KR102407834B1 - 긴 펄스 레이더 신호의 속성 기반 분류 방법 및 장치 - Google Patents

긴 펄스 레이더 신호의 속성 기반 분류 방법 및 장치 Download PDF

Info

Publication number
KR102407834B1
KR102407834B1 KR1020210185094A KR20210185094A KR102407834B1 KR 102407834 B1 KR102407834 B1 KR 102407834B1 KR 1020210185094 A KR1020210185094 A KR 1020210185094A KR 20210185094 A KR20210185094 A KR 20210185094A KR 102407834 B1 KR102407834 B1 KR 102407834B1
Authority
KR
South Korea
Prior art keywords
radar signal
pulse
radar
long
input
Prior art date
Application number
KR1020210185094A
Other languages
English (en)
Inventor
심홍석
강희석
서보석
전중남
주영관
Original Assignee
한화시스템(주)
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 한화시스템(주) filed Critical 한화시스템(주)
Priority to KR1020210185094A priority Critical patent/KR102407834B1/ko
Application granted granted Critical
Publication of KR102407834B1 publication Critical patent/KR102407834B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/295—Means for transforming co-ordinates or for evaluating data, e.g. using computers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/292—Extracting wanted echo-signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Abstract

본 발명에 따른 긴 펄스 레이더 신호의 속성 기반 분류 방법은 상기 레이더 신호를 수신하는 단계; 상기 수신된 레이더 신호를 동일 속성을 갖는 그룹(이하, 동일 속성 그룹)끼리 분류하는 단계; 상기 동일 속성 그룹으로 분류된 레이더 신호를 CNN 기반의 기계학습 알고리즘에 입력하여 압축된 레이더 특징을 추출하는 단계; 및 상기 압축된 레이더 특징을 LSTM 신경망에 입력하여 이전 학습된 레이더 신호의 속성과 유사도가 가장 높은 레이더 신호의 속성을 결과로 출력하는 단계를 포함한다.

Description

긴 펄스 레이더 신호의 속성 기반 분류 방법 및 장치{METHOD AND APPARATUS FOR PROPERTY-BASED CLASSIFICATION OF LONG-PULSE RADAR SIGNALS}
본 발명은 긴 펄스 레이더 신호의 속성 기반 분류 방법 및 장치에 관한 것으로서, 특히 긴 주기 펄스 레이더 신호의 속성을 구분할 수 있는 CNN(Convolutional Neural Network), LSTM(long short-term memory) 등으로 구성된 알고리즘을 적용하여 용이하게 신호의 속성을 구분할 수 있도록 한 긴 펄스 레이더 신호의 속성 기반 분류 방법 및 장치에 관한 것이다.
레이더(Radar)는 전파를 사용하여 특정 목표물까지 거리와 방향, 목표물의 크기와 이동 속도 등을 측정하는 전자장치를 말한다. 현재의 전자전에서 미사일이나 유도탄 공격 시 목표물을 탐색하거나 추적하기 위해서 대부분 레이더를 사용하며, 따라서 레이더는 현대전에서 없어서는 안 될 중요한 전자장비이다.
한편 적의 이러한 공격을 무력화시키기 위해서는 레이더 전파를 방해해야 하며, 이를 위해서는 먼저 레이더 신호의 특성을 분석하여 레이더 종류를 파악해야 한다.
지금까지는 레이더의 종류를 분류하기 위해 주로 사전에 구축된 신호 특징(feature) 데이터베이스를 이용한다. 레이더 펄스의 특성은 PDW(Pulse Description Words)로 표현된다. PDW의 주요 구성 요소는 도래 시각(time of arrival: TOA), 펄스 반송파의 주파수(radio frequency: RF), 펄스 폭(pulse width: PW), 펄스 크기(pulse amplitude: PA), 도래각(angle of arrival: AOA) 등이다. 이 중에서 TOA는 보통 펄스 반복 간격(pulse repetition interval: PRI)을 구하기 위한 기초 데이터로 사용된다.
일반적으로 레이더 신호의 특징요소를 구하고 그 특징요소로 데이터베이스를 조회하여 레이더를 식별한다. 이 경우 특징요소의 변화 형태, 반복되는 주기 등을 추정하는 과정을 거치게 된다.
종래 기술의 경우, 펄스 레이더 신호를 분석하기 위해 펄스 신호의 주요한 특성인 무선주파수(radio frequency: RF)와 펄스 반복 간격(pulse repetition interval: PRI)의 시간적인 변화 형태를 구분하고 LSTM(long short-term memory)을 사용하여 변화 형태와 속성을 식별하였다. 하지만, 종래 기술의 경우 소정 길이 이상을 갖는 긴 주기의 펄스 레이더 신호의 속성을 식별하는데는 문제가 있다.
본 발명이 해결하고자 하는 과제는 긴 주기 펄스 레이더 신호의 속성을 구분할 수 있는 CNN, LSTM 등으로 구성된 알고리즘을 적용하여 용이하게 신호의 속성을 구분할 수 있는, 긴 펄스 레이더 신호의 속성 기반 분류 방법 및 장치를 제공하는 것이다.
다만, 본 발명이 해결하고자 하는 과제는 상기된 바와 같은 과제로 한정되지 않으며, 또다른 과제들이 존재할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 제1 측면에 따른 소정 길이 이상을 갖는 긴 펄스 레이더 신호의 속성 기반 분류 방법은 상기 레이더 신호를 수신하는 단계; 상기 수신된 레이더 신호를 동일 속성을 갖는 그룹(이하, 동일 속성 그룹)끼리 분류하는 단계; 상기 동일 속성 그룹으로 분류된 레이더 신호를 CNN 기반의 기계학습 알고리즘에 입력하여 압축된 레이더 특징을 추출하는 단계; 및 상기 압축된 레이더 특징을 LSTM 신경망에 입력하여 이전 학습된 레이더 신호의 속성과 유사도가 가장 높은 레이더 신호의 속성을 결과로 출력하는 단계를 포함한다.
본 발명의 일부 실시예에서, 상기 수신된 레이더 신호를 동일 속성 그룹끼리 분류하는 단계는, 상기 레이더 신호의 펄스 반복 간격, 무선 주파수, 펄스 도착 시간, 펄스 폭 및 펄스 진폭 중 적어도 하나를 기반으로 동일 속성 그룹으로 분류할 수 있다.
