KR101846970B1 - 전자전 위협신호의 분류를 위한 딥 신경망 학습장치 및 방법 - Google Patents

전자전 위협신호의 분류를 위한 딥 신경망 학습장치 및 방법 Download PDF

Info

Publication number
KR101846970B1
KR101846970B1 KR1020160107164A KR20160107164A KR101846970B1 KR 101846970 B1 KR101846970 B1 KR 101846970B1 KR 1020160107164 A KR1020160107164 A KR 1020160107164A KR 20160107164 A KR20160107164 A KR 20160107164A KR 101846970 B1 KR101846970 B1 KR 101846970B1
Authority
KR
South Korea
Prior art keywords
neural network
learning
deep neural
independent
topology
Prior art date
Application number
KR1020160107164A
Other languages
English (en)
Other versions
KR20180022180A (ko
Inventor
정창민
김용현
정영규
Original Assignee
국방과학연구소
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 국방과학연구소 filed Critical 국방과학연구소
Priority to KR1020160107164A priority Critical patent/KR101846970B1/ko
Publication of KR20180022180A publication Critical patent/KR20180022180A/ko
Application granted granted Critical
Publication of KR101846970B1 publication Critical patent/KR101846970B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N99/005—

Abstract

본 발명은 전자전 위협신호의 자동 분류를 위한 딥 신경망 학습장치 및 방법에 관한 것이다. 본 발명에 따른 딥 신경망 학습장치는, 펄스 상세 정보(PDWs, Pulse Descriptor Words)를 구성하는 각각의 구성요소에 대하여, 독립 딥 신경망 토폴로지를 생성하는 신호별 딥 신경망 학습부; 상기 독립 딥 신경망 토폴로지를 융합하는 레이어를 딥 신경망으로 구성하는, 융합 딥 신경망 토폴로지를 생성하는 융합 딥 신경망 학습부; 및 상기 독립 딥 신경망 토폴로지와 융합 딥 신경망 토폴로지의 학습결과를 초기 값으로, 학습을 재 수행하는 독립 토폴로지 신경망 학습부;를 포함한다.

