KR102438688B1 - 정보 융합 기반 의도 추론 방법 및 장치 - Google Patents

정보 융합 기반 의도 추론 방법 및 장치 Download PDF

Info

Publication number
KR102438688B1
KR102438688B1 KR1020220043856A KR20220043856A KR102438688B1 KR 102438688 B1 KR102438688 B1 KR 102438688B1 KR 1020220043856 A KR1020220043856 A KR 1020220043856A KR 20220043856 A KR20220043856 A KR 20220043856A KR 102438688 B1 KR102438688 B1 KR 102438688B1
Authority
KR
South Korea
Prior art keywords
observation data
intention
data
inferring
fusion
Prior art date
Application number
KR1020220043856A
Other languages
English (en)
Inventor
전호철
최재각
이장훈
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 KR1020220043856A priority Critical patent/KR102438688B1/ko
Application granted granted Critical
Publication of KR102438688B1 publication Critical patent/KR102438688B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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 발명은 다수의 관측 데이터를 수집하고, 수집된 다수의 관측 데이터를 가공하여 융합 데이터를 생성하며, 과거에 생성된 융합 데이터와 현재 생성된 융합 데이터를 비교하고, 미리 설정된 규칙 모델을 이용하여, 상기 비교 결과에 따라 다수의 관측 데이터에 대한 의도를 추론하는, 의도 추론 방법을 제공한다.