본 발명의 일부 실시예에서, 상기 레이더 신호의 속성을 결과로 출력하는 단계는, 상기 레이더 신호의 펄스 반복 간격 및 무선 주파수의 정보를 입력받아, 상기 LSTM과 연결된 완전연결망을 통해 상기 레이더 신호에 대한 펄스 반복 간격 및 무선 주파수의 변화 형태(Type), 주기당 계단 수(nSW) 및 계단당 펄스 수(nDW)의 속성값을 결과로 출력하되, 상기 주기당 계단 수와 계단당 펄스 수는 하기 식의 관계를 가질 수 있다.
[식]
주기당 펄스 수 = 주기당 계단 수(nSW) Х 계단당 펄스 수(nDW)
본 발명의 일부 실시예에서, 상기 완전연결망은 N개의 입력 노드와 출력 노드로 구성되며 각 노드는 차원이 L인 상태벡터를 갖는 상기 LSTM 신경망의 L개의 상태벡터의 수만큼 입출력 노드를 갖는 제1 완전연결층과, 상기 제1 완전연결층의 입력을 수신하여 상기 레이더 신호에 대한 펄스 반복 간격 및 무선 주파수의 변화 형태(Type), 주기당 계단 수(nSW) 및 계단당 펄스 수(nDW)의 속성값을 결과로 출력하는 제2 완전연결층을 포함할 수 있다.
본 발명의 일부 실시예는, 상기 레이더 신호의 펄스 반복 간격 및 무선 주파수의 정보를 정규화하여 일정 범위 이내의 값을 가지도록 전처리하는 단계를 더 포함할 수 있다.
본 발명의 일부 실시예에서, 상기 동일 속성 그룹으로 분류된 레이더 신호를 CNN 기반의 기계학습 알고리즘에 입력하여 압축된 레이더 특징을 추출하는 단계는, 입력 데이터의 특징을 추출하는 필터 및 추출된 특징을 압축하는 풀링(pooling)층으로 각각 구성된 복수의 컨볼루션층을 포함하는 CNN 기반의 기계학습 알고리즘에 입력하여 압축된 레이더 특징을 추출할 수 있다.
본 발명의 일부 실시예에서, 상기 복수의 컨볼루션층은 각각 서로 다른 필터 개수 및 필터 길이를 가질 수 있다.
본 발명의 일부 실시예에서, 상기 컨볼루션층의 풀링은 상기 필터의 출력 중 최댓값을 선택하는 맥스풀링(Maxpooling)이 적용될 수 있다.
본 발명의 일부 실시예는, 상기 CNN 기반의 기계학습 알고리즘 및 LSTM 신경망의 상태벡터 개수 및 입력 노드 개수를 결정하기 위하여, 기 준비된 학습용 데이터를 기반으로 훈련용 데이터, 훈련 검증용 데이터 및 평가용 데이터를 생성하여, 학습 및 평가를 수행하는 단계를 더 포함할 수 있다.
또한, 본 발명의 제2 측면에 따른 소정 길이 이상을 갖는 긴 펄스 레이더 신호의 속성 기반 분류 장치는 레이더 신호를 수신하는 수신부, 상기 레이더 신호의 속성을 분류하기 위한 프로그램이 저장된 메모리 및 상기 메모리에 저장된 프로그램을 실행시킴에 따라, 상기 수신된 레이더 신호를 동일 속성 그룹으로 분류하고, 상기 동일 속성 그룹으로 분류된 레이더 신호를 CNN 기반의 기계학습 알고리즘에 입력하여 압축된 레이더 특징을 추출하고, 상기 압축된 레이더 특징을 LSTM 신경망에 입력하여 이전 학습된 레이더 신호의 속성과 유사도가 가장 높은 레이더 신호의 속성을 결과로 출력하는 프로세서를 포함한다.
본 발명의 일부 실시예에서, 상기 프로세서는 상기 레이더 신호의 펄스 반복 간격, 무선 주파수, 펄스 도착 시간, 펄스 폭 및 펄스 진폭 중 적어도 하나를 기반으로 동일 속성 그룹으로 분류할 수 있다.
본 발명의 일부 실시예에서, 상기 프로세서는 상기 레이더 신호의 펄스 반복 간격 및 무선 주파수의 정보를 입력받고, 상기 LSTM과 연결된 완전연결망을 통해 상기 레이더 신호에 대한 펄스 반복 간격 및 무선 주파수의 변화 형태(Type), 주기당 계단 수(nSW) 및 계단당 펄스 수(nDW)의 속성값을 결과로 출력하되, 상기 주기당 계단 수와 계단당 펄스 수는 하기 식의 관계를 가질 수 있다.
[식]
주기당 펄스 수 = 주기당 계단 수(nSW) Х 계단당 펄스 수(nDW)
본 발명의 일부 실시예에서, 상기 완전연결망은 N개의 입력 노드와 출력 노드로 구성되며 각 노드는 차원이 L인 상태벡터를 갖는 상기 LSTM 신경망의 L개의 상태벡터의 수만큼 입출력 노드를 갖는 제1 완전연결층과, 상기 제1 완전연결층의 입력을 수신하여 상기 레이더 신호에 대한 펄스 반복 간격 및 무선 주파수의 변화 형태(Type), 주기당 계단 수(nSW) 및 계단당 펄스 수(nDW)의 속성값을 결과로 출력하는 제2 완전연결층을 포함할 수 있다.
본 발명의 일부 실시예에서, 상기 프로세서는 상기 레이더 신호의 펄스 반복 간격 및 무선 주파수의 정보를 정규화하여 일정 범위 이내의 값을 가지도록 전처리할 수 있다.
본 발명의 일부 실시예에서, 상기 프로세서는 입력 데이터의 특징을 추출하는 필터 및 추출된 특징을 압축하는 풀링(pooling)층으로 각각 구성된 복수의 컨볼루션층을 포함하는 CNN 기반의 기계학습 알고리즘에 입력하여 압축된 레이더 특징을 추출할 수 있다.
본 발명의 일부 실시예에서, 상기 복수의 컨볼루션층은 각각 서로 다른 필터 개수 및 필터 길이를 가질 수 있다.
본 발명의 일부 실시예에서, 상기 컨볼루션층의 풀링은 상기 필터의 출력 중 최댓값을 선택하는 맥스풀링(Maxpooling)이 적용될 수 있다.