Description

전자전 위협신호의 분류를 위한 딥 신경망 학습장치 및 방법{Deep neural network learning system and method for classifying threat signal of electronic warfare}
본 발명은 전자전 위협신호의 자동 분류를 위한 딥 신경망 학습장치 및 방법에 관한 것이다.
기존의 전자전 위협신호 자동 분류 방법은, 수신된 레이더 신호를 레이더 주파수, 펄스 폭, 펄스 반복 구간 등의 특징을 이용하여, 방사체 유형에 대한 특징 테이블과 비교 및 확인하는 과정으로 이루어진다.
그러나, 이러한 방법은 훈련된 전문가가 필요하고, 과정 자체가 장시간 소요되어 비효율적이라는 문제점이 있다. 또한, 복잡한 신호 환경에서는 판별하기 어렵다는 단점이 있다.
테이블 방식의 위협 라이브러리의 특성은 전문적인 기술자가 위협신호를 분류할 수 있는 정보를 고정적으로 넣어두고, 이 규칙에 맞는 위협신호만을 분류하는 것이 특징이다. 이하, 위협 라이브러리(rule based)의 문제점에 대하여 설명하고자 한다.
구체적으로, 추출된 입력 특징점에 노이즈가 존재할 경우, 인식 정확도에 큰 문제가 발생할 수 있다. (Robustness 문제) 그리고, 새로운 위협이 발생하거나 기존 위협이 다양한 환경적 이유(장비의 노화, 새로운 패턴 생성)로 기존에 발생하는 신호와 약간의 변화가 생겼을 때, 이에 대응하기 위해 시간적, 경제적인 비용이 많이 발생하게 된다. (호환성 문제)
이러한 문제점을 해결하기 위해, 통계적인 기법을 기반으로 하는 신경망 기술들이 연구되고 있다. 구체적으로, 입력신호의 신뢰도 분석을 기반으로 갱신 및 신규 신호를 분류하고, 이를 통해 자동으로 라이브러리를 업데이트하는 방법에 대한 연구가 이루어지고 있다. 이러한 통계적인 기법 중 성능이 높은 알고리즘 중 하나가 딥 신경망이다.
본 발명은 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다. 또 다른 목적은, PDWs(Pulse Descriptor Words: 펄스 상세 정보)를 구성하는 Frequency, PRI(pulse repetition interval: 펄스의 반복 구간), PW(pulse Width: 펄스의 폭), Scan 등의 신호를 입력으로 각각을 학습할 수 있는 독립 딥 신경망을 구축하고, 독립 딥 신경망의 출력들을 융합할 수 있는 융합 딥 신경망을 구성하여, 전자전 위협신호를 자동 분류하기 위한 학습 파라미터를 생성하는 전자전 위협신호의 자동 분류를 위한 딥 신경망 학습장치 및 학습방법을 제공하는 것을 그 목적으로 한다.
즉, PDWs의 구성요소인 주파수, PRI, PW 또는 스캔 등에 대한 각각의 독립적 딥 신경망 토폴로지와, 이를 융합하는 융합 레이어를 딥으로 구성하는 신경망 토폴로지, 그리고 독립적 딥 신경망 토폴로지의 학습 결과와 융합 토포로지의 학습 결과를 초기 값으로 해서 독립 신경망과 융합 신경망의 학습을 재 수행하는 전자전 위협신호의 자동 분류를 위한 딥 신경망 학습장치 및 학습방법을 제공하는 것을 그 목적으로 한다.
상기 또는 다른 목적을 달성하기 위해 본 발명의 일 측면에 따르면, 펄스 상세 정보(PDWs, Pulse Descriptor Words)를 구성하는 각각의 구성요소에 대하여, 독립 딥 신경망 토폴로지를 생성하는 신호별 딥 신경망 학습부; 상기 독립 딥 신경망 토폴로지를 융합하는 레이어를 딥 신경망으로 구성하는, 융합 딥 신경망 토폴로지를 생성하는 융합 딥 신경망 학습부; 및 상기 독립 딥 신경망 토폴로지와 융합 딥 신경망 토폴로지의 학습결과를 초기 값으로, 학습을 재 수행하는 독립 토폴로지 신경망 학습부;를 포함하는 것을 특징으로 하는 딥 신경망 학습장치를 제공한다.
실시 예에 있어서, 상기 펄스 상세 정보(PDWs)를 구성하는 구성요소는, 주파수(Frequency), 펄스의 반복 구간(PRI: pulse repetition interval), 펄스의 폭(PW: pulse width), Scan 신호 중 적어도 하나를 포함할 수 있다.