Description

정보 융합 기반 의도 추론 방법 및 장치{INFORMATION FUSION-BASED INTENTION INFERENCE METHOD AND DEVICE}
본 발명은 정보 융합 기반 의도 추론 방법 및 장치에 관한 것으로, 더욱 상세하게는, 다수의 정보를 수집하여 융합하고, 융합된 정보를 이용하여 다수의 정보에 대한 의도를 추론하는 방법 및 장치에 관한 것이다.
북한과 중국, 러시아 등 한반도를 둘러싼 각 주변국은 다양한 고속 비행체를 보유하고 있다. 이러한 위협에 대비하기 위해 우리군은 다양한 요격체계, 탐지체계, 지휘통제체계를 보유하거나 구축 중에 있다.
지휘통제체계는 레이더가 탐지한 고속 비행체의 위협도를 판단하여 최적의 요격체계로 교전명령을 전달하고 요격체계는 해당 고속 비행체를 대상으로 교전을 수행한다. 또한 발사 및 낙탄 위치 등을 포함한 고속 비행체 정보를 관련된 무기체계로 경보를 전파하는 역할 등도 수행한다.
국내공개특허 제10-2021-0099450호(2021.08.12.) 국내공개특허 제10-2008-0021017호(2008.03.06.)
본 발명이 해결하고자 하는 기술적 과제는 서로 다른 경로를 통해 다수의 정보를 수집하여 융합하고, 융합된 정보를 분석하여, 수집된 정보에 대한 의도를 추론하는 정보 융합 기반 의도 추론 방법 및 장치를 제공하는 것이다.
본 발명의 일측면은, 다수의 관측 데이터를 수집하는 단계; 상기 수집된 다수의 관측 데이터를 가공하여 융합 데이터를 생성하는 단계; 과거에 생성된 융합 데이터와 현재 생성된 융합 데이터를 비교하는 단계; 및 미리 설정된 규칙 모델을 이용하여, 상기 비교 결과에 따라 상기 다수의 관측 데이터에 대한 의도를 추론하는 단계;를 포함할 수 있다.
또한, 상기 의도를 추론하는 단계는, 상기 다수의 관측 데이터 중 미리 설정된 지역 범위 내에서 수집된 적어도 하나의 관측 데이터에 대한 비교 결과에 기초하여 지역 의도를 추론하는 단계; 및 서로 다른 다수의 지역 범위를 포함하는 광역 범위에 대해 추론된 다수의 지역 의도를 이용하여 광역 의도를 추론하는 단계;를 포함할 수 있다.
또한, 상기 관측 데이터를 수집하는 단계는, 미리 설정된 다수의 경로를 이용하여 서로 다른 유형으로 생성된 다수의 관측 데이터를 수집할 수 있다.
또한, 상기 다수의 관측 데이터 각각은, 상기 다수의 관측 데이터 각각이 생성되는 관측 시점 및 상기 다수의 관측 데이터 각각에서 나타나는 지역 좌표를 포함할 수 있다.
또한, 상기 융합 데이터를 생성하는 단계는, 상기 다수의 관측 데이터 각각마다 적어도 하나의 키워드를 추출하는 단계; 상기 다수의 관측 데이터 중 적어도 둘 이상에서 각각 추출된 상기 적어도 하나의 키워드를 비교하는 단계; 및 상기 적어도 하나의 키워드 각각에 대한 비교 결과에 따라 융합 데이터를 생성하는 단계;를 포함할 수 있다.
또한, 상기 다수의 키워드를 추출하는 단계는, 상기 다수의 관측 데이터 중 이미지 또는 영상인 적어도 하나의 관측 데이터 각각에 대해, 미리 학습된 키워드 추출 모델에 상기 적어도 하나의 관측 데이터 각각을 입력하여 비행체, 탄두, 시설 및 병력 중 적어도 하나에 대한 키워드를 각각 출력하는 단계;를 포함할 수 있다.
또한, 상기 미리 학습된 키워드 추출 모델은, 키워드 추출 모델 학습 방법에 따라 학습된 것이고, 상기 키워드 추출 모델 학습 방법은, 학습용 관측 데이터와, 상기 학습용 관측 데이터의 레이블 데이터인 정답 키워드를 입력받는 단계; 및 상기 학습용 관측 데이터와 상기 정답 키워드를 이용하여 상기 학습용 관측 데이터가 입력되면 학습용 키워드를 출력하도록 상기 키워드 추출 모델을 학습시키는 단계;를 포함할 수 있다.
또한, 상기 의도를 추론하는 단계는, 상기 비교 결과에 따라 파괴, 피해, 위협, 정찰, 지원, 기만 및 협상 유도 중 적어도 하나에 대한 확률이 나타나도록 상기 의도를 추론할 수 있다.
본 발명의 다른 일측면은, 미리 설정된 규칙 모델이 저장되는 메모리; 및 다수의 관측 데이터를 수집하고, 상기 수집된 다수의 관측 데이터를 가공하여 융합 데이터를 생성하며, 과거에 생성된 융합 데이터와 현재 생성된 융합 데이터를 비교하고, 상기 미리 설정된 규칙 모델을 이용하여, 상기 비교 결과에 따라 상기 다수의 관측 데이터에 대한 의도를 추론하는 프로세서;를 포함할 수 있다.
본 발명의 또 다른 일측면은, 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서, 상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면, 다수의 관측 데이터를 수집하는 단계; 상기 수집된 다수의 관측 데이터를 가공하여 융합 데이터를 생성하는 단계; 과거에 생성된 융합 데이터와 현재 생성된 융합 데이터를 비교하는 단계; 및 미리 설정된 규칙 모델을 이용하여, 상기 비교 결과에 따라 상기 다수의 관측 데이터에 대한 의도를 추론하는 단계;를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
본 발명의 다른 일측면은, 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면, 다수의 관측 데이터를 수집하는 단계; 상기 수집된 다수의 관측 데이터를 가공하여 융합 데이터를 생성하는 단계; 과거에 생성된 융합 데이터와 현재 생성된 융합 데이터를 비교하는 단계; 및 미리 설정된 규칙 모델을 이용하여, 상기 비교 결과에 따라 상기 다수의 관측 데이터에 대한 의도를 추론하는 단계;를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