본 발명의 일부 실시예에서, 상기 프로세서는 상기 CNN 기반의 기계학습 알고리즘 및 LSTM 신경망의 상태 개수 및 입력 개수를 결정하기 위하여, 기 준비된 학습용 데이터를 기반으로 훈련용 데이터, 훈련 검증용 데이터 및 평가용 데이터를 생성하여, 학습 및 평가를 수행할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 다른 면에 따른 컴퓨터 프로그램은, 하드웨어인 컴퓨터와 결합되어 상기 긴 펄스 레이더 신호의 속성 기반 분류 방법을 실행하며, 컴퓨터 판독가능 기록매체에 저장된다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
전술한 본 발명의 일 실시예에 의하면, 긴 펄스 레이더 신호의 속성 분류를 위한 기계학습 구조 및 방법을 제공함으로써, 긴 레이더 신호가 수신될 경우, 수신된 레이더 신호의 속성을 활용해 기계학습을 통해 학습된 레이더 신호의 속성을 보다 빠르고 정확하게 식별할 수 있어, 긴 펄스 레이더 신호 식별 정보를 정확하게 제공하는 데 효과가 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
이하에 첨부되는 도면들은 본 실시 예에 관한 이해를 돕기 위한 것으로, 상세한 설명과 함께 실시 예들을 제공한다. 다만, 본 실시 예의 기술적 특징이 특정 도면에 한정되는 것은 아니며, 각 도면에서 개시하는 특징들은 서로 조합되어 새로운 실시 예로 구성될 수 있다.
도 1은 본 발명의 일 실시예에 따른 긴 펄스 레이더 신호의 속성 기반 분류 방법의 순서도이다.
도 2는 펄스 레이더 신호의 파형을 설명하기 위한 도면이다.
도 3은 레이더 신호의 구성요소 중 펄스 반복 간격과 무선 주파수의 변화 형태를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 단일 입력 분류기를 설명하기 위한 도면이다.
도 5는 학습 횟수에 따른 PRI nSW 속성의 식별률(%)을 나타낸 것이다.
도 6은 가짜 펄스 유입률 및 펄스 누락률에 따른 제안 분류기의 각 속성 식별률(%)을 나타낸 것이다.
도 7은 본 발명의 일 실시예에 따른 긴 펄스 레이더 신호의 속성 기반 분류 장치의 블록도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
이하에서는, 당업자의 이해를 돕기 위하여 본 발명이 제안된 배경에 대하여 먼저 서술하고, 본 발명의 실시예에 대하여 서술하기로 한다.
기존 레이더의 신호 속성은 각 변화 형태에 대해 한 주기당 펄스 개수와 계단당 펄스 개수로 정의하고 있다. 한 주기가 1개 이상에서 수백 개의 펄스로, 계단당 펄스 개수인 체류변경(dwell and switch: D&S)의 변화 형태도 최소 개수가 2개에서 수백에 이를 수 있다.
레이더 신호의 속성을 알아내기 위해 기계학습의 LSTM 구조를 만들어 판정할 레이더 신호의 길이보다 긴 입력을 만들어 사용한다. LSTM의 판정에 사용되는 구조의 내부 복잡도는 입력 데이터 길이의 제곱에 비례하여 증가하는 특성이 있다. 이 경우 긴 데이터를 그대로 LSTM에 입력하는 방법은 학습 시간이 오래 걸릴 뿐만 아니라, 계수의 개수가 과도하게 많아져 분류 성능이 오히려 저하된다.
이처럼 기존 레이더 신호의 판정 구조인 LSTM은 긴 주기 펄스열 데이터를 분류할 수 없는 문제를 가지고 있다. 이러한 문제를 해소하기 위해 본 발명의 일 실시예는, 긴 주기 펄스 레이더의 입력 데이터에도 레이더 특징을 추출할 수 있는 기계학습 구조 및 방법을 제시한다.
이하에서는 도 1 내지 도 6을 참조하여 본 발명의 일 실시예에 따른 긴 펄스 레이더 신호의 속성 기반 분류 방법에 대해 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 긴 펄스 레이더 신호의 속성 기반 분류 방법의 순서도이다. 도 2는 펄스 레이더 신호의 파형을 설명하기 위한 도면이다. 도 3은 레이더 신호의 구성요소 중 펄스 반복 간격과 무선 주파수의 변화 형태를 설명하기 위한 도면이다.
한편, 도 1에 도시된 각 단계들은 후술하는 긴 펄스 레이더 신호의 속성 기반 분류 장치(100)에 의해 수행되는 것으로 이해될 수 있으나, 반드시 이에 한정되는 것은 아니다.
본 발명의 일 실시예는 먼저 소정 길이 이상을 갖는 긴 펄스 레이더 신호를 수신하면(S110), 수신된 레이더 신호를 동일 속성을 갖는 그룹(이하, 동일 속성 그룹)끼리 분류한다(S120).
도 2를 참조하면 일 실시예로, 레이더 식별에 사용되는 레이더 펄스 파형은 높은 중심주파수를 가지는 정현파를 펄스열로 변조하여 포락선이 펄스의 형태를 갖는다. 펄스 반복 간격(PRI)은 펄스가 연이어 나타날 때 펄스 사이의 시간 간격을 나타내며, 무선주파수(RF)는 중심주파수를 나타낸다. PRI와 RF는 보통 시간에 따라 변하는 값을 가진다.
도 2에 표시한 펄스 진폭(Pulse Amplitude), 펄스 폭(Pulse width), 펄스 반복 간격(PRI), 무선 주파수(RF)는 각 펄스의 특성을 기술하는 주요 성분이다. 본 발명의 일 실시예에서는 이러한 레이더 신호의 펄스 반복 간격, 무선 주파수, 펄스 진폭, 펄스 폭, 펄스 도착 시간 중 적어도 하나를 기반으로 동일 속성 그룹으로 분류할 수 있다. 한편, 본 발명의 설명에서는 레이더 특성을 결정하는 주요 요소인 펄스 반복 간격(이하, PRI)과 무선 주파수(이하, RF)만을 고려하여 학습한 결과를 제공하는 것으로 설명하도록 하나, 반드시 이에 한정되는 것은 아니다.
일 실시예로, 전술한 바처럼 레이더 특성을 결정하는 PRI와 RF는 시간에 따라 변하는 값을 가지는데, 변화 형태에 따라 도 3에 도시된 바와 같이, PRI는 8개의 패턴으로 구분할 수 있다. 이때, 도 3에서 가로축은 펄스 번호를 나타내고, 세로축은 펄스 반복 간격 또는 무선 주파수를 나타낸다. RF는 스태거(Stagger) 형태가 없어서 7개의 변화 형태를 갖는다. 도 3의 각 도면에서 제목은 변화 형태의 명칭을 나타내는데, 괄호가 없는 것은 PRI, 괄호 안은 RF에 대한 것을 나타낸다. 또한, 지터(Jitter)와 스태거는 모두 불규칙하게 변하는데, 지터는 주기가 없고 스태거는 주기적으로 변하는 점만 다르다.