실시 예에 있어서, 학습에 필요한 대용량 학습데이터와 상기 학습데이터에 대한 정답을 데이터 베이스(DB)로부터 메모리로 로딩하는 학습 데이터 제어부;를 포함할 수 있다.
실시 예에 있어서, 상기 신호별 딥 신경망 학습부는, 상기 펄스 상세 정보(PDWs)를 구성하는 각각의 구성요소에 대하여, 추출된 특징을 상기 독립 딥 신경망 토폴로지의 입력으로하여 복수의 히든 레이어를 딥으로 구성하고, RBM(Restricted Boltzmann Machine) 또는 Drop-out 알고리즘을 이용한 학습을 수행하여, 상기 각각의 구성요소에 대한 초기 학습 웨이트를 생성할 수 있다.
실시 예에 있어서, 상기 융합 딥 신경망 학습부는, 상기 독립 딥 신경망 토폴로지의 출력 노드 값을 융합하는 레이어를 딥 신경망으로 구성하는 융합 딥 신경망 토폴로지를 생성하여, 강화학습을 수행할 수 있다.
실시 예에 있어서, 상기 독립 딥 신경망 토폴로지의 출력과 상기 융합 딥 신경망 토폴로지의 출력 각각을, 상기 독립 토폴로지 신경망 학습부의 초기 학습 웨이트로 전달하는 학습 모델 제어부;를 포함할 수 있다.
실시 예에 있어서, 상기 독립 토폴로지 신경망 학습부는, 상기 초기 학습 웨이트에 근거하여, 최종 학습 웨이트를 산출할 수 있다.
실시 예에 있어서, 상기 신경망 학습부의 학습 재 수행 과정에서 산출되는 학습 웨이트들의 학습률과 인식률을 자동으로 측정하여, 최적의 학습 웨이트를 동적으로 선택하는 최종 학습 모델 생성부;를 포함할 수 있다.
또한, 본 발명의 다른 측면에 따르면, (a) 신호별 딥 신경망 학습부에 의해, 펄스 상세 정보(PDWs, Pulse Descriptor Words)를 구성하는 각각의 구성요소에 대하여, 독립 딥 신경망 토폴로지를 생성하는 단계; (b) 융합 딥 신경망 학습부에 의해, 상기 독립 딥 신경망 토폴로지를 융합하는 레이어를 딥 신경망으로 구성하는, 융합 딥 신경망 토폴로지를 생성하는 단계; 및 (c) 독립 토폴로지 신경망 학습부에 의해, 상기 독립 딥 신경망 토폴로지와 융합 딥 신경망 토폴로지의 학습결과를 초기 값으로, 학습을 재 수행하는 단계;를 포함하는 것을 특징으로 하는 딥 신경망 학습방법을 제공한다.
실시 예에 있어서, 상기 펄스 상세 정보(PDWs)를 구성하는 구성요소는,
주파수(Frequency), 펄스의 반복 구간(PRI: pulse repetition interval), 펄스의 폭(PW: pulse width), Scan 신호 중 적어도 하나를 포함할 수 있다.
실시 예에 있어서, 상기 (a) 단계는, 학습 데이터 제어부에 의해, 학습에 필요한 대용량 학습데이터와 상기 학습데이터에 대한 정답을 데이터 베이스(DB)로부터 메모리로 로딩하는 단계;를 포함할 수 있다.
실시 예에 있어서, 상기 (a) 단계는, 상기 신호별 딥 신경망 학습부에 의해, 상기 펄스 상세 정보(PDWs)를 구성하는 각각의 구성요소에 대하여, 추출된 특징을 상기 독립 딥 신경망 토폴로지의 입력으로하여 복수의 히든 레이어를 딥으로 구성하고, RBM(Restricted Boltzmann Machine) 또는 Drop-out 알고리즘을 이용한 학습을 수행하여, 상기 각각의 구성요소에 대한 초기 학습 웨이트를 생성하는 단계;를 포함할 수 있다.
실시 예에 있어서, 상기 (b) 단계는, 상기 융합 딥 신경망 학습부에 의해, 상기 독립 딥 신경망 토폴로지의 출력 노드 값을 융합하는 레이어를 딥 신경망으로 구성하는 융합 딥 신경망 토폴로지를 생성하여, 강화학습을 수행하는 단계;를 포함할 수 있다.
실시 예에 있어서, 상기 (b) 단계는, 학습 모델 제어부에 의해, 상기 독립 딥 신경망 토폴로지의 출력과 상기 융합 딥 신경망 토폴로지의 출력 각각을, 상기 독립 토폴로지 신경망 학습부의 초기 학습 웨이트로 전달하는 단계;를 포함할 수 있다.
실시 예에 있어서, 상기 (c) 단계는, 상기 독립 토폴로지 신경망 학습부에 의해, 상기 초기 학습 웨이트에 근거하여, 최종 학습 웨이트를 산출하는 단계;를 포함할 수 있다.
실시 예에 있어서, 상기 (c) 단계는, 최종 학습 모델 생성부에 의해, 상기 신경망 학습부의 학습 재 수행 과정에서 산출되는 학습 웨이트들의 학습률과 인식률을 자동으로 측정하여, 최적의 학습 웨이트를 동적으로 선택하는 단계;를 포함할 수 있다.
본 발명에 따른 이동 단말기 및 그 제어 방법의 효과에 대해 설명하면 다음과 같다.
본 발명의 실시 예들 중 적어도 하나에 의하면, 추출된 입력 특징점에 노이즈가 존재할 경우, 인식 정확도가 떨어지는 문제점이 개선될 수 있다는 장점이 있다.
또한, 본 발명의 실시 예들 중 적어도 하나에 의하면, 새로운 위협이 발생하거나 기존 위협이 다양한 환경적 이유(장비의 노화, 새로운 패턴 생성)로 기존에 발생하는 신호와 약간의 변화가 생겼을 때, 이에 대응하기 위해 발생하는 시간적, 경제적인 비용을 절감시킬 수 있다는 장점이 있다.
본 발명의 적용 가능성의 추가적인 범위는 이하의 상세한 설명으로부터 명백해질 것이다. 그러나 본 발명의 사상 및 범위 내에서 다양한 변경 및 수정은 당업자에게 명확하게 이해될 수 있으므로, 상세한 설명 및 본 발명의 바람직한 실시 예와 같은 특정 실시 예는 단지 예시로 주어진 것으로 이해되어야 한다.
도 1은 독립 딥 구조 및 융합 딥 구조를 갖는 전자전 위협신호 자동분류를 위한 딥 신경망 학습장치를 설명하기 위한 개념도이다.
도 2는 본 발명에 따른 딥 신경망 학습장치 및 학습과정을 설명하기 위한 블록도이다.
도 3은 독립 딥 신경망을 이용한 개별 특징 학습 알고리즘의 실시 예를 설명하기 위한 개념도이다.
도 4는 RBM을 이용한 융합 딥 신경망 학습 알고리즘의 실시 예를 설명하기 위한 개념도이다.
도 5는 융합 딥 레이어를 통한 융합 딥 신경망 생성 알고리즘의 실시 예를 설명하기 위한 개념도이다.
도 6은 독립 딥 신경망의 학습 웨이트를 초기 웨이트로 이용하여 최종 학습 웨이트를 계산하는 알고리즘의 실시 예를 설명하기 위한 개념도이다.
도 7은 학습률 및 인식률 측정을 통한 최종 학습 모델 생성 알고리즘의 실시 예를 설명하기 위한 개념도이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소에는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 발명에서는 도 1에서와 같이 독립 딥 구조 및 융합 딥 구조를 갖는 전자전 위협신호 자동분류를 위한 신경망 학습장치를 제안하고자 한다.
도 1은 독립 딥 구조 및 융합 딥 구조를 갖는 전자전 위협신호 자동분류를 위한 딥 신경망 학습장치를 설명하기 위한 개념도이다.
구체적으로, 본 발명에서는 PDWs(Pulse Descriptor Words: 펄스 상세 정보)를 구성하는 Frequency, PRI(pulse repetition interval: 펄스의 반복 구간), PW(pulse Width: 펄스의 폭), Scan 등의 신호를 입력으로 각각을 학습할 수 있는 독립 딥 신경망을 구축하고, 독립 딥 신경망의 출력들을 융합할 수 있는 융합 딥 신경망을 구성하여, 전자전 위협신호 자동분류기의 학습 파라미터를 자동으로 생성하는 장치를 제안하고자 한다.
그리고, 본 발명에 따르면, 딥 신경망을 통해서 학습된 학습 웨이트(weight)를 BP(backpropagation) 알고리즘을 위한 초기 웨이트로 사용하여, 최종 학습 모델을 생성할 수 있다.
도 2는 본 발명에 따른 딥 신경망 학습장치 및 학습과정을 설명하기 위한 블록도이다.
도 2를 참조하면, 본 발명에 따른 딥 신경망 학습장치는, 학습 데이터 제어부, 신호별 딥 신경망 학습부, 융합 딥 신경망 학습부, 학습 모델 제어부, 신경망 학습부 및 최종 학습 모델 생성부를 포함할 수 있다.
학습 데이터 제어부(학습 데이터 제어기)는, 학습에 필요한 대용량 학습데이터를 DB로부터 메모리로 로딩할 수 있다. 이때, 각각의 학습데이터에 대한 정답을 함께 로딩하게 된다.
이하, 각각의 구성요소를 추가 도면을 참조하여 구체적으로 설명하고자 한다.
도 3은 독립 딥 신경망을 이용한 개별 특징 학습 알고리즘의 실시 예를 설명하기 위한 개념도이다.
도 3을 참조하면, 신호별 딥 신경망 학습부(신호별 딥 신경망 학습기)는, Frequency에서 추출된 특징을 입력으로 두 개 또는 n개의 히든 레이어를 딥으로 구성하고, 이에 RBM(Restricted Boltzmann Machine)을 이용한 학습을 수행하여 Frequency에 대한 초기 학습 웨이트를 생성한다.