상술한 본 발명의 일측면에 따르면, 정보 융합 기반 의도 추론 방법 및 장치를 제공함으로써, 서로 다른 경로를 통해 다수의 정보를 수집하여 융합하고, 융합된 정보를 분석하여, 수집된 정보에 대한 의도를 추론할 수 있다.
도 1은 본 발명의 일 실시예에 따른 의도 추론 장치의 블록도이다.
도 2는 도 1의 의도 추론 프로그램의 일 실시예를 개념적으로 나타낸 블록도이다.
도 3은 도 2의 추론부에서 의도를 추론하는 과정의 일 실시예를 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 의도 추론 방법의 순서도이다.
도 5는 도 4의 융합 데이터를 생성하는 단계의 세부 순서도이다.
도 6은 도 4의 의도를 추론하는 단계의 세부 순서도이다.
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 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 예에 대하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 의도 추론 장치의 블록도이다.
도 1을 참조하면, 의도 추론 장치(100)는 입출력 모듈(110), 프로세서(120) 및 메모리(130)를 포함할 수 있다.
프로세서(120)는 입출력 모듈(110)을 통해, 다수의 관측 데이터를 수집할 수 있다.
여기에서, 관측 데이터는 미리 설정된 다수의 경로를 이용하여 서로 다른 유형으로 생성된 것일 수 있다.
일 실시예에서, 관측 데이터는 문서, 이미지, 영상 등 다양한 유형으로 생성된 것일 수 있다. 이때, 관측 데이터는 미리 설정된 지역에 배치된 비행체, 탄두, 시설 및 병력 중 적어도 하나에 대한 정보를 포함할 수 있다.
이와 관련하여, 관측 데이터를 수집하도록 미리 설정된 다수의 경로는, 관측 데이터가 저장되는 서버, 웹 페이지 등에 연결되는 경로 및 관측 데이터를 생성하는 장치, 시스템 등에 연결되는 경로일 수 있다.
또한, 관측 데이터는 관측 데이터가 생성되는 관측 시점 및 관측 데이터에서 나타나는 지역 좌표를 포함할 수 있다.
이에 따라, 프로세서(120)는 수집된 다수의 관측 데이터를 가공하여 융합 데이터를 생성할 수 있다.
여기에서, 융합 데이터는 관측 데이터들에 대한 적어도 하나의 키워드일 수 있다. 이러한 경우에, 적어도 하나의 키워드는 관측 데이터들로부터 추출되거나, 관측 데이터와 연관되도록 생성될 수 있다.
예를 들어, 키워드는 비행체, 탄두, 시설 및 병력 중 적어도 하나에 대한 정보일 수 있다. 일 실시예에서, 키워드는 비행체의 제원, 비행체가 관측된 위치, 비행체가 향하는 방향, 탄두가 향하는 방향, 탄두의 제원, 시설의 종류, 시설의 가동 여부, 병력이 관측된 위치, 병력이 진행하는 방향 등의 정보를 포함할 수 있다.
또한, 융합 데이터는 관측 데이터들에 대한 적어도 하나의 키워드와, 적어도 하나의 키워드에 대한 이미지 쌍일 수 있다. 이러한 경우에, 적어도 하나의 키워드에 대한 이미지는 적어도 하나의 키워드와 연관되도록 생성된 것일 수 있다. 일 실시예에서, 적어도 하나의 키워드에 대한 이미지는, 웹 서버 또는 웹 사이트를 통해 적어도 하나의 키워드에 대한 검색 결과로서 생성되거나, 미리 마련된 다수의 이미지 중 적어도 하나의 키워드에 매칭되어 추출될 수 있다.
이에 따라, 프로세서(120)는 과거에 생성된 융합 데이터와 현재 생성된 융합 데이터를 비교하고, 미리 설정된 규칙 모델을 이용하여, 비교 결과에 따라 다수의 관측 데이터에 대한 의도를 추론할 수 있다.
여기에서, 의도는 다수의 관측 데이터 중 미리 설정된 지역 범위 내에서 수집된 적어도 하나의 관측 데이터에 대한 지역 의도 및 서로 다른 다수의 지역 범위를 포함하는 광역 범위에 대해 추론된 다수의 지역 의도에 따른 광역 의도를 포함할 수 있다.
따라서, 프로세서(120)는 서로 다른 다수의 지역 범위에 대한 지역 의도를 추론하고, 다수의 지역 의도를 이용하여 광역 의도를 더 추론할 수 있다.
한편, 의도는 다수의 관측 데이터들의 변화를 통해 추정되는 행동의 변화들로부터 추론되는 것일 수 있다. 일 실시예에서, 의도는 파괴, 피해, 위협, 정찰, 지원, 기만 및 협상 유도 중 적어도 하나에 대한 추론일 수 있다.
따라서, 미리 설정된 규칙 모델은 과거에 생성된 융합 데이터와 현재 생성된 융합 데이터의 비교 결과에 대해 의도를 추론하기 위해 설정된 것일 수 있다. 일 실시예에서, 미리 설정된 규칙 모델은 학습용 융합 데이터와, 레이블 데이터인 정답 의도가 입력되어, 학습용 융합 데이터에 따른 학습용 의도를 출력하도록 학습된 인공 신경망의 일종일 수 있다.
이에 따라, 프로세서(120)는 입출력 모듈(110)을 통해, 추론된 의도를 출력할 수 있다.
이와 같이, 의도 추론 장치(100)는 적의 의도를 예측하여 적에 대한 효과적인 작전수행이 가능하도록 하고, 이를 통해, 아측의 피해를 최소화하기 위한 적절한 대응 방안의 선택이 가능할 수 있다.
더욱이, 의도 추론 장치(100)는 비행체 및 탄두를 빠르게 식별하여 이에 따른 위협 정도를 보다 정확하게 계산할 수 있다. 예를 들어, 핵, 생화학 등 위협치가 높은 탄두에 대비하여 예상 피해 지역에 대한 대피령을 발령하거나 피해를 최소화할 수 있는 요격 지점을 산출하여 요격하는 등의 대응이 가능할 수 있다.
한편, 메모리(130)에는 의도 추론 프로그램(200) 및 의도 추론 프로그램(200)의 실행에 필요한 정보가 저장될 수 있다.
본 명세서에서 의도 추론 프로그램(200)은 관측 데이터를 수집하여 융합 데이터를 생성하고, 융합 데이터 간의 비교를 수행하여 의도를 추론하도록 프로그램된 명령어들을 포함하는 소프트웨어를 의미할 수 있다.
따라서, 프로세서(120)는 의도 추론 프로그램(200)을 실행하기 위하여 메모리(130)에서 의도 추론 프로그램(200) 및 의도 추론 프로그램(200)의 실행에 필요한 정보를 로드할 수 있다.
한편, 의도 추론 프로그램(200)의 기능 및/또는 동작에 대하여는 도 2를 통해 상세하게 살펴보기로 한다.
도 2는 도 1의 의도 추론 프로그램의 일 실시예를 개념적으로 나타낸 블록도이다.
도 2를 참조하면, 의도 추론 프로그램(200)은 수집부(210), 융합부(220), 비교부(230), 추론부(240), 추천부(250) 및 피드백부(260)를 포함할 수 있다.
한편, 도 2에 도시된 수집부(210), 융합부(220), 비교부(230), 추론부(240), 추천부(250) 및 피드백부(260)는 의도 추론 프로그램(200)의 기능을 쉽게 설명하기 위하여 의도 추론 프로그램(200)의 기능을 개념적으로 나눈 것으로서, 이에 한정되지 않는다. 실시예들에 따라, 수집부(210), 융합부(220), 비교부(230), 추론부(240), 추천부(250) 및 피드백부(260)의 기능은 병합/분리 가능하며, 하나의 프로그램에 포함된 일련의 명령어들로 구현될 수도 있다.
수집부(210)는 다수의 관측 데이터를 수집할 수 있다. 이때, 수집부(210)는 수집된 관측 데이터의 유형을 변환할 수 있다. 예를 들어, 수집부(210)는 수집된 관측 데이터의 유형이 텍스트 및 이미지 중 적어도 하나가 되도록 관측 데이터를 변환할 수 있다.
일 실시예에서, 수집부(210)는 수집된 관측 데이터의 유형이 한글 파일(hwp), 워드 파일(doc), 프레젠테이션 파일(ppt) 및 pdf 파일 중 어느 하나인 경우에 텍스트(txt) 유형이 되도록 관측 데이터를 변환할 수 있다.
다른 일 실시예에서, 수집부(210)는 수집된 관측 데이터의 유형이 영상 파일(avi, mkv, mp4 등)인 경우에 이미지(img) 유형이 되도록 관측 데이터를 변환할 수 있다.
이에 따라, 융합부(220)는 다수의 관측 데이터를 가공하여 융합 데이터를 생성할 수 있다. 이를 위해, 융합부(220)는 다수의 관측 데이터 각각마다 적어도 하나의 키워드를 추출할 수 있다. 이때, 융합부(220)는 텍스트 또는 이미지 유형으로 변환된 관측 데이터에서 적어도 하나의 키워드를 추출할 수 있다.
일 실시예에서, 융합부(220)는 관측 데이터가 텍스트 유형인 경우에, 불용어(Stopwords) 제거, 형태소 분석, 구문 분석 등의 기법을 통해 관측 데이터에 대한 키워드를 추출할 수 있다.
다른 일 실시예에서, 융합부(220)는 관측 데이터가 이미지 유형인 경우에, 미리 학습된 키워드 추출 모델에 관측 데이터를 입력하여 관측 데이터에 대한 키워드를 출력할 수 있다.
또 다른 일 실시예에서, 융합부(220)는 다수의 관측 데이터 중 이미지 또는 영상인 적어도 하나의 관측 데이터 각각에 대해, 미리 학습된 키워드 추출 모델에 적어도 하나의 관측 데이터 각각을 입력하여 비행체, 탄두, 시설 및 병력 중 적어도 하나에 대한 키워드를 각각 출력할 수 있다.
한편, 미리 학습된 키워드 추출 모델은 학습용 관측 데이터와, 학습용 관측 데이터의 레이블 데이터인 정답 키워드가 입력되어, 학습용 관측 데이터와 정답 키워드를 이용하여 학습용 관측 데이터가 입력되면 학습용 키워드를 출력하도록 학습된 것일 수 있다.
이때, 학습용 관측 데이터는 비행체, 탄두, 시설 및 병력 중 적어도 하나가 다양한 각도에서 관측된 이미지, 비행체, 탄두, 시설 및 병력 중 적어도 하나의 일부 형상이 가려진 이미지, 서로 다른 환경에서 비행체, 탄두, 시설 및 병력 중 적어도 하나가 관측된 이미지, 서로 다른 노이즈와 함께 비행체, 탄두, 시설 및 병력 중 적어도 하나가 관측된 이미지 중 적어도 하나를 포함할 수 있다.
이와 관련하여, 일 실시예에서, 학습용 관측 데이터는 다양한 웹 사이트를 통해 수집될 수 있다.
또한, 정답 키워드는 비행체의 제원, 비행체가 관측된 위치, 비행체가 향하는 방향, 탄두가 향하는 방향, 탄두의 제원, 시설의 종류, 시설의 가동 여부, 병력이 관측된 위치, 병력이 진행하는 방향 등의 정보를 포함하고, 비행체에 장착된 구성품의 제원, 병력이 소지한 장비의 제원 등의 정보를 더 포함할 수 있다.
이에 따라, 융합부(220)는 다수의 관측 데이터 중 적어도 둘 이상에서 각각 추출된 적어도 하나의 키워드를 비교할 수 있다.
일 실시예에서, 융합부(220)는 미리 마련된 유의어 사전(예를 들면, 시소러스(Thesaurus))을 이용하여 키워드들을 비교할 수 있다.
한편, 다른 일 실시예에서, 융합부(220)는 미리 설정된 경로의 웹 사이트 또는 서버에서 키워드를 이용하여 이미지를 검색하고, 검색된 이미지들을 서로 비교할 수도 있다. 이때, 이미지들 간의 유사 정도에 따라 각 이미지에 점수를 매길 수 있다.
융합부(220)는 적어도 하나의 키워드 각각에 대한 비교 결과에 따라 융합 데이터를 생성할 수 있다.
이때, 융합부(220)는 비교 결과에 따라 유사한 것으로 판단된 키워드들을 통합하고, 유사하지 않은 것으로 판단된 키워드들을 나열하여 융합 데이터를 생성할 수 있다.
이와 같이, 융합부(220)는 다양한 출처 및 경로를 통해 제공되는 적 부대 및 시설에 대한 정보(예를 들면, 위치, 배치된 비행체 종류, 발사대 수 등), 비행체 발사가 가능한 함정이나 잠수함 정보, 각 정보 분석 부서가 분석한 다양한 정보 등을 융합하여, 지역 별 또는 부대 별로 보유한 비행체와 탄두 정보를 지속적으로 갱신할 수 있다.
비교부(230)는 과거에 생성된 융합 데이터와 현재 생성된 융합 데이터를 비교할 수 있다. 이때, 비교부(230)는 미리 설정된 시간 주기마다 융합 데이터들 간의 비교를 수행할 수 있다.
이와 관련하여, 비교부(230)는 동일한 지역 범위 내에서 수집된 관측 데이터로부터 생성된 융합 데이터들을 비교할 수 있다.
이에 따라, 비교부(230)는 비교 결과로서, 과거의 키워드들 중 현재 변화된 키워드를 추출하고, 현재 새로 추가된 키워드를 추출할 수 있다. 이때, 비교부(230)는 비교 결과에 대한 주체를 나타내는 키워드를 더 추출할 수 있다.
예를 들어, 변화되거나 추가된 키워드는 '추가 배치', '방향', '전방', '추가 이동', '건설' 및 '가동' 등을 포함하고, 주체를 나타내는 키워드는 '고속 비행체', '병력' 및 '핵 실험 시설' 등을 포함할 수 있다.
이에 따라, 추론부(240)는 비교 결과에 따른 의도를 추론할 수 있다. 이와 관련하여, 추론부(240)는 추론된 의도의 결과로서, 서로 다른 다수의 의도 각각의 확률을 출력할 수 있다. 예를 들어, 추론부(240)는 비교 결과에 따라 파괴, 피해, 위협, 정찰, 지원, 기만 및 협상 유도 중 적어도 하나에 대한 확률이 나타나도록 의도를 추론할 수 있다.
이와 관련하여, 일 실시예에서, 추론부(240)는 비교 결과가 '고속 비행체, 추가 배치' 또는 '고속 비행체, 방향'인 경우에 의도로서, 위협, 국지도발 및 시험발사를 추론할 수 있다. 이때, 추론부(240)는 위협을 67 퍼센트로 추론하고, 국지도발을 21 퍼센트로 추론하며, 시험발사를 11 퍼센트로 추론할 수 있다.
다른 일 실시예에서, 추론부(240)는 비교 결과가 '병력, 전방, 추가 이동'인 경우에 의도로서, 위협 및 국지도발을 추론할 수 있다. 이때, 추론부(240)는 위협을 67 퍼센트로 추론하고, 국지도발을 21 퍼센트로 추론할 수 있다.
또 다른 일 실시예에서, 추론부(240)는 비교 결과가 '핵 실험 시설, 건설' 또는 '핵 실험 시설, 가동'인 경우에 의도로서, 플루토늄 추출 및 핵 무기 생산, 위협 및 전력 생산을 추론할 수 있다. 이때, 추론부(240)는 플루토늄 추출 및 핵 무기 생산을 66 퍼센트로 추론하고, 위협을 30 퍼센트로 추론하며, 전력 생산을 4 퍼센트로 추론할 수 있다.
다른 일 실시예에서, 추론부(240)는 비교 결과가 '고속 비행체, 추가 배치'와 '핵 실험 시설, 건설'인 경우에, 의도로서, 위협을 추론할 수 있다. 이때, 추론부(240)는 위협을 97 퍼센트로 추론할 수 있다.
한편, 추론부(240)는 다수의 관측 데이터 중 미리 설정된 지역 범위 내에서 수집된 적어도 하나의 관측 데이터에 대한 비교 결과에 기초하여 지역 의도를 추론할 수 있다.
이에 따라, 추론부(240)는 서로 다른 다수의 지역 범위를 포함하는 광역 범위에 대해 추론된 다수의 지역 의도를 이용하여 광역 의도를 추론할 수 있다.
추천부(250)는 미리 정의된 다수의 대응 방안 중, 추론된 의도에 대응되는 적어도 하나의 대응 방안을 출력할 수 있다. 이를 위해, 추천부(250)에는 사전에 서로 다른 다수의 의도 각각에 대한 대응 방안이 정의될 수 있다.
이때, 대응 방안은 추론된 의도가 다수인 경우에, 서로 다른 다수의 의도의 조합에 따라 다르게 정의될 수 있다.
또한, 추천부(250)에는 서로 다른 환경에 대해 다른 대응 방안이 정의될 수 있다. 즉, 대응 방안은 관측 데이터에서 나타나는 지역의 환경에 따라 다르게 정의될 수 있다. 예를 들어, 환경은 온도, 날씨, 습도, 지형, 위도, 경도 및 고도 등을 포함할 수 있다.
이를 위해, 추천부(250)는 관측 데이터에 포함된 관측 시점 및 지역 좌표에 따라 해당 관측 데이터에 대한 환경을 결정할 수 있다. 또는, 추천부(250)는 융합 데이터에 관측 데이터에 대한 환경을 나타내는 키워드가 포함된 경우에는, 해당 키워드를 이용하여 관측 데이터에 대한 환경을 결정할 수 있다.
한편, 피드백부(260)는 추천부(250)에서 출력된 적어도 하나의 대응 방안에 대한 사용자 입력이 입력될 수 있다. 이때, 사용자 입력은 출력된 적어도 하나의 대응 방안 각각에 대한 만족도 및 대응 명령 중 적어도 하나를 포함할 수 있다. 여기에서, 만족도는 출력된 적어도 하나의 대응 방안 각각에 대한 점수이고, 대응 명령은 미리 정의된 다수의 대응 방안 중 어느 하나일 수 있다.
이에 따라, 피드백부(260)는 사용자 입력을 이용하여 의도에 대해 미리 정의된 다수의 대응 방안 각각을 보정할 수 있다. 이를 통해, 피드백부(260)는 사용자에게 적합한 대응 방안이 출력되도록 추천부(250)를 적응시키는 효과를 발생시킬 수 있다.
구체적으로, 피드백부(260)는 사용자 입력에 기초하여 추천부(250)에서 출력된 적어도 하나의 대응 방안 각각에 대한 점수를 결정할 수 있다.
예를 들어, 피드백부(260)는 사용자 입력으로서 만족도가 입력되면, 만족도의 값에 따라 대응 방안에 대한 점수를 가감할 수 있다. 이러한 경우에, 다수의 대응 방안 각각은 별도의 점수가 매겨질 수 있다. 이에 따라, 피드백부(260)는 만족도에 기초하여 다수의 대응 방안 각각에 매겨진 점수를 조절할 수 있다.
한편, 피드백부(260)는 사용자 입력으로서 대응 명령이 입력되면, 입력된 대응 명령과, 출력된 적어도 하나의 대응 방안 각각을 비교하여 점수를 결정할 수 있다.
예를 들어, 피드백부(260)는 입력된 대응 명령과, 출력된 적어도 하나의 대응 방안 각각이 동일하면, 동일한 대응 방안에 대한 점수를 높일 수 있다. 또한, 피드백부(260)는 입력된 대응 명령과, 출력된 적어도 하나의 대응 방안 각각이 다르면, 입력된 대응 명령에 대응하는 대응 방안에 대한 점수를 높이고, 출력된 적어도 하나의 대응 방안 각각에 대한 점수를 낮출 수 있다.
이에 따라, 피드백부(260)는 출력된 적어도 하나의 대응 방안 각각에 대해 결정된 점수와, 출력된 적어도 하나의 대응 방안과는 다른 대응 방안의 점수를 비교하고, 비교 결과에 따라 의도에 대한 다수의 대응 방안 각각을 보정할 수 있다.
예를 들어, 피드백부(260)는 출력된 대응 방안의 점수가 다른 대응 방안의 점수보다 높으면, 해당 의도에 대해 미리 결정된 대응 방안을 유지하고, 낮으면, 출력된 대응 방안의 점수보다 높은 점수가 결정된 다른 대응 방안으로 해당 의도에 대한 대응 방안을 변경할 수 있다.
도 3은 도 2의 추론부에서 의도를 추론하는 과정의 일 실시예를 나타낸 도면이다.
도 3을 참조하면, 융합 데이터(10a, 10b)로서 '병력 이동'과 '고속 비행체 추가 배치' 등이 생성되고, 지역 의도(30a, 30b)로서 '위협'과 '도발'이 추론되며, 광역 의도(50a)로서 '협상 유도'가 추론된 것을 확인할 수 있다.
이와 관련하여, 광역 의도는 지역 의도의 조합 및 각 지역 의도의 확률에 기초하여 결정될 수 있다. 예를 들어, 추론부(240)는 서로 다른 지역 범위에 대한 지역 의도로서 '위협'과 '도발'이 추론된 경우에, 광역 의도로서 '협상 유도'를 추론할 수 있다.
이와 관련하여, 일 실시예에서, 추론부(240)는 하나의 국가에 속한 다수의 마을 각각마다 수집된 적어도 하나의 관측 데이터를 이용하여 각 마을에 대한 지역 의도를 각각 추론하고, 하나의 국가에 속한 다수의 마을 각각마다 추론된 지역 의도에 기초하여 해당 국가의 광역 의도를 추론할 수 있다.
도 4는 본 발명의 일 실시예에 따른 의도 추론 방법의 순서도이다.
도 4를 참조하면, 프로세서(120)는 다수의 관측 데이터를 수집할 수 있다(S100).
이때, 프로세서(120)는 수집된 다수의 관측 데이터를 가공하여 융합 데이터를 생성하고(S200), 과거에 생성된 융합 데이터와 현재 생성된 융합 데이터를 비교할 수 있다(S300).
이에 따라, 프로세서(120)는 미리 설정된 규칙 모델을 이용하여, 비교 결과에 따라 다수의 관측 데이터에 대한 의도를 추론할 수 있다(S400).
또한, 프로세서(120)는 미리 정의된 다수의 대응 방안 중, 상기에서 추론된 의도에 대응되는 적어도 하나의 대응 방안을 출력할 수 있다(S500).
도 5는 도 4의 융합 데이터를 생성하는 단계의 세부 순서도이다.
도 5를 참조하면, 프로세서(120)는 다수의 관측 데이터 각각마다 적어도 하나의 키워드를 추출하고(S210), 다수의 관측 데이터 중 적어도 둘 이상에서 각각 추출된 적어도 하나의 키워드를 비교할 수 있다(S220).
이에 따라, 프로세서(120)는 적어도 하나의 키워드 각각에 대한 비교 결과에 따라 융합 데이터를 생성할 수 있다(S230).
도 6은 도 4의 의도를 추론하는 단계의 세부 순서도이다.
도 6을 참조하면, 프로세서(120)는 다수의 관측 데이터 중 미리 설정된 지역 범위 내에서 수집된 적어도 하나의 관측 데이터에 대한 비교 결과에 기초하여 지역 의도를 추론할 수 있다(S410).
이에 따라, 프로세서(120)는 서로 다른 다수의 지역 범위를 포함하는 광역 범위에 대해 추론된 다수의 지역 의도를 이용하여 광역 의도를 추론할 수 있다(S420).
본 문서의 다양한 실시예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media)(예: 메모리(내장 메모리 또는 외장 메모리))에 저장된 명령어를 포함하는 소프트웨어(예: 프로그램)로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시예들에 따른 전자 장치(예: 장치)를 포함할 수 있다. 상기 명령이 프로세서(예: 프로세서)에 의해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어 하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 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 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 의도 추론 장치
10a, 10b: 융합 데이터
30a, 30b: 지역 의도
50b: 광역 의도

Claims (11)

  1. 의도 추론 장치가 수행하는 의도 추론 방법으로서,
    다수의 관측 데이터를 수집하는 단계;
    상기 수집된 다수의 관측 데이터를 가공하여 융합 데이터를 생성하는 단계;
    과거에 생성된 융합 데이터와 현재 생성된 융합 데이터를 비교하는 단계; 및
    미리 설정된 규칙 모델을 이용하여, 상기 비교 결과에 따라 상기 다수의 관측 데이터에 대한 의도를 추론하는 단계;를 포함하고,
    상기 의도를 추론하는 단계는,
    상기 다수의 관측 데이터 중 미리 설정된 지역 범위 내에서 수집된 적어도 하나의 관측 데이터에 대한 비교 결과에 기초하여 지역 의도를 추론하는 단계; 및
    서로 다른 다수의 지역 범위를 포함하는 광역 범위에 대해 추론된 다수의 지역 의도를 이용하여 광역 의도를 추론하는 단계;를 포함하며,
    상기 광역 의도는 상기 추론된 지역 의도의 조합 및 각 지역 의도의 확률에 기초하여 결정되는
    의도 추론 방법.
  2. 삭제
  3. 제 1 항에 있어서, 상기 관측 데이터를 수집하는 단계는,
    미리 설정된 다수의 경로를 이용하여 서로 다른 유형으로 생성된 다수의 관측 데이터를 수집하는, 의도 추론 방법.
  4. 제 1 항에 있어서, 상기 다수의 관측 데이터 각각은,
    상기 다수의 관측 데이터 각각이 생성되는 관측 시점 및 상기 다수의 관측 데이터 각각에서 나타나는 지역 좌표를 포함하는, 의도 추론 방법.
  5. 제 1 항에 있어서, 상기 융합 데이터를 생성하는 단계는,
    상기 다수의 관측 데이터 각각마다 적어도 하나의 키워드를 추출하는 단계;
    상기 다수의 관측 데이터 중 적어도 둘 이상에서 각각 추출된 상기 적어도 하나의 키워드를 비교하는 단계; 및
    상기 적어도 하나의 키워드 각각에 대한 비교 결과에 따라 융합 데이터를 생성하는 단계;를 포함하는, 의도 추론 방법.
  6. 제 5 항에 있어서, 상기 다수의 키워드를 추출하는 단계는,
    상기 다수의 관측 데이터 중 이미지 또는 영상인 적어도 하나의 관측 데이터 각각에 대해, 미리 학습된 키워드 추출 모델에 상기 적어도 하나의 관측 데이터 각각을 입력하여 비행체, 탄두, 시설 및 병력 중 적어도 하나에 대한 키워드를 각각 출력하는 단계;를 포함하는, 의도 추론 방법.
  7. 제 6 항에 있어서, 상기 미리 학습된 키워드 추출 모델은,
    키워드 추출 모델 학습 방법에 따라 학습된 것이고,
    상기 키워드 추출 모델 학습 방법은,
    학습용 관측 데이터와, 상기 학습용 관측 데이터의 레이블 데이터인 정답 키워드를 입력받는 단계; 및
    상기 학습용 관측 데이터와 상기 정답 키워드를 이용하여 상기 학습용 관측 데이터가 입력되면 학습용 키워드를 출력하도록 상기 키워드 추출 모델을 학습시키는 단계;를 포함하는, 의도 추론 방법.
  8. 제 1 항에 있어서, 상기 의도를 추론하는 단계는,
    상기 비교 결과에 따라 파괴, 피해, 위협, 정찰, 지원, 기만 및 협상 유도 중 적어도 하나에 대한 확률이 나타나도록 상기 의도를 추론하는, 의도 추론 방법.
  9. 미리 설정된 규칙 모델이 저장되는 메모리; 및
    다수의 관측 데이터를 수집하고, 상기 수집된 다수의 관측 데이터를 가공하여 융합 데이터를 생성하며, 과거에 생성된 융합 데이터와 현재 생성된 융합 데이터를 비교하고, 상기 미리 설정된 규칙 모델을 이용하여, 상기 비교 결과에 따라 상기 다수의 관측 데이터에 대한 의도를 추론하는 프로세서;를 포함하되,
    상기 프로세서는,
    상기 다수의 관측 데이터 중 미리 설정된 지역 범위 내에서 수집된 적어도 하나의 관측 데이터에 대한 비교 결과에 기초하여 지역 의도를 추론하고, 서로 다른 다수의 지역 범위를 포함하는 광역 범위에 대해 추론된 다수의 지역 의도를 이용하여 광역 의도를 추론하며,
    상기 광역 의도는 상기 추론된 지역 의도의 조합 및 각 지역 의도의 확률에 기초하여 결정되는
    의도 추론 장치.
  10. 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,
    상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
    다수의 관측 데이터를 수집하는 단계;
    상기 수집된 다수의 관측 데이터를 가공하여 융합 데이터를 생성하는 단계;
    과거에 생성된 융합 데이터와 현재 생성된 융합 데이터를 비교하는 단계; 및
    미리 설정된 규칙 모델을 이용하여, 상기 비교 결과에 따라 상기 다수의 관측 데이터에 대한 의도를 추론하는 단계;를 포함하고,
    상기 의도를 추론하는 단계는,
    상기 다수의 관측 데이터 중 미리 설정된 지역 범위 내에서 수집된 적어도 하나의 관측 데이터에 대한 비교 결과에 기초하여 지역 의도를 추론하는 단계; 및
    서로 다른 다수의 지역 범위를 포함하는 광역 범위에 대해 추론된 다수의 지역 의도를 이용하여 광역 의도를 추론하는 단계;를 포함하며,
    상기 광역 의도는 상기 추론된 지역 의도의 조합 및 각 지역 의도의 확률에 기초하여 결정되는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는, 컴퓨터 판독 가능한 기록매체.
  11. 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
    다수의 관측 데이터를 수집하는 단계;
    상기 수집된 다수의 관측 데이터를 가공하여 융합 데이터를 생성하는 단계;
    과거에 생성된 융합 데이터와 현재 생성된 융합 데이터를 비교하는 단계; 및
    미리 설정된 규칙 모델을 이용하여, 상기 비교 결과에 따라 상기 다수의 관측 데이터에 대한 의도를 추론하는 단계;를 포함하고,
    상기 의도를 추론하는 단계는,
    상기 다수의 관측 데이터 중 미리 설정된 지역 범위 내에서 수집된 적어도 하나의 관측 데이터에 대한 비교 결과에 기초하여 지역 의도를 추론하는 단계; 및
    서로 다른 다수의 지역 범위를 포함하는 광역 범위에 대해 추론된 다수의 지역 의도를 이용하여 광역 의도를 추론하는 단계;를 포함하며,
    상기 광역 의도는 상기 추론된 지역 의도의 조합 및 각 지역 의도의 확률에 기초하여 결정되는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는, 컴퓨터 프로그램.

KR1020220043856A 2022-04-08 2022-04-08 정보 융합 기반 의도 추론 방법 및 장치 KR102438688B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220043856A KR102438688B1 (ko) 2022-04-08 2022-04-08 정보 융합 기반 의도 추론 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220043856A KR102438688B1 (ko) 2022-04-08 2022-04-08 정보 융합 기반 의도 추론 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102438688B1 true KR102438688B1 (ko) 2022-08-31

Family

ID=83061488

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220043856A KR102438688B1 (ko) 2022-04-08 2022-04-08 정보 융합 기반 의도 추론 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102438688B1 (ko)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080021017A (ko) 2005-05-13 2008-03-06 커틴 유니버시티 오브 테크놀로지 텍스트 기반의 문서 비교
KR20140044957A (ko) * 2012-09-04 2014-04-16 포항공과대학교 산학협력단 사용자 중심의 상황정보 관리 장치 및 그 방법
US20160098021A1 (en) * 2014-10-06 2016-04-07 Fisher-Rosemount Systems, Inc. Regional big data in process control systems
US20200264300A1 (en) * 2019-02-19 2020-08-20 Hrl Laboratories, Llc System and method for transferring electro-optical (eo) knowledge for synthetic-aperture-radar (sar)-based object detection
KR20210073368A (ko) * 2019-12-10 2021-06-18 국방과학연구소 온톨로지 및 딥 러닝을 이용한 무인기의 위협 상황 인지 방법
KR20210099450A (ko) 2020-02-04 2021-08-12 한국해양대학교 산학협력단 딥러닝을 이용한 원거리 소형 드론 탐지 방법
KR20210117038A (ko) * 2020-03-18 2021-09-28 충북대학교 산학협력단 소셜 네트워크에서 연관 문서 분석을 통한 지역 이벤트 검출 시스템 및 방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080021017A (ko) 2005-05-13 2008-03-06 커틴 유니버시티 오브 테크놀로지 텍스트 기반의 문서 비교
KR20140044957A (ko) * 2012-09-04 2014-04-16 포항공과대학교 산학협력단 사용자 중심의 상황정보 관리 장치 및 그 방법
US20160098021A1 (en) * 2014-10-06 2016-04-07 Fisher-Rosemount Systems, Inc. Regional big data in process control systems
US20200264300A1 (en) * 2019-02-19 2020-08-20 Hrl Laboratories, Llc System and method for transferring electro-optical (eo) knowledge for synthetic-aperture-radar (sar)-based object detection
KR20210073368A (ko) * 2019-12-10 2021-06-18 국방과학연구소 온톨로지 및 딥 러닝을 이용한 무인기의 위협 상황 인지 방법
KR20210099450A (ko) 2020-02-04 2021-08-12 한국해양대학교 산학협력단 딥러닝을 이용한 원거리 소형 드론 탐지 방법
KR20210117038A (ko) * 2020-03-18 2021-09-28 충북대학교 산학협력단 소셜 네트워크에서 연관 문서 분석을 통한 지역 이벤트 검출 시스템 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
조동래 외. 정보 융합체계 현황 분석 (2). 국방과 기술. 2002.1.* *

Similar Documents

Publication Publication Date Title
Ratches Review of current aided/automatic target acquisition technology for military target acquisition tasks
KR102055899B1 (ko) 맥락을 이용하여 문서를 검색하는 시스템 및 방법
Xu et al. Multi-attribute decision making method for air target threat evaluation based on intuitionistic fuzzy sets
Zhilenkov et al. Intelligent autonomous navigation system for UAV in randomly changing environmental conditions
EP3765995B1 (en) Systems and methods for inter-camera recognition of individuals and their properties
KR102349854B1 (ko) 표적 추적 시스템 및 방법
Zhang et al. Perceiving temporal environment for correlation filters in real-time uav tracking
CN114462603A (zh) 数据湖的知识图谱生成方法及装置
KR20170126300A (ko) 이미지 상호간의 매칭을 판단하는 방법, 장치 및 컴퓨터 프로그램
Liu et al. Auto-sharing parameters for transfer learning based on multi-objective optimization
Li et al. Anti-interference recognition method of aerial infrared targets based on the Bayesian network
KR102438688B1 (ko) 정보 융합 기반 의도 추론 방법 및 장치
KR102486491B1 (ko) 정보 융합 기반 대응 방안 추천 방법 및 장치
Hall Utilizing a model-based systems engineering approach to develop a combat system product line
Sun et al. Cross-view object geo-localization in a local region with satellite imagery
Pietkiewicz et al. Fusion of identification information from ELINT-ESM sensors
Gilmore Knowledge-based target recognition system evolution
Chen et al. Balanced adversarial training: Balancing tradeoffs between fickleness and obstinacy in NLP models
Kim et al. Study on Performance Evaluation of Automatic license plate recognition program using Emgu CV
Hogan et al. Explainable object detection for uncrewed aerial vehicles using KernelSHAP
Osmankovic et al. Towards Safe and Explainable Humanitarian Demining with Deep Learning
Mbarek et al. A new relevance feedback algorithm based on vector space basis change
US20200334573A1 (en) Method and apparatus for improving the robustness of a machine learning system
Yang et al. Modeling of situation assessment in regional air defense combat
Fan et al. The challenges and some thinking for the intelligentization of precision guidance ATR

Legal Events

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