한편, nSW를 주기가 있는 경우 한 주기 내의 펄스 수 또는 체류(dwell) 기간이 있는 경우 한 주기 내의 체류 수(계단 수), nDW를 체류 기간 동안의 펄스 수로 정의하면 다음 식 1과 같은 관계로 나타낼 수 있다.
[식 1]
주기당 펄스 수 = 주기당 계단 수(nSW) Х 계단당 펄스 수(nDW)
식 1을 통해 PRI와 RF의 각 변화 형태에 대한 속성값 쌍(nSW, nDW)을 지정할 수 있다. 이때, 고정 형태(Stationary)와 지터는 주기가 없으므로 속성값 nSW를 지정할 수 없으며, 이 경우 (1, 1)로 취급할 수 있다. 체류변경(Type 6)을 제외하고는 nDW는 모두 1이 된다. 이와 같은, 변화 형태의 약어와 속성값 쌍을 정리하면 표 1과 같이 나타낼 수 있다.
Type Pattern
(PRI/RF)		 Notation
(PRI/RF)		 Attributes
0 Stationary/Fix STA/Fix (1, 1)
1 Jitter/Agile JIT/AGL (1, 1)
2 Sine/Sine SIN/SIN (nSW, 1)
3 Sawtooth+/Sawtooth+ ST+/ST+ (nSW, 1)
4 Sawtooth-/Sawtooth- ST-/ST- (nSW, 1)
5 Triangle/Triangle TRI/TRI (nSW, 1)
6 Dwell & Switch/Hopping D&S/HOP (nSW, nDW)
7 Stagger/- STG/- (nSW, 1)
*nSW : Number of steps (or switches) in a period
*nDW : Number of pulses in a dwell interval
본 발명의 일 실시예는 상기 표 1에 있어서, 레이더 신호의 PRI와 RF의 정보를 입력받아, 레이더 신호에 대한 PRI와 RF의 변화 형태(Type), 주기당 계단 수(nSW) 및 계단당 펄스 수(nDW)의 속성값을 결과로 출력하여 레이더 신호를 식별하고자 한다. 즉, 본 발명의 일 실시예는 3개의 속성값(Type, nSW, nDW)가 희망 출력값이 된다.
일 예로, PRI와 RF의 데이터의 변화 형태의 주기는 최소 2에서 최대 32라 가정한다. 즉, D&S를 제외한 변화 형태의 속성값 범위는 다음 식 2, 식 3과 같다.
[식 2]
2≤ nSW ≤ 32
[식 3]
6≤ nDW ≤ 20
이때, D&S의 속성값 범위는 다음 식 4의 조건을 만족한다고 가정한다.
[식 4]
nSW × nDW ≤ 256
위 예시에 있어서, PRI와 RF의 각 변화 형태에 대해 속성값 범위 및 (nSW, nDW)의 조합의 개수는 표 2와 같다. D&S 속성값 개수가 302개다.
Type Pattern
(PRI/RF)		 (nSW, nDW) Count
0 STA/Fix (1,1) 1
1 JIT/AGL (1,1) 1
2 SIN/SIN (6,1) ~ (32,1) 27
3 ST+/ST+ (6,1) ~ (32,1) 27
4 ST-/ST- (6,1) ~ (32,1) 27
5 TRI/TRI (6,1) ~ (32,1) 27
6 D&S/HOP nSW(2~32)×nDW(6~20)≤256 302
7 STG/ - (2,1)~(32,1) 31
Total (PRI/RF) 443/412
또한, 전술한 예시에서, PRI와 RF 데이터의 비이상적인 특성으로 측정 오차와 펄스 누락 및 다른 펄스 유입을 고려하여 입력 형태를 구성할 수 있다. PRI와 RF 데이터의 비이상적인 특성 중, 측정 오차는 펄스를 검출하고 이로부터 PDW 성분을 측정 및 추정할 때 발생하는 오차이다. TOA, RF 등의 PDW 데이터를 구하기 위해서는 일반적으로 수신된 레이더 신호를 고속의 아날로그-디지털(analog-to-digital: AD) 변환기를 통해 디지털로 변환하고, 이어서 표본의 신호처리를 통해 펄스 검출, PDW 데이터 추정, 펄스 분리 등의 과정을 거친다. 이때, 표본화 간격이 유한하고 또한 잡음이 유입되기 때문에 TOA, RF 등을 추정할 때 측정 오차가 발생한다.
또한, PRI와 RF 데이터의 비이상적인 특성으로, 펄스 누락과 다른 펄스 유입은 여러 레이더로부터 수신된 펄스를 레이더별로 분류하는 과정에서 발생한다. 일반적으로 수신기에는 여러 레이더 신호가 동시에 수신될 수 있다. 이때, 펄스를 레이더별로 분류하는 과정에서 펄스가 겹치거나 분류 오류 등에 의해 특정 레이더에 대한 펄스가 누락되거나 또는 다른 레이더 펄스가 유입될 수 있다.
한편, 본 발명의 일 실시예에서 PRI와 RF는 레이더 신호 식별에 가장 중요한 요소 중 하나이다. 전술한 바처럼, 본 발명의 일 실시예는 PRI와 RF를 사용하여 펄스 반복 간격 및 무선 주파수의 변화 형태(Type), 주기당 계단 수(nSW) 및 계단당 펄스 수(nDW)를 식별하기 위한 단일입력 분류기를 제공한다.
단일 입력 분류기는 PRI 또는 RF 데이터 입력에 대해 Type, nSW, nDW 3개의 속성값을 분류한다. 즉, 1개의 입력에 대해 3개의 출력(i1o3)을 가진다. 이 입력과 출력은 다수 개의 입력과 다수 개의 출력으로 세분화될 수 있다.
다시 도 1을 참조하면 일 실시예로, 동일 속성 그룹으로 분류된 레이더 신호를 CNN 기반의 기계학습 알고리즘에 입력하여 압축된 레이더 특징을 추출하고(S130), 압축된 레이더 특징을 LSTM 신경망에 입력하여 이전 학습된 레이더 신호의 속성과 유사도가 가장 높은 레이더 신호의 속성을 결과로 출력한다(S140). 이하, 도 4를 참조하여 CNN과 LSTM 및 FCL로 구성된 단일 입력 분류기에 대해 보다 상세히 설명하도록 한다.
도 4는 본 발명의 일 실시예에 따른 단일 입력 분류기를 설명하기 위한 도면이다.
본 발명의 일 실시예에서 단일 입력 분류기는 도 4에 도시된 바와 같이, 전처리기와, CNN 기반의 기계학습 알고리즘과, LSTM 신경망과. 복수 개의 지로(branch)로 분리된 완전연결층(Fully Connected Layer: FCL)으로 구성된다. 이때, 도 4의 예시에서 단일 입력 분류기는 3개의 컨볼루션 계층으로 구성된 CNN과, 2개의 계층으로 구성된 LSTM, 그리고 3개의 지로로 분리되는 2개의 FCL로 구성되는 것으로 도시하였으나, 반드시 이에 한정되는 것은 아니다. 한편, 3개의 지로로 구성된 완전연결망은 모두 동일한 구조를 가진다.
도 4에 도시된 분류기의 입력은 N개의 원소(즉, 입력 노드의 개수)로 구성된 PRI 또는 단일벡터이다. 여기에서, N은 편의상 PRI 또는 RF의 최대 주기로 가정한 32의 정수배로 놓는다.
분류기의 각 출력 노드의 개수는 분류하고자 하는 데이터의 종류 및 속성의 개수에 따라 달라질 수 있다. 분류기의 분류 가짓수는 표 2로부터 PRI 분류기는 443개가 되고, RF 분류기는 412개가 된다.
한편, 본 발명의 일 실시예는 레이더 신호의 PRI 및 RF의 정보를 정규화하여 일정 범위 이내의 값을 가지도록 전처리하는 전처리기를 포함할 수 있다.
구체적으로, 심층학습을 위해서는 입력값이 일정 범위 이내의 값을 가지도록 하는 전처리 과정이 필요하다. 일반적으로 PRI와 RF 값의 평균값과 변동 범위는 레이더에 따라 크게 달라진다. 특히, PRI는 평균값이 수
Figure 112021148739111-pat00001
s에서 수 ms까지 1,000배 이상의 변동성을 가진다. PRI와 RF는 수신기의 펄스 분류 과정에서 이미 그 특징에 따라 분류하므로, 절대적인 평균값과 변동 범위에 따른 레이더 정보는 이미 결정되었다고 가정해도 무방하다. 따라서, 세부 식별 과정에서는 데이터의 평균값을 제거하고 변동 범위를 일정 크기로 제한하여 사용한다.
일 실시예로, 분류기의 PRI와 RF의 변동 범위는 평균값에 따라 달라진다. 따라서, 심층학습을 적용하는 신경망에서는 많은 계수와 곱 및 합 연산이 수행되므로 입력값을 일정 범위 이내로 제한할 필요가 있다. 따라서 RF와 PRI의 변화 범위를 다음과 같이 정규화하는 과정이 필요하다.
먼저, 정규화된 출력
Figure 112021148739111-pat00002
은 다음 식 5와 같이 나타낼 수 있다.
[식 5]
Figure 112021148739111-pat00003
식 5에서
Figure 112021148739111-pat00004
는 PRI와 RF 데이터의 평균
Figure 112021148739111-pat00005
에 대한 최대 변동 비율을 나타낸 것이다. 평균
Figure 112021148739111-pat00006
는 다음 식 6과 같다.
[식 6]
Figure 112021148739111-pat00007
본 발명의 예시에 있어, 분류기의 입력 길이(노드 수)는 성능과 계산량을 절충했을 때, RF 또는 PRI의 최대 변화 주기의 4배 정도가 적당하다. 따라서, 전처리부의 입력 노드 수는 N=1024이고, 각 노드는 (PRI, RF) 값 벡터를 입력으로 받아들인다.
전처리 과정이 완료되면, 다음으로 CNN 기반의 기계학습 알고리즘을 통해 압축된 레이더 특징을 추출한다.
일 실시예로, CNN 기반의 기계학습 알고리즘은 복수의 컨볼루션층을 포함할 수 있으며, 1개의 컨볼루션층은 필터와 풀링(pooling) 층으로 구성될 수 있다. 필터를 통해서는 입력 데이터의 특징을 추출하고, 풀링을 통해서는 추출된 특징을 압축한다. 일 실시예로, 복수의 컨볼루션층은 각각 서로 다른 필터 개수 및 필터 길이를 가질 수 있다.
일 예로, CNN의 3개의 컨볼루션층의 필터 개수와 필터 길이는 각각 (128, 7), (64, 5), (32, 3)일 수 있으며, 모두 필터 출력 2개 중에서 최댓값을 선택하는 맥스풀링(MaxPooling)이 적용될 수 있다.
따라서, 첫 콘벌루션층은 1024개의 벡터 입력을 필터링하여 1024개의 128x1 벡터를 출력하고, 블록 크기 2인 맥스풀링을 통해 최종적으로 512개의 128x1 벡터를 출력한다. 마찬가지로, 제2 컨볼루션층은 256개의 64x1 벡터를, 제3 컨볼루션층은 128개의 32x1 벡터를 출력한다.
결과적으로 CNN에서는 1024개의 (PRI, RF) 벡터로부터 원소 수 32인 128개의 특징벡터(feature vector)를 생성한다. 한편, CNN의 필터 개수, 필터 길이 등의 내부 파라미터는 모의실험을 통해 결정하였다.
다음으로, CNN 기반의 기계학습 알고리즘을 통해 압축된 레이더 특징은 LSTM 신경망에 입력된다.
일 실시예로, LSTM 신경망은 2개의 LSTM 계층으로 구성될 수 있으며, 제1 LSTM층은 N개의 입력 노드와 출력 노드로 구성되며 각 노드는 차원이 L인 상태벡터를 갖는다. 또한, 제2 LSTM층은 제1 LSTM층의 출력 노드로부터 입력을 받아 1개의 노드로 출력한다. 이때, 출력 노드는 제1 LSTM층과 동일하게 L차원의 상태 벡터이다. 2개의 LSTM 계층은 모두 각 출력 노드에서 tanh 함수를 활성함수(activation function)로 사용한다.
본 발명의 일 실시예에서의 분류기는 2개의 완전연결층으로 구성된 완전연결망이 LSTM 신경망으로부터 입력을 받아 최종 출력을 낸다.
제1 완전연결층은 LSTM 신경망의 L개의 상태벡터의 수만큼 입출력 노드를 가진다. 따라서, LxL개의 계수로 구성된다. 제1 완전연결층의 각 출력 노드는 활성함수로 ReLU(Rectified Linear Unit) 함수를 사용한다.
또한, 제2 완전연결층은 제1 완전연결층의 입력을 수신하여 레이더 신호에 대한 PRI와 RF의 변화 형태(Type), 주기당 계단 수(nSW) 및 계단당 펄스 수(nDW)의 속성값을 결과로 출력한다. 제2 완전연결층은 제1 완전연결층의 상태벡터의 개수만큼 입력을 가지며, 각 출력 노드의 활성함수로 ReLU(Rectified Linear Unit) 함수를 사용한다.
일 예로, 분류기의 최종 출력인 제2 완전연결층의 출력은 6개의 속성에 대한 속성값으로, 속성별 출력 노드 수는 표 3에 나타난 것과 같다. 전체적으로 분류기는 표 2로부터 443×412=182, 516가지의 속성 조합을 분류한다.
출력 종류 PRI RF
Type nSW nDW Type nSW nDW
출력 노드 수 8 32 16 7 28 16
한편, 본 발명의 일 실시예는 CNN 기반의 기계학습 알고리즘 및 LSTM 신경망의 상태벡터 개수 및 입력 노드 개수를 결정하기 위하여, 기 준비된 학습용 데이터를 기반으로 훈련용 데이터, 훈련 검증용 데이터 및 평가용 데이터를 생성하여, 학습 및 평가를 수행할 수 있다.일 예로, 학습용 데이터는 비이상적 특성을 반영하여 생성할 수 있다. 측정 오차는 평균값의 0 ~ 1% 사이에서 균일분포를 가지도록 불규칙적으로 선택하여 반영한다. 또한, 펄스 누락률은 0 ~ 10% 사이에서 선택하며, 다른 펄스 유입율은 0 ~ 5% 사이에서 균일하게 선택하여 반영한다.
학습용 데이터열은 불규칙적으로 섞은 후 75% : 25%로 나누어 훈련(train)과 시험(test)에 사용한다. 75%의 훈련용 데이터는 다시 75% : 25%로 나누어 각각 순수 훈련용과 훈련 검증용으로 사용한다. 훈련 검증용은 모델의 파라미터를 선택하고 최종 모델을 결정하기 위한 것이다.
또한, 평가용 데이터는 각 속성 및 펄스 누락률, 다른 펄스 유입률 등에 대한 식별률을 구할 수 있도록 학습용 데이터와는 별도로 생성한다.
이처럼, 훈련용 데이터, 훈련 검증용 데이터 및 평가용 데이터의 생성이 완료되면, 전술한 분류기 구조에 대해 먼저 모델 파라미터(hyperparameter)에 해당하는 CNN층, LSTM층의 상태 개수(L)와 입력 개수(N)를 결정하기 위한 학습 및 평가를 수행한다.
상태 개수와 입력 개수를 결정한 후, 다시 학습을 통해 최종적으로 분류기의 파라미터를 결정한다. 분류기의 성능 평가는 다른 펄스 유입률을 0%부터 5%까지, 펄스 누락률을 0%에서 14%까지 변화시켜가며 생성된 평가용 데이터를 사용하여 식별률을 구하는 방법으로 수행한다.
또한, 분류기의 성능은 학습에 의한 수렴 과정과 속성별 식별률을 통해 평가한다. 먼저 학습용 데이터를 생성하여 분류기를 학습시키고, 별도의 평가용 데이터를 통해 식별률을 구한다. 학습용 데이터는 발생 빈도가 작은 속성값인 경우 더 많은 개수를 생성하여, 분류기가 각 속성 출력값에 대해 균일한 비율로 학습되도록 하였다.
도 5는 학습 횟수에 따른 PRI nSW 속성의 식별률(%)을 나타낸 것이다.
일 실시예로, 도 5는 LSTM층과 완전연결층으로 구성된 분류기와, 본 발명의 일 실시예에서 제안하는 CNN층, LSTM층, 및 완전연결층으로 구성된 분류기에 대해, 입력 데이터 길이가 1024일 때 학습횟수에 따른 PRI의 nSW 속성의 식별률을 나타낸다.
도 5를 참조하면 기존의 LSTM층과 완전연결층으로 구성된 분류기 구조에서는 길이가 1024인 입력 (PRI, RF) 벡터에 대해 입력 형태를 변화시켜도 분류기가 안정적으로 수렴하지 않는 것을 알 수 있다.
이에 비해 본 발명에서 제안한 CNN층, LSTM층 및 완전연결층으로 구성된 분류기는 초기부터 비교적 안정적으로 신호를 식별할 수 있다.
도 6은 가짜 펄스 유입률 및 펄스 누락률에 따른 제안 분류기의 각 속성 식별률(%)을 나타낸 것이다.
일 실시예로, 도 6은 펄스의 누락률과 다른 펄스의 유입률에 따른 제안 방식의 속성별 식별률을 나타낸다. 결과와 유사하게 PRI의 nSW 속성의 식별률이 다른 속성에 비해 낮게 나타난다. 그러나 긴 주기 신호에 대해 종래 기술에 따른 분류기는 거의 수렴하지 못하는 것에 비해, 본 발명에 따른 방법은 최악조건에서도 90% 이상의 식별률을 나타내는 것을 볼 수 있다.
본 발명에서는 CNN과 LSTM 모델을 결합하여 펄스 레이더 신호의 PRI와 RF가 긴 주기를 가질 때 파형을 식별하기 위한 기계학습 구조와 방법을 설명하였다. 본 발명의 일 실시예는 PRI와 RF의 변화 주기가 256에 이르기까지 전체 182,516가지 특성에 대해 90% 이상의 식별률을 나타낸다. 일반적으로 실제 환경에서 펄스 누락률이 10% 이하임을 감안하면 전체적으로 95% 이상의 높은 식별률을 나타낸다.
한편, 상술한 설명에서, 단계 S110 내지 S140은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다. 아울러, 기타 생략된 내용이라 하더라도 도 1 내지 도 6의 긴 펄스 레이더 신호의 속성 기반 분류 방법의 내용은 도 7의 내용에도 적용될 수 있다.
도 7은 본 발명의 일 실시예에 따른 긴 펄스 레이더 신호의 속성 기반 분류 장치(100)의 블록도이다.
본 발명의 일 실시예에 따른 긴 펄스 레이더 신호의 속성 기반 분류 장치(100)는, 수신부(110), 메모리(120) 및 프로세서(130)를 포함한다.
수신부(110)는 레이더 신호를 수신하고, 메모리(120)에는 수신한 레이더 신호의 속성을 분류하기 위한 프로그램이 저장된다.
프로세서(130)는 메모리(120)에 저장된 프로그램을 실행시킴에 따라, 수신된 레이더 신호를 동일 속성 그룹으로 분류하고, 동일 속성 그룹으로 분류된 레이더 신호를 CNN 기반의 기계학습 알고리즘에 입력하여 압축된 레이더 특징을 추출한다. 그리고, 압축된 레이더 특징을 LSTM 신경망에 입력하여 이전 학습된 레이더 신호의 속성과 유사도가 가장 높은 레이더 신호의 속성을 결과로 출력한다.
이상에서 전술한 본 발명의 일 실시예에 따른 긴 펄스 레이더 신호의 속성 기반 분류 방법은, 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, Ruby, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 긴 펄스 레이더 신호의 속성 기반 분류 장치
110: 수신부
120: 메모리
130: 프로세서

Claims (18)

  1. 소정 길이 이상을 갖는 긴 펄스 레이더 신호의 속성 기반 분류 방법에 있어서,
    상기 레이더 신호를 수신하는 단계;
    상기 수신된 레이더 신호를 동일 속성을 갖는 그룹(이하, 동일 속성 그룹)끼리 분류하는 단계;
    상기 동일 속성 그룹으로 분류된 레이더 신호를 CNN 기반의 기계학습 알고리즘에 입력하여 압축된 레이더 특징을 추출하는 단계; 및
    상기 압축된 레이더 특징을 LSTM 신경망에 입력하여 이전 학습된 레이더 신호의 속성과 유사도가 가장 높은 레이더 신호의 속성을 결과로 출력하는 단계를 포함하고,
    상기 레이더 신호의 속성을 결과로 출력하는 단계는,
    상기 레이더 신호의 펄스 반복 간격 및 무선 주파수의 정보를 입력받아, 상기 LSTM과 연결된 완전연결망을 통해 상기 레이더 신호에 대한 펄스 반복 간격 및 무선 주파수의 변화 형태(Type), 주기당 계단 수(nSW) 및 계단당 펄스 수(nDW)의 속성값을 결과로 출력하되,
    상기 주기당 계단 수와 계단당 펄스 수는 하기 식의 관계를 갖는 것인 긴 펄스 레이더 신호의 속성 기반 분류 방법.
    [식]
    주기당 펄스 수 = 주기당 계단 수(nSW) Х 계단당 펄스 수(nDW)
  2. 제1항에 있어서,
    상기 수신된 레이더 신호를 동일 속성 그룹끼리 분류하는 단계는,
    상기 레이더 신호의 펄스 반복 간격, 무선 주파수, 펄스 도착 시간, 펄스 폭 및 펄스 진폭 중 적어도 하나를 기반으로 동일 속성 그룹으로 분류하는 것인 긴 펄스 레이더 신호의 속성 기반 분류 방법.
  3. 삭제
  4. 제1항에 있어서,
    상기 완전연결망은 N개의 입력 노드와 출력 노드로 구성되며 각 노드는 차원이 L인 상태벡터를 갖는 상기 LSTM 신경망의 L개의 상태벡터의 수만큼 입출력 노드를 갖는 제1 완전연결층과, 상기 제1 완전연결층의 입력을 수신하여 상기 레이더 신호에 대한 펄스 반복 간격 및 무선 주파수의 변화 형태(Type), 주기당 계단 수(nSW) 및 계단당 펄스 수(nDW)의 속성값을 결과로 출력하는 제2 완전연결층을 포함하는 긴 펄스 레이더 신호의 속성 기반 분류 방법.
  5. 제1항에 있어서,
    상기 레이더 신호의 펄스 반복 간격 및 무선 주파수의 정보를 정규화하여 일정 범위 이내의 값을 가지도록 전처리하는 단계를 더 포함하는 긴 펄스 레이더 신호의 속성 기반 분류 방법.
  6. 제1항에 있어서,
    상기 동일 속성 그룹으로 분류된 레이더 신호를 CNN 기반의 기계학습 알고리즘에 입력하여 압축된 레이더 특징을 추출하는 단계는,
    입력 데이터의 특징을 추출하는 필터 및 추출된 특징을 압축하는 풀링(pooling)층으로 각각 구성된 복수의 컨볼루션층을 포함하는 CNN 기반의 기계학습 알고리즘에 입력하여 압축된 레이더 특징을 추출하는 것인 긴 펄스 레이더 신호의 속성 기반 분류 방법.
  7. 제6항에 있어서,
    상기 복수의 컨볼루션층은 각각 서로 다른 필터 개수 및 필터 길이를 갖는 것인 긴 펄스 레이더 신호의 속성 기반 분류 방법.
  8. 제6항에 있어서,
    상기 컨볼루션층의 풀링은 상기 필터의 출력 중 최댓값을 선택하는 맥스풀링(Maxpooling)이 적용된 것인 긴 펄스 레이더 신호의 속성 기반 분류 방법.
  9. 제1항에 있어서,
    상기 CNN 기반의 기계학습 알고리즘 및 LSTM 신경망의 상태벡터 개수 및 입력 노드 개수를 결정하기 위하여, 기 준비된 학습용 데이터를 기반으로 훈련용 데이터, 훈련 검증용 데이터 및 평가용 데이터를 생성하여, 학습 및 평가를 수행하는 단계를 더 포함하는 긴 펄스 레이더 신호의 속성 기반 분류 방법.
  10. 소정 길이 이상을 갖는 긴 펄스 레이더 신호의 속성 기반 분류 장치에 있어서,
    레이더 신호를 수신하는 수신부,
    상기 레이더 신호의 속성을 분류하기 위한 프로그램이 저장된 메모리 및
    상기 메모리에 저장된 프로그램을 실행시킴에 따라, 상기 수신된 레이더 신호를 동일 속성 그룹으로 분류하고, 상기 동일 속성 그룹으로 분류된 레이더 신호를 CNN 기반의 기계학습 알고리즘에 입력하여 압축된 레이더 특징을 추출하고, 상기 압축된 레이더 특징을 LSTM 신경망에 입력하여 이전 학습된 레이더 신호의 속성과 유사도가 가장 높은 레이더 신호의 속성을 결과로 출력하는 프로세서를 포함하고,
    상기 프로세서는,
    상기 레이더 신호의 펄스 반복 간격 및 무선 주파수의 정보를 입력받고, 상기 LSTM과 연결된 완전연결망을 통해 상기 레이더 신호에 대한 펄스 반복 간격 및 무선 주파수의 변화 형태(Type), 주기당 계단 수(nSW) 및 계단당 펄스 수(nDW)의 속성값을 결과로 출력하되,
    상기 주기당 계단 수와 계단당 펄스 수는 하기 식의 관계를 갖는 것인 긴 펄스 레이더 신호의 속성 기반 분류 장치.