또 다른 실시 예로서, 신호별 딥 신경망 학습부는, PRI(pulse repetition interval)에서 추출된 특징을 입력으로 두 개 또는 n개의 히든 레이어를 딥으로 구성하고, 이에 RBM을 이용한 학습을 수행하여 PRI에 대한 초기 학습 웨이트를 생성한다.
또 다른 실시 예로서, 신호별 딥 신경망 학습부는, PW(pulse Width)에서 추출된 특징을 입력으로 두 개 또는 n개의 히든 레이어를 딥으로 구성하고, 이에 RBM을 이용한 학습을 수행하여 PW에 대한 초기 학습 웨이트를 생성한다.
또 다른 실시 예로서, 신호별 딥 신경망 학습부는, Scan과 같은 신호에서 추출된 특징을 입력으로 두 개 또는 n개의 히든 레이어를 딥으로 구성하고, 이에 RBM을 이용한 학습을 수행하여 Scan과 같은 신호에 대한 초기 학습 웨이트를 생성한다.
다시 도 2를 참조하면, 융합 딥 신경망 학습부(융합 딥 신경망 학습기)는, Frequency, PRI, PW, Scan 등의 독립 딥 신경망을 이용해서 학습을 수행하고, 이들의 출력 노드 값을 융합하는 레이어를 딥 신경망으로 구성하여 강화학습을 수행한다.
도 4는 RBM을 이용한 융합 딥 신경망 학습 알고리즘의 실시 예를 설명하기 위한 개념도이다.
도 4를 참조하면, v는 visible layer, h는 hidden layer, w는 v와 h 사이의 연결(가중치), b는 v의 bias, c는 h의 bias를 의미한다.
다시 도 2를 참조하면, 학습 모델 제어부(학습 모델 제어기)는, Frequency, PRI, PW, Scan 등의 독립 딥 신경망을 이용해서 각각의 학습 웨이트를 생성하고, 이들의 출력 노드 값을 융합하는 레이어를 딥 신경망으로 구성하여 강화학습을 수행한 후, 생성한 학습 웨이트를 신경망 학습부의 초기 학습 웨이트로 전달할 수 있다.
도 5는 융합 딥 레이어를 통한 융합 딥 신경망 생성 알고리즘의 실시 예를 설명하기 위한 개념도이다.
즉, 도 5는 RBM의 학습결과로 생성된 학습 웨이트를 BP 모듈로 전달하는 과정을 도식화한 것이다.
다시 도 2를 참조하면, 신경망 학습부(신경망 학습기)는, 독립 딥 신경망 학습부의 초기 학습 웨이트를 MLP의 초기 학습 웨이트로 사용하여, 최종 학습 웨이트를 생성한다.
도 6은 독립 딥 신경망의 학습 웨이트를 초기 웨이트로 이용하여 최종 학습 웨이트를 계산하는 알고리즘의 실시 예를 설명하기 위한 개념도이다.
즉, 도 6은 RBM 학습 웨이트를 초기 값으로 사용하는 BP를 통한 학습 방법 알고리즘의 과정을 도식화한 것이다.
다시 도 2를 참조하면, 최종 학습 모델 생성부(최종 학습 모델 생성기)는, 학습과정에서 각 단계마다(100번 또는 n번) 생성되는 학습 웨이트 중 가장 성능이 높은 학습 웨이트를 선택할 수 있다.
구체적으로, 최종 학습 모델 생성부는, 각 단계마다 생성되는 학습 웨이트에 대해서 학습 셋에 대한 학습률과 테스트 셋에 대한 인식률을 자동으로 측정하여 최적의 학습 웨이트를 동적으로 선택한다.
도 7은 학습률 및 인식률 측정을 통한 최종 학습 모델 생성 알고리즘의 실시 예를 설명하기 위한 개념도이다.
본 발명에 따른 이동 단말기 및 그 제어 방법의 효과에 대해 설명하면 다음과 같다.
본 발명의 실시 예들 중 적어도 하나에 의하면, 추출된 입력 특징점에 노이즈가 존재할 경우, 인식 정확도가 떨어지는 문제점이 개선될 수 있다는 장점이 있다.
또한, 본 발명의 실시 예들 중 적어도 하나에 의하면, 새로운 위협이 발생하거나 기존 위협이 다양한 환경적 이유(장비의 노화, 새로운 패턴 생성)로 기존에 발생하는 신호와 약간의 변화가 생겼을 때, 이에 대응하기 위해 발생하는 시간적, 경제적인 비용을 절감시킬 수 있다는 장점이 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한, 상기 컴퓨터는 단말기의 제어부(180)를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (16)

  1. 펄스 상세 정보(PDWs, Pulse Descriptor Words)를 구성하는 각각의 구성요소에 대하여, 독립 딥 신경망 토폴로지를 생성하는 신호별 딥 신경망 학습부;
    상기 독립 딥 신경망 토폴로지를 융합하는 레이어를 딥 신경망으로 구성하는, 융합 딥 신경망 토폴로지를 생성하는 융합 딥 신경망 학습부; 및
    상기 독립 딥 신경망 토폴로지와 융합 딥 신경망 토폴로지의 학습결과를 초기 값으로, 학습을 재 수행하는 독립 토폴로지 신경망 학습부;를 포함하며,
    상기 신호별 딥 신경망 학습부는,
    상기 펄스 상세 정보(PDWs)를 구성하는 각각의 구성요소에 대하여, 추출된 특징을 상기 독립 딥 신경망 토폴로지의 입력으로 하여 복수의 히든 레이어를 딥으로 구성하고, 기 설정된 알고리즘을 이용한 학습을 수행하여, 상기 각각의 구성요소에 대한 초기 학습 웨이트를 생성하는 것을 특징으로 하는 딥 신경망 학습장치.
  2. 제1항에 있어서,
    상기 펄스 상세 정보(PDWs)를 구성하는 구성요소는,
    주파수(Frequency), 펄스의 반복 구간(PRI: pulse repetition interval), 펄스의 폭(PW: pulse width), Scan 신호 중 적어도 하나를 포함하는 것을 특징을 하는 딥 신경망 학습장치.
  3. 제1항에 있어서,
    학습에 필요한 대용량 학습데이터와 상기 학습데이터에 대한 정답을 데이터 베이스(DB)로부터 메모리로 로딩하는 학습 데이터 제어부;를 포함하는 것을 특징으로 하는 딥 신경망 학습장치.
  4. 삭제
  5. 제1항에 있어서,
    상기 융합 딥 신경망 학습부는,
    상기 독립 딥 신경망 토폴로지의 출력 노드 값을 융합하는 레이어를 딥 신경망으로 구성하는 융합 딥 신경망 토폴로지를 생성하여, 강화학습을 수행하는 것을 특징으로 하는 딥 신경망 학습장치.
  6. 제5항에 있어서,
    상기 독립 딥 신경망 토폴로지의 출력과 상기 융합 딥 신경망 토폴로지의 출력 각각을, 상기 독립 토폴로지 신경망 학습부의 초기 학습 웨이트로 전달하는 학습 모델 제어부;를 포함하는 것을 특징으로 하는 딥 신경망 학습장치.
  7. 제6항에 있어서,
    상기 독립 토폴로지 신경망 학습부는,
    상기 초기 학습 웨이트에 근거하여, 최종 학습 웨이트를 산출하는 것을 특징으로 하는 딥 신경망 학습장치.
  8. 제7항에 있어서,
    상기 신경망 학습부의 학습 재 수행 과정에서 산출되는 학습 웨이트들의 학습률과 인식률을 자동으로 측정하여, 최적의 학습 웨이트를 동적으로 선택하는 최종 학습 모델 생성부;를 포함하는 것을 특징으로 하는 딥 신경망 학습장치.
  9. (a) 신호별 딥 신경망 학습부에 의해, 펄스 상세 정보(PDWs, Pulse Descriptor Words)를 구성하는 각각의 구성요소에 대하여, 독립 딥 신경망 토폴로지를 생성하는 단계;
    (b) 융합 딥 신경망 학습부에 의해, 상기 독립 딥 신경망 토폴로지를 융합하는 레이어를 딥 신경망으로 구성하는, 융합 딥 신경망 토폴로지를 생성하는 단계; 및
    (c) 독립 토폴로지 신경망 학습부에 의해, 상기 독립 딥 신경망 토폴로지와 융합 딥 신경망 토폴로지의 학습결과를 초기 값으로, 학습을 재 수행하는 단계;를 포함하며,
    상기 (a) 단계는,
    상기 신호별 딥 신경망 학습부에 의해, 상기 펄스 상세 정보(PDWs)를 구성하는 각각의 구성요소에 대하여, 추출된 특징을 상기 독립 딥 신경망 토폴로지의 입력으로하여 복수의 히든 레이어를 딥으로 구성하고, 기 설정된 알고리즘을 이용한 학습을 수행하여, 상기 각각의 구성요소에 대한 초기 학습 웨이트를 생성하는 단계;를 포함하는 것을 특징으로 하는 딥 신경망 학습방법.
  10. 제9항에 있어서,
    상기 펄스 상세 정보(PDWs)를 구성하는 구성요소는,
    주파수(Frequency), 펄스의 반복 구간(PRI: pulse repetition interval), 펄스의 폭(PW: pulse width), Scan 신호 중 적어도 하나를 포함하는 것을 특징을 하는 딥 신경망 학습방법.
  11. 제9항에 있어서,
    상기 (a) 단계는,
    학습 데이터 제어부에 의해, 학습에 필요한 대용량 학습데이터와 상기 학습데이터에 대한 정답을 데이터 베이스(DB)로부터 메모리로 로딩하는 단계;를 포함하는 것을 특징으로 하는 딥 신경망 학습방법.
  12. 삭제
  13. 제9항에 있어서,
    상기 (b) 단계는,
    상기 융합 딥 신경망 학습부에 의해, 상기 독립 딥 신경망 토폴로지의 출력 노드 값을 융합하는 레이어를 딥 신경망으로 구성하는 융합 딥 신경망 토폴로지를 생성하여, 강화학습을 수행하는 단계;를 포함하는 것을 특징으로 하는 딥 신경망 학습방법.
  14. 제13항에 있어서,
    상기 (b) 단계는,
    학습 모델 제어부에 의해, 상기 독립 딥 신경망 토폴로지의 출력과 상기 융합 딥 신경망 토폴로지의 출력 각각을, 상기 독립 토폴로지 신경망 학습부의 초기 학습 웨이트로 전달하는 단계;를 포함하는 것을 특징으로 하는 딥 신경망 학습방법.
  15. 제14항에 있어서,
    상기 (c) 단계는,
    상기 독립 토폴로지 신경망 학습부에 의해, 상기 초기 학습 웨이트에 근거하여, 최종 학습 웨이트를 산출하는 단계;를 포함하는 것을 특징으로 하는 딥 신경망 학습방법.
  16. 제15항에 있어서,
    상기 (c) 단계는,
    최종 학습 모델 생성부에 의해, 상기 신경망 학습부의 학습 재 수행 과정에서 산출되는 학습 웨이트들의 학습률과 인식률을 자동으로 측정하여, 최적의 학습 웨이트를 동적으로 선택하는 단계;를 포함하는 것을 특징으로 하는 딥 신경망 학습방법.
KR1020160107164A 2016-08-23 2016-08-23 전자전 위협신호의 분류를 위한 딥 신경망 학습장치 및 방법 KR101846970B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160107164A KR101846970B1 (ko) 2016-08-23 2016-08-23 전자전 위협신호의 분류를 위한 딥 신경망 학습장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160107164A KR101846970B1 (ko) 2016-08-23 2016-08-23 전자전 위협신호의 분류를 위한 딥 신경망 학습장치 및 방법

Publications (2)

Publication Number Publication Date
KR20180022180A KR20180022180A (ko) 2018-03-06
KR101846970B1 true KR101846970B1 (ko) 2018-04-10

Family

ID=61727084

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160107164A KR101846970B1 (ko) 2016-08-23 2016-08-23 전자전 위협신호의 분류를 위한 딥 신경망 학습장치 및 방법

Country Status (1)

Country Link
KR (1) KR101846970B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190132899A (ko) 2018-05-21 2019-11-29 엔비노드 주식회사 함정용 전자파 정밀 분석 시스템 및 방법
KR20190132900A (ko) 2018-05-21 2019-11-29 엔비노드 주식회사 지상용 전자파 정밀 분석 시스템 및 방법
KR20200022319A (ko) 2018-08-22 2020-03-03 한국전자통신연구원 신경망 융합 장치, 그것의 단위 신경망 융합 방법 및 정합 인터페이스 생성 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101207779B1 (ko) 2012-02-06 2012-12-04 삼성탈레스 주식회사 전자전 장비를 위한 신호 처리 장치 및 신호 처리 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101207779B1 (ko) 2012-02-06 2012-12-04 삼성탈레스 주식회사 전자전 장비를 위한 신호 처리 장치 및 신호 처리 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Shieh, Ching-Sung, and Chin-Teng Lin. "A vector neural network for emitter identification." IEEE Transactions on Antennas and Propagation 50.8, 2002.*

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190132899A (ko) 2018-05-21 2019-11-29 엔비노드 주식회사 함정용 전자파 정밀 분석 시스템 및 방법
KR20190132900A (ko) 2018-05-21 2019-11-29 엔비노드 주식회사 지상용 전자파 정밀 분석 시스템 및 방법
KR20200022319A (ko) 2018-08-22 2020-03-03 한국전자통신연구원 신경망 융합 장치, 그것의 단위 신경망 융합 방법 및 정합 인터페이스 생성 방법

Also Published As

Publication number Publication date
KR20180022180A (ko) 2018-03-06

Similar Documents

Publication Publication Date Title
US11062215B2 (en) Using different data sources for a predictive model
JP2022514508A (ja) 機械学習モデルの解説可能性ベースの調節
EP3678058A1 (en) Data sample label processing method and apparatus
JP6898562B2 (ja) 機械学習プログラム、機械学習方法、および機械学習装置
JP2018055580A (ja) 機械学習プログラム、機械学習方法、および機械学習装置
WO2019116354A1 (en) Training of artificial neural networks using safe mutations based on output gradients
KR101846970B1 (ko) 전자전 위협신호의 분류를 위한 딥 신경망 학습장치 및 방법
US20080294366A1 (en) Sensor fusion using self evaluating process sensors
KR102038703B1 (ko) 동적 전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법 및 그 시스템
CN107085633B (zh) 基于支持向量机的多点振动响应频域预测的装置及方法
US20210035001A1 (en) Causation estimation apparatus, causation estimation method and program
US20170371936A1 (en) Sample size estimator
US10841820B2 (en) Method and test system for mobile network testing as well as prediction system
US11356174B1 (en) Estimating performance margin of a multi-section path using optical signal-to-noise ratio (OSNR)
Bilski et al. Automatic parametric fault detection in complex analog systems based on a method of minimum node selection
US9245539B2 (en) Voiced sound interval detection device, voiced sound interval detection method and voiced sound interval detection program
CN117252149A (zh) 芯片验证方法及装置、芯片验证系统和可读存储介质
JP2019158684A (ja) 検査システム、識別システム、及び識別器評価装置
US10515300B2 (en) High speed serial links for high volume manufacturing
CN110968949A (zh) 一种高速列车车载设备电磁敏感性预测模型的建模方法
JP6930602B2 (ja) 異常判定装置、異常判定方法、及びプログラム
KR101876245B1 (ko) 지능형전자장치 성능검증 장치, 지능형전자장치 성능검증 시스템 및 컴퓨터 판독가능 기록 매체
US20220391628A1 (en) Board damage classification system
US11209808B2 (en) Systems and method for management and allocation of network assets
KR102579116B1 (ko) 클라우드 기반 인공지능 자동 학습 및 배포를 위한 장치 및 이를 위한 방법

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant