력층간의 가중치(v)를 유전자 염색체(C)로 설정하여, 각 경로별로 P개의 쌍을 생성한다. 예를 들면, 입력층은 7개, 은닉층은 8개, 출력층은 7개의 노드로 구성하는 신경망을 생성한다.

신경망 훈련부(101)는, 신경망을 구성하는 가중치 u_ij와 v_jk를 염색체로 설정한 신경망을 훈련시키며(S200), 자세한 사항은 도 4를 참고하여 설명한다.

도 4는 유전 알고리즘을 이용한 신경망 훈련 방법의 흐름도이다.

신경망 훈련부(101)는, TOA를 포함하는 N개의 펄스열을 생성하고, 각 펄스열에 대하여 도 2의 S300 ~ S500 단계에서와 같이 DDTOA코드 및 행렬을 생성하고 구분인자를 추출하여 훈련집합으로 생성하며(S210), 각 훈련집합은 구분인자와 PRI변조코드로 구성된다. 여기서, N은 자연수이다.

신경망 훈련부(101)는 각 염색체에 대하여 각 훈련집합에 대한 적합도를 계산한다(S220). 적합도(F)는 N개의 훈련집합에 대하여 각 염색체를 적용한 신경망의 인식결과의 비를 의미한다. 하나의 염색체가 N개의 훈련집합에 대하여 제대로 인식된 결과가 R개라면 이 염색체에 대한 적합도는 R/N이다.

상기 계산된 적합도를 근거로 염색체 교배를 수행한다(S230). 예를 들면, 염색체 집단에서 임의로 2개를 선택하여 교배한 다음 새로운 염색체를 생성한다. 염색체 선택은 적합도를 고려하여 룰렛 휠 방법으로 높은 적합도를 가진 해가 선택될 확률이 높도록 한다. 선택된 하나의 쌍(C_j, C_k)을 적합도를 고려하여 교배하여 다음과 같은 수학식 1을 통해 새로운 염색체(C_n)를 생성한다.

여기서, C_n는 교배를 통해 생성된 새로운 염색체(n=1~교배율N), C_j, C_k는 룰렛 휠 방법으로 선택한 염색체 쌍(j, k는 염색체의 인덱스), F_j, F_k는 룰렛 휠 방법으로 선택한 염색체의 적합도(j, k는 염색체의 인덱스)를 나타낸다.

상기 새로운 염색체(C_n)를 근거로 돌연변이를 생성한다(S240). 돌연변이를 적용할 염색체는 적합도가 낮은 순서대로 선택한다. 예를 들면, 상기 돌연변이 생성은 돌연변이 발생율(M)만큼 염색체 집단에 반영하는 것으로 그 방법은 수학식 2와 같다.

여기서, rand()는 랜덤함수로서, 0~1사이의 값을 랜덤으로 발생한다. C_v는 적합도 낮은 순서대로 선택한 돌연변이를 적용할 염색체(v는 염색체의 인덱스), *C_v는 새로 생성된 돌연변이 염색체, F_v는 적합도 낮은 순서대로 선택한 돌연변이를 적용할 염색체의 적합도(v는 염색체의 인덱스)를 나타낸다.

상기 생성된 돌연변이를 근거로 염색체를 갱신한다(S250). 예를 들면, 염색체 갱신은 기존 염색체 집단을 교배와 돌연변이로 변화된 새로운 해 집단으로 교체한다.

이후, 세대 종료조건을 확인한다(S260). 예를 들면, 상기 세대 종료조건 확인은 새로운 자식 세대로의 유전을 지속할 것인지를 판단하는데, 그 조건으로는 최대 세대(G)와 동일 해 임계치(

)를 이용한다. 즉, 유전의 세대가 최대 세대(예:20)이상이거나, 해 전체 집단 중 동일한 해의 비율이

보다 큰 경우 세대를 종료한다.

상기 유전 알고리즘 적용을 통해 변화된 염색체 집단에서 평균대비 오차가

이내인 염색체들만을 추출하여 그 염색체들의 평균으로 신경망의 가중치 u, v를 설정함으로써 신경망 훈련을 종료한다(S270).

상기 생성부(102)는 DDTOA 코드열을 생성한다(S300). 예를 들면, 상기 생성부(102)는 입력 펄스열에서 TOA 정보를 이용하여 DDTOA 코드열(

)을 생성하는 것으로, 그 방법은 수학식 3과 같으며, 수학식 3에서 t는 TOA를 의미하고, k는 DDTOA값을 의미한다.

여기서,

는 DDTOA 코드열의 i번째 원소 (i는 DDTOA 코드열의 인덱스),

는 인덱스 i, j의 DDTOA 값,

는 인덱스 i, i+1, i+2의 TOA 값을 나타낸다.

상기 생성부(102)는 상기 DDTOA 코드열로부터 DDTOA행렬(

)을 생성한다(S400). 예를 들면, 상기 DDTOA행렬()은 5

5 행렬로서 DDTOA 코드열로부터 생성되며 그 방법은 수학식 4와 같다.

수학식 4에서 Q는 생성된 DDTOA 코드의 크기(개수)를 의미한다.

는 DDTOA행렬의 (i,j)번째의 값,

는 DDTOA 코드열의 p, p+1번째 원소, p는 DDTOA 코드열의 인덱스를 나타낸다.

상기 추출부(103는), 상기 생성한 DDTOA 행렬에 근거하여 PRI 변조형태 구분인자를 추출한다(S500). 예를 들면, 구분인자(

) 추출은 PRI변조형태 인식을 위하여 신경망의 입력으로 사용하는 입력데이터로서 DDTOA 행렬로부터 총 7개의 인자를 추출하며, 그 방법은 수학식 5와 같다. 수학식 5에서

는 가중치 요소이며 50~150 사이의 값으로 설정하여 사용한다.

는 DDTOA행렬의 (i,j)번째의 값,

~

는 7개의 구분인자를 나타낸다.

상기 인식부(104)는 상기 DDTOA 행렬 및 상기 추출한 PRI 변조형태 구분인자에 근거하여, 소정의 신경망에 대한 출력 결과를 획득하고(S600), 상기 획득한 신경망의 출력 결과에서 나온 결과 O_j중 가장 큰 값을 가지는 곳의 인덱스로 결과코드를 생성하고(S700), 상기 결과코드를 이용하여 상기 PRI 변조형태를 인식한다(S800). 예를 들면, DDTOA 행렬로부터 추출한 PRI 변조형태 구분인자 7개를 신경망의 입력으로 넣어 신경망을 이용한 PRI변조형태 인식을 수행함으로써, 소정의 신경망에 대한 출력 결과를 획득하고, 그 획득한 신경망의 출력 결과(출력층)에서 나오는 각 결과값 7개로부터 결과코드를 생성하는데, 최대값을 가지는 인덱스만 1로, 나머지는 0으로 설정하여 생성하고, 미리 정의된 PRI 변조코드와 결과코드를 비교하여 PRI변조형태를 인식한다. 상기 PRI 변조코드는 표1과 같다.

PRI변조형태	변조코드
Dwell & Switch	1000000
선형 슬라이딩(+)	0100000
선형 슬라이딩(-)	0010000
비선형 슬라이딩(+)	0001000
비선형 슬라이딩(-)	0000100
워블	0000010
지터	0000001

이상에서 설명한 바와 같이, 본 발명은 신경망에 유전 알고리즘을 융합하여 누락펄스 및 왜곡펄스에 대해 민감도가 낮은 PRI 변조형태 인식방법으로써, 알고리즘이 단순하여 자동화하기 쉽고 시간복잡도가 낮으며, 변조형태 인식률이 높아서 신호분석이 필요한 ES(Electronic warfare Support) 시스템 및 ELINT(Electronic Intelligence) 시스템에 직접 적용 가능하다.

본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims

신경망 훈련부를 통해 유전 알고리즘을 이용하여 신경망을 훈련시키는 단계,
생성부를 통해 입력 펄스열의 TOA(Time Of Arrival)를 이용하여 DDTOA(Difference of Delta TOA) 코드를 생성하는 단계,
상기 생성부를 통해 상기 DDTOA 코드로부터 DDTOA 행렬을 생성하는 단계,
추출부를 통해 상기 DDTOA 행렬로부터 PRI(Pulse Repetition Interval) 변조형태 구분인자 7개를 추출하는 단계,
인식부를 통해 상기 7개의 구분인자를 상기 신경망의 입력으로 넣어 PRI 변조형태를 인식함으로써 상기 신경망의 출력층 결과값을 출력하는 단계,
상기 인식부를 통해 상기 신경망의 출력층 결과값으로부터 결과코드를 생성하는 단계,
상기 인식부를 통해 상기 결과코드와 미리 정의된 PRI 변조코드와의 비교를 통해 PRI 변조형태를 인식하는 단계를 포함하는 것을 특징으로 하는 유전 알고리즘 융합 신경망을 이용한 PRI 변조형태 인식방법.
제1항에 있어서, 입력 펄스열의 TOA를 이용하여 DDTOA 코드를 생성하는 단계는,

식을 통해 상기 DDTOA 코드를 생성하며,
여기서 t는 TOA, k는 DDTOA값,
는 DDTOA 코드열의 i번째 원소, i는 DDTOA 코드열의 인덱스,
는 인덱스 i, j의 DDTOA 값,
는 인덱스 i, i+1, i+2의 TOA 값을 각각 나타내는 것을 특징으로 하는 유전 알고리즘 융합 신경망을 이용한 PRI 변조형태 인식방법.
제2항에 있어서, 상기 DDTOA 코드로부터 DDTOA 행렬을 생성하는 단계는,

식을 통해 상기 DDTOA 행렬을 생성하며,
여기서, Q는 생성된 DDTOA 코드의 개수,
는 DDTOA행렬의 (i,j)번째의 값,
는 DDTOA 코드열의 p, p+1번째 원소, p는 DDTOA 코드열의 인덱스를 나타내는 것을 특징으로 하는 유전 알고리즘 융합 신경망을 이용한 PRI 변조형태 인식방법.
제3항에 있어서, 상기 DDTOA 행렬로부터 PRI 변조형태 구분인자 7개를 추출하는 단계는,

식을 통해 상기 PRI 변조형태 구분인자 7개를 추출하며, 여기서,
는 가중치 요소,
는 DDTOA행렬의 (i,j)번째의 값,
~
는 7개의 구분인자를 나타내는 것을 특징으로 하는 유전 알고리즘 융합 신경망을 이용한 PRI 변조형태 인식방법.
유전 알고리즘을 이용하여 신경망을 훈련하는 신경망 훈련부;
입력 펄스열로부터 DDTOA(Difference of Delta TOA) 코드열을 생성하고, DDTOA 코드열로부터 DDTOA 행렬을 생성하는 생성부;
상기 생성한 DDTOA 행렬에 근거하여 PRI 변조형태 구분인자를 추출하는 추출부;
상기 DDTOA 행렬 및 상기 추출한 PRI 변조형태 구분인자에 근거하여, 상기 신경망에 대한 출력 결과를 획득하고, 상기 획득한 신경망의 출력 결과에서 나온 결과 값중 가장 큰 값을 가지는 인덱스만으로 결과코드를 생성하고, 상기 결과코드를 이용하여 상기 PRI 변조형태를 인식하는 인식부를 포함하는 것을 특징으로 하는 유전 알고리즘 융합 신경망을 이용한 PRI 변조형태 인식 장치.