    [식]
    주기당 펄스 수 = 주기당 계단 수(nSW) Х 계단당 펄스 수(nDW)
  11. 제10항에 있어서,
    상기 프로세서는,
    상기 레이더 신호의 펄스 반복 간격, 무선 주파수, 펄스 도착 시간, 펄스 폭 및 펄스 진폭 중 적어도 하나를 기반으로 동일 속성 그룹으로 분류하는 것인 긴 펄스 레이더 신호의 속성 기반 분류 장치.
  12. 삭제
  13. 제10항에 있어서,
    상기 완전연결망은 N개의 입력 노드와 출력 노드로 구성되며 각 노드는 차원이 L인 상태벡터를 갖는 상기 LSTM 신경망의 L개의 상태벡터의 수만큼 입출력 노드를 갖는 제1 완전연결층과, 상기 제1 완전연결층의 입력을 수신하여 상기 레이더 신호에 대한 펄스 반복 간격 및 무선 주파수의 변화 형태(Type), 주기당 계단 수(nSW) 및 계단당 펄스 수(nDW)의 속성값을 결과로 출력하는 제2 완전연결층을 포함하는 긴 펄스 레이더 신호의 속성 기반 분류 장치.
  14. 제10항에 있어서,
    상기 프로세서는,
    상기 레이더 신호의 펄스 반복 간격 및 무선 주파수의 정보를 정규화하여 일정 범위 이내의 값을 가지도록 전처리하는 것인 긴 펄스 레이더 신호의 속성 기반 분류 장치.
  15. 제10항에 있어서,
    상기 프로세서는,
    입력 데이터의 특징을 추출하는 필터 및 추출된 특징을 압축하는 풀링(pooling)층으로 각각 구성된 복수의 컨볼루션층을 포함하는 CNN 기반의 기계학습 알고리즘에 입력하여 압축된 레이더 특징을 추출하는 것인 긴 펄스 레이더 신호의 속성 기반 분류 장치.
  16. 제15항에 있어서,
    상기 복수의 컨볼루션층은,
    각각 서로 다른 필터 개수 및 필터 길이를 갖는 것인 긴 펄스 레이더 신호의 속성 기반 분류 장치.
  17. 제15항에 있어서,
    상기 컨볼루션층의 풀링은 상기 필터의 출력 중 최댓값을 선택하는 맥스풀링(Maxpooling)이 적용된 것인 긴 펄스 레이더 신호의 속성 기반 분류 장치.
  18. 제10항에 있어서,
    상기 프로세서는,
    상기 CNN 기반의 기계학습 알고리즘 및 LSTM 신경망의 상태 개수 및 입력 개수를 결정하기 위하여, 기 준비된 학습용 데이터를 기반으로 훈련용 데이터, 훈련 검증용 데이터 및 평가용 데이터를 생성하여, 학습 및 평가를 수행하는 것인 긴 펄스 레이더 신호의 속성 기반 분류 장치.
KR1020210185094A 2021-12-22 2021-12-22 긴 펄스 레이더 신호의 속성 기반 분류 방법 및 장치 KR102407834B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210185094A KR102407834B1 (ko) 2021-12-22 2021-12-22 긴 펄스 레이더 신호의 속성 기반 분류 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210185094A KR102407834B1 (ko) 2021-12-22 2021-12-22 긴 펄스 레이더 신호의 속성 기반 분류 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102407834B1 true KR102407834B1 (ko) 2022-06-10

Family

ID=81986587

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210185094A KR102407834B1 (ko) 2021-12-22 2021-12-22 긴 펄스 레이더 신호의 속성 기반 분류 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102407834B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117554919A (zh) * 2024-01-11 2024-02-13 成都金支点科技有限公司 一种基于双向lstm网络的雷达信号分选搜索方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200046815A (ko) * 2018-10-25 2020-05-07 국방과학연구소 Hmm과 신경망을 이용한 레이더 신호 분류 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200046815A (ko) * 2018-10-25 2020-05-07 국방과학연구소 Hmm과 신경망을 이용한 레이더 신호 분류 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117554919A (zh) * 2024-01-11 2024-02-13 成都金支点科技有限公司 一种基于双向lstm网络的雷达信号分选搜索方法
CN117554919B (zh) * 2024-01-11 2024-03-29 成都金支点科技有限公司 一种基于双向lstm网络的雷达信号分选搜索方法

Similar Documents

Publication Publication Date Title
CN110826630B (zh) 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法
CN109389058A (zh) 海杂波与噪声信号分类方法及系统
KR102407835B1 (ko) 기계학습 기반의 펄스 레이더 신호 속성 분류 방법 및 장치
CN111722199A (zh) 一种基于卷积神经网络的雷达信号检测方法
CN114429156A (zh) 雷达干扰多域特征对抗学习与检测识别方法
Cain et al. Convolutional neural networks for radar emitter classification
CN110647788B (zh) 一种基于微多普勒特征的人类日常行为分类方法
CN114531729B (zh) 基于信道状态信息的定位方法、系统、存储介质及设备
CN114114166A (zh) 一种基于dtm算法的雷达脉冲去交错方法
CN112949383B (zh) 一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法
CN110929842B (zh) 非合作无线电信号突发时间区域精确智能检测方法
CN112001433A (zh) 一种航迹关联方法、系统、设备及可读取存储介质
KR102407834B1 (ko) 긴 펄스 레이더 신호의 속성 기반 분류 방법 및 장치
CN109598175A (zh) 一种基于多小波基函数和超正交前向回归的时频分析方法
CN116866129A (zh) 一种无线通信信号检测方法
Nuhoglu et al. Image segmentation for radar signal deinterleaving using deep learning
CN115661869A (zh) 基于多维特征智能融合的射频信号指纹识别方法和系统
CN115409064A (zh) 一种基于集成学习的多维特征虚警剔除方法
Yildirim et al. 1D convolutional neural networks versus automatic classifiers for known LPI radar signals under white gaussian noise
CN114117912A (zh) 一种数据模型双驱动下的海杂波建模与抑制方法
CN114355298A (zh) 一种雷达复合调制脉冲信号识别方法
CN114487129A (zh) 基于声发射技术的柔性材料的损伤识别方法
Guven et al. Classifying LPI radar waveforms with time-frequency transformations using multi-stage CNN system
CN116797796A (zh) Drfm间歇采样下基于时频分析与深度学习的信号识别方法
Liu et al. Unsupervised clustering method to discriminate dense deception jamming for surveillance radar

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant