KR102663016B1 - 비행체의 플렉셔 데이터 학습 방법, 컴퓨터 판독 가능한 기록 매체, 컴퓨터 프로그램 및 장치, 이를 이용한 플렉셔 데이터 생성 방법, 컴퓨터 판독 가능한 기록 매체, 컴퓨터 프로그램 및 장치 - Google Patents

비행체의 플렉셔 데이터 학습 방법, 컴퓨터 판독 가능한 기록 매체, 컴퓨터 프로그램 및 장치, 이를 이용한 플렉셔 데이터 생성 방법, 컴퓨터 판독 가능한 기록 매체, 컴퓨터 프로그램 및 장치 Download PDF

Info

Publication number
KR102663016B1
KR102663016B1 KR1020220000416A KR20220000416A KR102663016B1 KR 102663016 B1 KR102663016 B1 KR 102663016B1 KR 1020220000416 A KR1020220000416 A KR 1020220000416A KR 20220000416 A KR20220000416 A KR 20220000416A KR 102663016 B1 KR102663016 B1 KR 102663016B1
Authority
KR
South Korea
Prior art keywords
data
flexure
aircraft
actual
learning
Prior art date
Application number
KR1020220000416A
Other languages
English (en)
Other versions
KR20230105181A (ko
Inventor
류경돈
이형섭
한경준
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 KR1020220000416A priority Critical patent/KR102663016B1/ko
Publication of KR20230105181A publication Critical patent/KR20230105181A/ko
Application granted granted Critical
Publication of KR102663016B1 publication Critical patent/KR102663016B1/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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D45/00—Aircraft indicators or protectors not otherwise provided for
    • B64D2045/0085—Devices for aircraft health monitoring, e.g. monitoring flutter or vibration

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Stored Programmes (AREA)
  • Feedback Control In General (AREA)

Abstract

본 발명은 플렉셔 데이터를 생성하는 인공 신경망을 학습시키는 방법에 있어서, 임의의 노이즈를 이용하여 비행체의 플렉셔 거동에 대한 가짜 데이터를 생성하도록 생성기를 학습시키고, 비행체의 실제 플렉셔 거동에 기초하여 생성된 실제 데이터를 입력 받으면, 가짜 데이터의 진위 여부를 판별하도록 판별기를 학습시키는, 플렉셔 데이터 학습 방법을 제공한다.

Description

비행체의 플렉셔 데이터 학습 방법, 컴퓨터 판독 가능한 기록 매체, 컴퓨터 프로그램 및 장치, 이를 이용한 플렉셔 데이터 생성 방법, 컴퓨터 판독 가능한 기록 매체, 컴퓨터 프로그램 및 장치{FLEXURE DATA LEARNING METHOD OF AIRCRAFT, COMPUTER-READABLE STORAGE MEDIUM, COMPUTER PROGRAM AND APPARATUS, FLEXURE DATA GENERATION METHOD USING THE SAME, COMPUTER-READABLE STORAGE MEDIUM, COMPUTER PROGRAM AND APPARATUS}
본 발명은 비행체의 플렉셔 거동에 대한 플렉셔 데이터를 학습하는 방법, 장치 및 이를 이용하여 플렉셔 데이터를 생성하는 방법, 장치에 관한 것이다.
전투기에 탑재되는 유도탄은 발사 전 빠른 자세 정렬을 위해 전투기 중심부에 장착된 정밀 항법 장치(Master INS)로부터 정밀한 항법 정보를 전달받아 빠르게 정렬을 수행하는데, 이를 '전달 정렬'이라 한다.
전달 정렬은 상대적으로 정확한 정밀 항법 장치로부터 계산된 위치, 속도, 가속도, 각속도와 같은 항법 정보를 유도탄의 항법 오차 보정에 이용함으로써 장착 비정렬각을 추정한다. 일반적으로, 이 과정에서 전투기의 몸체와 날개를 하나의 강체로 가정하여 모델링한다.
하지만, 전투기 날개는 비행 효율성과 안정성을 위해 비행 시 높은 압력을 받으면 날개 전체가 휘어지면서 진동하는 플렉셔(Flexure) 거동을 한다. 플렉셔는 장착 유도탄의 하중, 전투기 연료 소모에 따른 질량 변화, 전투기의 속력 및 고도에 따라 거동이 매우 불규칙하며, 이는, 유도탄의 전달 정렬 시 정확한 비정렬각 추정을 방해한다.
또한, 관성 항법 오차는 유도탄의 사거리가 길어질수록 증가하는 특성이 있어 전달 정렬에서 최대한 정확한 비정렬각을 추정해야하며, 비정렬각 추정 오차를 줄이기 위해서는 정확한 플렉셔 모델링이 필요하다.
현재, 플렉셔를 모델링하는 방법에는 확률적인 모델링 방법과 동역학적 모델링 방법들이 있지만, 기존의 이러한 방법으로 다양한 변수에 따라 불규칙하게 변하는 날개의 플렉셔를 모델링 하는 것에는 한계가 있다.
이에 따라, 딥러닝 알고리즘은 역학적으로 정확하게 모델링하는데 한계가 있는 이러한 비선형 시스템들을 모델링하기에 적합하다. 딥러닝 알고리즘을 이용하여 모델링하기 위해 필요한 첫 번째 단계는 빅 데이터의 수집이다. 즉, 플렉셔를 모델링하기 위해서는 충분한 양의 플렉셔 데이터가 요구된다. 만약, 전투기를 다회 운용하여 충분한 양의 시험 데이터를 얻을 수 있다면 문제를 해결할 수 있겠지만, 비용과 시간을 고려했을 때 이는 현실적으로 불가능하다.
따라서, 다양한 딥러닝 알고리즘을 활용한 플렉셔 모델링 연구의 발판을 마련하기 위한 첫 단계인 충분한 양의 플렉셔 데이터를 획득하는 방안이 요구되는 실정이다.
국내등록특허 제10-2283416호(2021.07.23.)
본 발명이 해결하고자 하는 기술적 과제는 비행체의 플렉셔 거동에 대한 플렉셔 데이터를 이용하여 인공 신경망을 학습하는 방법 및 장치를 제공하는 것이다.
또한, 본 발명이 해결하고자 하는 기술적 과제는 상기의 학습된 인공 신경망을 이용하여 플렉셔 데이터를 생성하는 방법 및 장치를 제공하는 것이다.
본 발명의 일측면은, 생성기 및 판별기를 포함하고, 플렉셔 데이터를 생성하는 인공 신경망을 학습시키는 방법에 있어서, 임의의 노이즈를 이용하여 비행체의 플렉셔 거동에 대한 가짜 데이터를 생성하도록 상기 생성기를 학습시키는 단계; 및 상기 비행체의 실제 플렉셔 거동에 기초하여 생성된 실제 데이터를 입력 받으면, 상기 가짜 데이터의 진위 여부를 판별하도록 상기 판별기를 학습시키는 단계;를 포함할 수 있다.
또한, 상기 생성기에, 상기 가짜 데이터의 진위 여부에 대한 결과로서 상기 판별기에서 판별된 판별 값에 기초하여 상기 생성기를 더 학습시키는 단계;를 더 포함할 수 있다.
또한, 상기 판별 값과, 상기 가짜 데이터의 진위 여부에 대한 정답 값을 이용하여 상기 판별기를 더 학습시키는 단계;를 더 포함할 수 있다.
또한, 상기 판별 값이 미리 설정된 기준 값에 도달하는 경우 상기 생성기와 상기 판별기의 학습을 종료하는 단계;를 더 포함할 수 있다.
또한, 상기 실제 데이터는, 상기 비행체의 실제 플렉셔 거동에 대한 실제 플렉셔 데이터를 단시간 푸리에 변환(Short-Time Fourier Transform)하여 생성되는 스펙토그램일 수 있다.
또한, 상기 실제 플렉셔 데이터는, 상기 비행체의 제 1 항법 모듈로부터 측정되는 제 1 관성 데이터와, 상기 비행체의 제 2 항법 모듈로부터 측정되는 제 2 관성 데이터에 기초하여 산출된 것일 수 있다.
또한, 상기 실제 플렉셔 데이터는, 상기 제 1 관성 데이터로부터, 상기 제 2 관성 데이터가 상기 제 1 관성 데이터에 대응되도록 회전 변환된 값, 상기 제 1 관성 데이터에 대한 레버 암 성분 값 및 오차 값이 제거된 것일 수 있다.
본 발명의 다른 일측면은, 기 학습된 인공 신경망을 이용하여 플렉셔 데이터를 생성하는 방법에 있어서, 상기 인공 신경망을 이용하여 임의의 노이즈로부터 비행체의 플렉셔 거동에 대한 가짜 데이터를 생성하는 단계; 및 상기 가짜 데이터를 이용하여 상기 플렉셔 데이터를 생성하는 단계;를 포함하고, 상기 인공 신경망은, 상기 비행체의 플렉셔 데이터 학습 방법에 따라 학습된 것이며, 상기 비행체의 플렉셔 데이터 학습 방법은, 임의의 노이즈를 이용하여 학습용 가짜 데이터를 생성하도록 생성기를 학습시키는 단계; 및 상기 비행체의 실제 플렉셔 거동에 기초하여 생성된 실제 데이터를 입력 받으면, 상기 학습용 가짜 데이터의 진위 여부를 판별하도록 판별기를 학습시키는 단계;를 포함할 수 있다.
또한, 상기 플렉셔 데이터를 생성하는 단계는, 역 단시간 푸리에 변환(Inverse Short-Time Fourier Transform)을 수행하여 상기 가짜 데이터로부터 상기 플렉셔 데이터를 생성할 수 있다.
또한, 상기 생성기는, 상기 가짜 데이터의 진위 여부에 대한 결과로서 상기 판별기에서 판별된 판별 값에 기초하여 더 학습된 것일 수 있다.
또한, 상기 판별기는, 상기 판별 값과, 상기 가짜 데이터의 진위 여부에 대한 정답 값을 이용하여 더 학습된 것일 수 있다.
또한, 상기 생성기는, 상기 판별 값이 미리 설정된 기준 값에 도달하여 학습이 종료된 것일 수 있다.
또한, 상기 실제 데이터는, 상기 비행체의 실제 플렉셔 거동에 대한 실제 플렉셔 데이터를 푸리에 변환(Fourier Transform)하여 생성되는 스펙토그램일 수 있다.
또한, 실제 플렉셔 데이터는, 상기 비행체의 제 1 항법 모듈로부터 측정되는 제 1 관성 데이터와, 상기 비행체의 제 2 항법 모듈로부터 측정되는 제 2 관성 데이터에 기초하여 산출된 것일 수 있다.
또한, 상기 실제 플렉셔 데이터는, 상기 제 1 관성 데이터로부터, 상기 제 2 관성 데이터가 상기 제 1 관성 데이터에 대응되도록 회전 변환된 값, 상기 제 1 관성 데이터에 대한 레버 암 성분 값 및 오차 값이 제거된 것일 수 있다.
본 발명의 또 다른 일측면은, 생성기 및 판별기를 포함하고, 플렉셔 데이터를 생성하는 인공 신경망을 저장하는 메모리; 임의의 노이즈를 이용하여 비행체의 플렉셔 거동에 대한 가짜 데이터를 생성하도록 상기 생성기를 학습시키고, 상기 비행체의 실제 플렉셔 거동에 기초하여 생성된 실제 데이터를 입력 받으면, 상기 가짜 데이터의 진위 여부를 판별하도록 상기 판별기를 학습시키는 프로세서;를 포함할 수 있다.
본 발명의 다른 일측면은, 플렉셔 데이터를 생성하도록 미리 학습된 인공 신경망을 저장하는 메모리; 및 상기 인공 신경망을 이용하여 임의의 노이즈로부터 비행체의 플렉셔 거동에 대한 가짜 데이터를 생성하고, 상기 가짜 데이터를 이용하여 상기 플렉셔 데이터를 생성하는 프로세서;를 포함하고, 상기 인공 신경망은, 상기 비행체의 플렉셔 데이터 학습 방법에 따라 학습된 것이며, 상기 비행체의 플렉셔 데이터 학습 방법은, 임의의 노이즈를 이용하여 학습용 가짜 데이터를 생성하도록 생성기를 학습시키는 단계; 및 상기 비행체의 실제 플렉셔 거동에 기초하여 생성된 실제 데이터를 입력 받으면, 상기 학습용 가짜 데이터의 진위 여부를 판별하도록 판별기를 학습시키는 단계;를 포함할 수 있다.
본 발명의 또 다른 일측면은, 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서, 상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면, 생성기 및 판별기를 포함하고, 플렉셔 데이터를 생성하는 인공 신경망을 학습시키는 방법에 있어서, 임의의 노이즈를 이용하여 비행체의 플렉셔 거동에 대한 가짜 데이터를 생성하도록 상기 생성기를 학습시키는 단계; 및 상기 비행체의 실제 플렉셔 거동에 기초하여 생성된 실제 데이터를 입력 받으면, 상기 가짜 데이터의 진위 여부를 판별하도록 상기 판별기를 학습시키는 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, 생성기 및 판별기를 포함하고, 플렉셔 데이터를 생성하는 인공 신경망을 학습시키는 방법에 있어서, 임의의 노이즈를 이용하여 비행체의 플렉셔 거동에 대한 가짜 데이터를 생성하도록 상기 생성기를 학습시키는 단계; 및 상기 비행체의 실제 플렉셔 거동에 기초하여 생성된 실제 데이터를 입력 받으면, 상기 가짜 데이터의 진위 여부를 판별하도록 상기 판별기를 학습시키는 단계;를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
본 발명의 또 다른 일측면은, 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서, 상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면, 기 학습된 인공 신경망을 이용하여 플렉셔 데이터를 생성하는 방법에 있어서, 상기 인공 신경망을 이용하여 임의의 노이즈로부터 비행체의 플렉셔 거동에 대한 가짜 데이터를 생성하는 단계; 및 상기 가짜 데이터를 이용하여 상기 플렉셔 데이터를 생성하는 단계;를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하고, 상기 인공 신경망은, 상기 비행체의 플렉셔 데이터 학습 방법에 따라 학습된 것이며, 상기 비행체의 플렉셔 데이터 학습 방법은, 임의의 노이즈를 이용하여 학습용 가짜 데이터를 생성하도록 생성기를 학습시키는 단계; 및 상기 비행체의 실제 플렉셔 거동에 기초하여 생성된 실제 데이터를 입력 받으면, 상기 학습용 가짜 데이터의 진위 여부를 판별하도록 판별기를 학습시키는 단계;를 포함할 수 있다.
본 발명의 다른 일측면은, 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은, 기 학습된 인공 신경망을 이용하여 플렉셔 데이터를 생성하는 방법에 있어서, 상기 인공 신경망을 이용하여 임의의 노이즈로부터 비행체의 플렉셔 거동에 대한 가짜 데이터를 생성하는 단계; 및 상기 가짜 데이터를 이용하여 상기 플렉셔 데이터를 생성하는 단계;를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하고, 상기 인공 신경망은, 상기 비행체의 플렉셔 데이터 학습 방법에 따라 학습된 것이며, 상기 비행체의 플렉셔 데이터 학습 방법은, 임의의 노이즈를 이용하여 학습용 가짜 데이터를 생성하도록 생성기를 학습시키는 단계; 및 상기 비행체의 실제 플렉셔 거동에 기초하여 생성된 실제 데이터를 입력 받으면, 상기 학습용 가짜 데이터의 진위 여부를 판별하도록 판별기를 학습시키는 단계;를 포함할 수 있다.
상술한 본 발명의 일측면에 따르면, 비행체의 플렉셔 거동에 대한 플렉셔 데이터를 이용하여 인공 신경망을 학습하고, 학습된 인공 신경망을 이용하여 플렉셔 데이터를 생성할 수 있다.
도 1은 본 발명의 일 실시예에 따른 플렉셔 데이터 학습 장치를 나타낸 블록도이다.
도 2는 본 발명의 일 실시예에 따른 플렉셔 데이터 생성 장치를 나타낸 블록도이다.
도3은 본 발명의 일 실시예에 따른 플렉셔 데이터 학습 장치가 인공 신경망을 학습하는 방법을 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 플렉셔 데이터 생성 장치가 기 학습된 인공 신경망을 통해 플렉셔 데이터를 생성하는 방법을 나타낸 도면이다.
도 5 및 도6은 본 발명의 일 실시예에 따른 플렉셔 데이터 학습 방법의 순서도이다.
도 7은 본 발명의 일 실시예에 따른 플렉셔 데이터 생성 방법의 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 플렉셔 데이터 학습 장치를 나타낸 블록도이다.
도 1을 참조하면, 플렉셔 데이터 학습 장치(100)는 입출력 모듈(110), 프로세서(120) 및 메모리(130)를 포함할 수 있다.
입출력 모듈(110)은 비행체로부터 측정되는 측정 데이터를 입력 받을 수 있다. 이때, 측정 데이터는 제 1 관성 데이터 및 제 2 관성 데이터 중 적어도 하나를 포함할 수 있다.
여기에서, 제 1 관성 데이터 및 제 2 관성 데이터 중 적어도 하나는 비행체의 가속도 및 각속도 중 적어도 하나를 포함할 수 있다. 또한, 제 1 관성 데이터 및 제 2 관성 데이터 중 적어도 하나는 비행체의 위치, 속도 및 자세 중 적어도 하나를 포함하는 항법 데이터로 변환될 수 있다.
이를 위해, 비행체는 제 1 항법 모듈 및 제 2 항법 모듈 중 적어도 하나가 장착된 것일 수 있다.
다만, 제 1 항법 모듈은 비행체의 날개 및 유도 비행체 중 어느 하나에 장착된 것일 수도 있다. 이때, 유도 비행체는 비행체에 장착되도록 마련된 것일 수 있다. 예를 들어, 유도 비행체는 유도탄일 수 있다.
또한, 제 2 항법 모듈은 비행체의 중심부에 장작된 것일 수 있다. 일 실시예에서, 제 2 항법 모듈은 제 1 항법 모듈에 비해 정밀한 관성 측정이 가능한 것일 수 있다.
일 실시예에서, 제 1 항법 모듈은 자이로 센서 및 가속도 센서 중 적어도 하나를 포함할 수 있다. 따라서, 제 1 항법 모듈은 비행체의 날개 및 유도탄 중 어느 하나에 대한 가속도 및 각속도 중 적어도 하나를 측정할 수 있다.
또한, 다른 일 실시예에서, 제 2 항법 모듈은 자이로 센서 및 가속도 센서 중 적어도 하나를 포함할 수 있다. 따라서, 제 2 항법 모듈은 비행체에 대한 가속도 및 각속도 중 적어도 하나를 측정할 수 있다.
한편, 프로세서(120)는 플렉셔 데이터 학습 장치(100)의 동작을 전반적으로 제어할 수 있다. 따라서, 프로세서(120)는 입출력 모듈(110)을 이용하여 측정 데이터를 입력 받을 수 있다.
이러한 경우에, 프로세서(120)는 측정 데이터로부터 실제 플렉셔 데이터를 산출할 수 있다. 여기에서, 실제 플렉셔 데이터는 제 1 관성 데이터와 제 2 관성 데이터에 기초하여 산출된 것일 수 있다.
일 실시예에서, 측정 데이터는 아래의 수학식 1 및 2를 이용하여 표현될 수 있다.
Figure 112022000425234-pat00001
수학식 1에서,
Figure 112022000425234-pat00002
는 제 1 항법 모듈에서 측정된 가속도이고,
Figure 112022000425234-pat00003
는 제 1 항법 모듈에서 측정된 가속도에 대한 레버 암 성분 값이며,
Figure 112022000425234-pat00004
는 제 1 항법 모듈에서 측정된 가속도에 대한 플렉셔 거동에 대한 값일 수 있다. 또한,
Figure 112022000425234-pat00005
은 제 2 항법 모듈에서 측정된 가속도이고,
Figure 112022000425234-pat00006
은 회전 변환 행렬이며,
Figure 112022000425234-pat00007
은 제 1 항법 모듈에서 측정된 가속도에 대한 오차 값일 수 있다.
Figure 112022000425234-pat00008
수학식 2에서,
Figure 112022000425234-pat00009
는 제 1 항법 모듈에서 측정된 각속도이고,
Figure 112022000425234-pat00010
는 제 1 항법 모듈에서 측정된 각속도에 대한 레버 암 성분 값이며,
Figure 112022000425234-pat00011
는 제 1 항법 모듈에서 측정된 각속도에 대한 플렉셔 거동에 대한 값일 수 있다. 또한,
Figure 112022000425234-pat00012
은 제 2 항법 모듈에서 측정된 각속도이고,
Figure 112022000425234-pat00013
은 회전 변환 행렬이며,
Figure 112022000425234-pat00014
은 제 1 항법 모듈에서 측정된 각속도에 대한 오차 값일 수 있다.
이때, 회전 변환 행렬은 제 2 항법 모듈의 좌표계에서의 위치 좌표를 제 1 항법 모듈의 좌표계에서의 위치 좌표로 변환하기 위해 이용되는 것일 수 있다. 따라서, 회전 변환 행렬은 제 2 항법 모듈에서 이용되는 좌표계와 제 1 항법 모듈에서 이용되는 좌표계에 따라 미리 설정될 수 있다.
또한, 레버 암 성분 값은 제 1 항법 모듈이 장착된 비행체 및 유도 비행체 중 어느 하나에 회전력이 가해지는 경우, 레버 암 효과(Lever arm effect)에 의해 중심점 이외의 점에서 상기의 회전력에 따라 부가되는 가속도 및 각속도 중 적어도 하나일 수 있다.
따라서, 레버 암 성분 값은 일련의 관성 측정 알고리즘에 기초하여 설정되고, 이러한 관성 측정 알고리즘은 종래에 공지된 기술을 활용하여 미리 설정될 수 있다.
또한, 제 1 항법 모듈에서 측정된 가속도 및 각속도 중 적어도 하나에 대한 오차 값은 제 1 항법 모듈에 대한 바이어스 오차 및 환산 계수 오차 중 적어도 하나를 포함할 수 있다.
따라서, 제 1 항법 모듈에서 측정된 가속도 및 각속도 중 적어도 하나에 대한 오차 값은 미리 설정된 값이거나, 일련의 오차 추정 알고리즘에 기초하여 설정될 수 있다. 이때, 오차 추정 알고리즘은 종래에 공지된 기술을 활용하여 미리 설정될 수 있다.
한편, 프로세서(120)는 아래의 수학식 3 및 4에 기초하여 실제 플렉셔 데이터를 산출할 수 있다.
Figure 112022000425234-pat00015
수학식 3에서,
Figure 112022000425234-pat00016
는 제 1 항법 모듈에서 측정된 가속도이고,
Figure 112022000425234-pat00017
는 제 1 항법 모듈에서 측정된 가속도에 대한 레버 암 성분 값이며,
Figure 112022000425234-pat00018
는 제 1 항법 모듈에서 측정된 가속도에 대한 플렉셔 거동에 대한 값일 수 있다. 또한,
Figure 112022000425234-pat00019
은 제 2 항법 모듈에서 측정된 가속도이고,
Figure 112022000425234-pat00020
은 회전 변환 행렬이며,
Figure 112022000425234-pat00021
은 제 1 항법 모듈에서 측정된 가속도에 대한 오차 값일 수 있다.
Figure 112022000425234-pat00022
수학식 4에서,
Figure 112022000425234-pat00023
는 제 1 항법 모듈에서 측정된 각속도이고,
Figure 112022000425234-pat00024
는 제 1 항법 모듈에서 측정된 각속도에 대한 레버 암 성분 값이며,
Figure 112022000425234-pat00025
는 제 1 항법 모듈에서 측정된 각속도에 대한 플렉셔 거동에 대한 값일 수 있다. 또한,
Figure 112022000425234-pat00026
은 제 2 항법 모듈에서 측정된 각속도이고,
Figure 112022000425234-pat00027
은 회전 변환 행렬이며,
Figure 112022000425234-pat00028
은 제 1 항법 모듈에서 측정된 각속도에 대한 오차 값일 수 있다.
이에 따라, 프로세서(120)는 수학식 3에 기초하여 가속도에 대한 실제 플렉셔 데이터를 산출하고, 수학식 4에 기초하여 각속도에 대한 실제 플렉셔 데이터를 산출할 수 있다.
다시 말해서, 실제 플렉셔 데이터는 제 1 관성 데이터로부터, 제 2 관성 데이터가 제 1 관성 데이터에 대응되도록 회전 변환된 값, 제 1 관성 데이터에 대한 레버 암 성분 값 및 오차 값이 제거된 것일 수 있다.
한편, 프로세서(120)는 실제 플렉셔 데이터를 푸리에 변환(Fourier Transform)하여 스펙트로그램(Spectrogram)을 생성할 수 있다. 일 실시예에서, 실제 플렉셔 데이터에 적용된 푸리에 변환은 초단시간 푸리에 변환(STFT, Short Time Fourier Transform)일 수 있다.
이를 통해, 실제 데이터는 비행체의 실제 플렉셔 거동에 대한 실제 플렉셔 데이터를 푸리에 변환(Fourier Transform)하여 생성되는 스펙토그램인 것으로 이해할 수 있다.
한편, 프로세서(120)는 입출력 모듈(110)을 이용하여, 비행체의 실제 플렉셔 거동에 기초하여 생성된 실제 데이터를 입력 받을 수도 있다. 이러한 경우에, 실제 데이터는 외부 장치 및 프로그램 중 적어도 하나가 상기의 과정을 통해 생성한 것일 수 있다.
이를 위해, 메모리(130)는 실제 데이터의 생성 및 입력 중 적어도 하나에 필요한 정보가 저장될 수 있다. 이에 따라, 프로세서(120)는 메모리(130)에 저장된 정보를 로드하여 실제 데이터를 생성하거나 입력 받을 수 있다.
프로세서(120)는 입출력 모듈(110)을 이용하여 임의의 노이즈를 입력 받거나, 생성할 수 있다. 이때, 노이즈는 가우시안 분포에 기초하여 생성된 가우시안 노이즈에 대한 이미지일 수 있다. 이를 위해, 종래에 공지된 기술을 활용하여 임의의 노이즈를 생성하거나, 미리 생성된 임의의 노이즈가 입력될 수 있다.
이를 위해, 메모리(130)는 노이즈의 생성 및 입력 중 적어도 하나에 필요한 정보가 저장될 수 있다. 이에 따라, 프로세서(120)는 메모리(130)에 저장된 정보를 로드하여 임의의 노이즈를 생성하거나 입력 받을 수 있다.
한편, 메모리(130)는 실제 데이터 및 노이즈 중 적어도 하나를 이용하여 인공 신경망을 학습하는데 필요한 정보가 저장될 수 있다. 이에 따라, 프로세서(120)는 메모리(130)에 저장된 정보를 로드하여 인공 신경망을 학습할 수 있다.
여기에서, 인공 신경망은 GAN(Generative Adversarial Network)으로서, 가짜 데이터를 생성하는 생성기 및 실제 데이터에 기초하여 가짜 데이터의 진위 여부를 판별하는 판별기를 포함할 수 있다.
한편, 플렉셔 데이터 학습 장치(100)가 인공 신경망을 학습하는 과정은 아래의 도 3에서 상세하게 설명하도록 한다.
도 2는 본 발명의 일 실시예에 따른 플렉셔 데이터 생성 장치를 나타낸 블록도이다.
도 2를 참조하면, 플렉셔 데이터 생성 장치(200)는 입출력 모듈(210), 프로세서(220) 및 메모리(230)를 포함할 수 있다.
프로세서(220)는 플렉셔 데이터 생성 장치(200)의 동작을 전반적으로 제어할 수 있다.
따라서, 프로세서(220)는 입출력 모듈(210)을 이용하여, 임의의 노이즈를 입력 받을 수 있다. 또는, 프로세서(220)는 메모리(230)에 저장된 정보를 실행하여, 임의의 노이즈를 생성할 수 있다.
이를 위해, 메모리(230)는 노이즈의 생성 및 입력 중 적어도 하나에 필요한 정보가 저장될 수 있다. 이에 따라, 프로세서(220)는 메모리(230)에 저장된 정보를 실행하여 임의의 노이즈를 생성하거나 입력 받을 수 있다.
이때, 노이즈는 가우시안 분포에 기초하여 생성된 가우시안 노이즈에 대한 이미지일 수 있다. 이를 위해, 종래에 공지된 기술을 활용하여 임의의 노이즈를 생성하거나, 미리 생성된 임의의 노이즈가 입력될 수 있다.
이를 위해, 메모리(230)는 노이즈의 생성 및 입력 중 적어도 하나에 필요한 정보가 저장될 수 있다. 이에 따라, 프로세서(220)는 메모리(230)에 저장된 정보를 실행하여 임의의 노이즈를 생성하거나 입력 받을 수 있다.
한편, 메모리(230)는 기 학습된 인공 신경망(231)을 통해 임의의 노이즈로부터 플렉셔 데이터를 생성하는데 필요한 정보가 저장될 수 있다. 이에 따라, 프로세서(220)는 메모리(230)에 저장된 정보를 실행하여 인공 신경망(231)을 통해 임의의 노이즈로부터 플렉셔 데이터를 생성할 수 있다.
플렉셔 데이터 생성 장치(200)가 인공 신경망(231)을 통해 플렉셔 데이터를 생성하는 과정은 아래의 도 4에서 상세하게 설명하도록 한다.
도 3은 본 발명의 일 실시예에 따른 플렉셔 데이터 학습 장치가 인공 신경망을 학습하는 방법을 나타낸 도면이다.
도 3을 참조하면, 플렉셔 데이터 학습 장치(100)(이하, 학습 장치)는 임의의 노이즈(30)를 이용하여 비행체의 플렉셔 거동에 대한 가짜 데이터(31)를 생성하도록 생성기(133)를 학습시킬 수 있다.
여기에서, 가짜 데이터(31)는 실제 데이터(11)에 대응되도록 생성되는 스펙토그램인 것으로 이해할 수 있다.
따라서, 생성기(133)는 노이즈(30)가 입력되면 가짜 데이터(31)를 생성할 수 있다.
또한, 학습 장치(100)는 비행체의 실제 플렉셔 거동에 기초하여 생성된 실제 데이터(11)를 입력 받으면, 가짜 데이터(31)의 진위 여부를 판별하도록 판별기(131)를 학습시킬 수 있다.
따라서, 판별기(131)는 가짜 데이터(31)가 입력되면 가짜 데이터(31)의 진위 여부에 대한 결과로서 판별 값을 출력할 수 있다.
예를 들어, 판별기(131)는 가짜 데이터(31)가 실제 플레셔 데이터로부터 생성된 것이라고 판별될수록 1에 가까운 값을 판별 값으로 출력하고, 가짜에 해당한다고 판별될수록 0에 가까운 값을 판별 값으로 출력할 수 있다.
한편, 학습 장치(100)는 생성기(133)에, 가짜 데이터(31)의 진위 여부에 대한 결과로서 판별기(131)에서 판별된 판별 값에 기초하여 생성기(133)를 더 학습시킬 수 있다. 이때, 생성기(133)는 판별 값이 1에 가까워지도록 학습될 수 있다.
이와 관련하여, 학습 장치(100)는 아래의 수학식 5에 기초하여 생성기(133) 및 판별기(131) 중 적어도 하나를 학습시킬 수 있다.
Figure 112022000425234-pat00029
수학식 5에서,
Figure 112022000425234-pat00030
는 생성기(133) 및 판별기(131) 중 적어도 하나에 대한 손실 함수를 의미할 수 있다. 또한,
Figure 112022000425234-pat00031
는 실제 데이터(11)에 대한 확률 분포이고,
Figure 112022000425234-pat00032
는 실제 데이터(11)에 대한 확률 분포에서 샘플링된 실제 데이터(11)이며,
Figure 112022000425234-pat00033
는 가짜 데이터(31)에 대한 확률 분포이고,
Figure 112022000425234-pat00034
는 가짜 데이터(31)에 대한 확률 분포에서 샘플링된 가짜 데이터(31)일 수 있다. 또한,
Figure 112022000425234-pat00035
는 판별기(131)가 실제 데이터(11)를 실제 데이터(11)로 판별할 확률을 의미하고,
Figure 112022000425234-pat00036
는 판별기(131)가 가짜 데이터(31)를 실제 데이터(11)로 판별할 확률을 의미할 수 있다.
이에 따라, 학습 장치(100)는 손실 함수의 D가 최대가 되도록 판별기(131)를 학습시킬 수 있다. 이러한 경우에, 학습 장치(100)는 가짜 데이터(31)에 대한 판별 값이 0에 가깝게 출력되도록 판별기(131)를 학습시킬 수 있다.
또한, 학습 장치(100)는 손실 함수의 G가 최소가 되도록 생성기(133)를 학습시킬 수 있다. 이러한 경우에, 학습 장치(100)는 가짜 데이터(31)에 대한 판별기(131)의 판별 값이 1에 가깝게 출력되도록 생성기(133)를 학습시킬 수 있다.
이와 같이, 학습 장치(100)는 생성기(133)와 판별기(131)를 학습시키는 동작을 반복하여 수행할 수 있다. 이때, 학습 장치(100)는 판별 값이 미리 설정된 기준 값에 도달하는 경우 생성기(133)와 판별기(131)의 학습을 종료할 수 있다.
일 실시예에서, 학습 장치(100)는 하나의 데이터 세트에 다수의 노이즈(30)를 포함시키고, 하나의 데이터 세트에 기초하여 생성기(133)와 판별기(131)를 학습시킬 수 있다. 이에 따라, 학습 장치(100)는 생성기(133)를 통해 하나의 데이터 세트에 대한 가짜 데이터 세트를 생성하고, 판별기(131)를 통해 가짜 데이터 세트에 대한 판별 값 세트를 출력할 수 있다. 이러한 경우에, 학습 장치(100)는 판별 값 세트에 포함된 다수의 판별 값이 모두 기준 값에 도달하는 경우에 학습을 종료하거나, 판별 값 세트에 포함된 다수의 판별 값의 평균 값이 기준 값에 도달하는 경우에 학습을 종료할 수 있다.
다른 일 실시예에서, 학습 장치(100)는 다수의 노이즈(30)에 기초하여 생성기(133)와 판별기(131)를 학습시킬 수 있다. 이에 따라, 학습 장치(100)는 생성기(133)를 통해 어느 하나의 노이즈(30)에 대한 가짜 데이터(31)를 생성하고, 판별기(131)를 통해 가짜 데이터(31)에 대한 판별 값을 출력할 수 있다. 이러한 경우에, 학습 장치(100)는 판별 값이 기준 값에 도달하는 경우에 학습을 종료하거나, 미리 설정된 개수만큼 연속된 하나 이상의 판별 값이 모두 기준 값에 도달하는 경우에 학습을 종료할 수 있다.
도 4는 본 발명의 일 실시예에 따른 플렉셔 데이터 생성 장치가 기 학습된 인공 신경망을 통해 플렉셔 데이터를 생성하는 방법을 나타낸 도면이다.
도 4를 참조하면, 플렉셔 데이터 생성 장치(200)(이하, 생성 장치)는 기 학습된 인공 신경망을 이용하여 임의의 노이즈(30)로부터 비행체의 플렉셔 거동에 대한 가짜 데이터(31)를 생성할 수 있다.
여기에서, 기 학습된 인공 신경망은 상기에서 설명한 학습 장치(100)에 의해 학습된 생성기(233)를 포함할 수 있다. 또한, 가짜 데이터(31)는 실제 데이터(11)에 대응되도록 생성되는 스펙토그램인 것으로 이해할 수 있다.
따라서, 생성기(233)는 노이즈(30)가 입력되면 가짜 데이터(31)를 생성할 수 있다.
이에 따라, 생성 장치(200)는 가짜 데이터(31)를 이용하여 플렉셔 데이터(33)를 생성할 수 있다. 여기에서, 플렉셔 데이터(33)는 실제 플렉셔 데이터(10)에 대응되도록 생성되는 것일 수 있다.
이를 위해, 생성 장치(200)는 푸리에 변환(Fourier Transform)을 수행하여 가짜 데이터(31)로부터 플렉셔 데이터(33)를 생성할 수 있다. 일 실시예에서, 가짜 데이터(31)에 적용된 푸리에 변환은 역 초단시간 푸리에 변환(ISTFT, Inverse Short Time Fourier Transform)일 수 있다.
이를 통해, 생성 장치(200)는 다수의 노이즈(30)를 이용하여 실제 플렉셔 데이터(10)에 대응되는 다수의 플렉셔 데이터(33)를 생성할 수 있다.
도 5 및 도6은 본 발명의 일 실시예에 따른 플렉셔 데이터 학습 방법의 순서도이다.
도 5를 참조하면, 학습 장치(100)는 임의의 노이즈(30)를 이용하여 비행체의 플렉셔 거동에 대한 가짜 데이터(31)를 생성하도록 생성기(133)를 학습시킬 수 있다(S100). 또한, 학습 장치(100)는 비행체의 실제 플렉셔 거동에 기초하여 생성된 실제 데이터(11)를 입력 받으면, 가짜 데이터(31)의 진위 여부를 판별하도록 판별기(131)를 학습시킬 수 있다(S200).
구체적으로, 도 6을 참조하면, 학습 장치(100)는 생성기(133)를 이용하여 가짜 데이터(31)를 생성할 수 있다(S110). 이에 따라, 학습 장치(100)는 판별기(131)를 이용하여 가짜 데이터(31)의 진위 여부를 판별할 수 있다(S210).
이때, 학습 장치(100)는 가짜 데이터(31)의 진위 여부에 대한 판별 값이 미리 설정된 기준 값 이상인지를 판단할 수 있다(S230).
여기에서, 학습 장치(100)는 가짜 데이터(31)의 진위 여부에 대한 판별 값이 미리 설정된 기준 값 미만이면, 생성기(133)와 판별기(131)를 더 학습시킬 수 있다(S210 내지 S230). 반면, 학습 장치(100)는 가짜 데이터(31)의 진위 여부에 대한 판별 값이 미리 설정된 기준 값 이상이면, 생성기(133)와 판별기(131)의 학습을 종료할 수 있다(S300).
도 7은 본 발명의 일 실시예에 따른 플렉셔 데이터 생성 방법의 순서도이다.
도 7을 참조하면, 생성 장치(200)는 생성기(233)를 이용하여 플렉셔 거동에 대한 가짜 데이터(31)를 생성할 수 있다(S500). 이에 따라, 생성 장치(200)는 가짜 데이터(31)를 변환하여 플렉셔 데이터(33)를 생성할 수 있다(S600).
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.
10: 실제 플렉셔 데이터
11: 실제 데이터
30: 노이즈
31: 가짜 데이터
33: 플렉셔 데이터
100: 플렉셔 데이터 학습 장치
200: 플렉셔 데이터 생성 장치

Claims (21)

  1. 플렉셔 데이터 생성 장치가, 생성기 및 판별기를 포함하고 플렉셔 데이터를 생성하는 인공 신경망을 학습시키는 방법에 있어서,
    임의의 노이즈를 이용하여 비행체의 플렉셔 거동에 대한 가짜 데이터를 스펙토그램으로 생성하도록 상기 생성기를 학습시키는 단계; 및
    상기 비행체의 실제 플렉셔 거동에 기초하여 생성된 스펙토그램인 실제 데이터를 입력 받으면, 상기 가짜 데이터의 진위 여부를 판별하도록 상기 판별기를 학습시키는 단계;를 포함하되,
    상기 실제 데이터는,
    상기 비행체의 실제 플렉셔 거동에 대한 실제 플렉셔 데이터를 푸리에 변환(Fourier Transform)하여 생성되는 스펙토그램이고,
    상기 실제 플렉셔 데이터는,
    상기 비행체의 제 1 항법 모듈로부터 측정되는 제 1 관성 데이터와, 상기 비행체의 제 2 항법 모듈로부터 측정되는 제 2 관성 데이터에 기초하여 산출된 것이고, 상기 제 1 관성 데이터로부터, 상기 제 2 관성 데이터가 상기 제 1 관성 데이터에 대응되도록 회전 변환된 값, 상기 제 1 관성 데이터에 대한 레버 암 성분 값 및 오차 값이 제거된 것인, 플렉셔 데이터 학습 방법.
  2. 제 1 항에 있어서,
    상기 생성기에, 상기 가짜 데이터의 진위 여부에 대한 결과로서 상기 판별기에서 판별된 판별 값에 기초하여 상기 생성기를 더 학습시키는 단계;를 더 포함하는, 플렉셔 데이터 학습 방법.
  3. 제 2 항에 있어서,
    상기 판별 값과, 상기 가짜 데이터의 진위 여부에 대한 정답 값을 이용하여 상기 판별기를 더 학습시키는 단계;를 더 포함하는, 플렉셔 데이터 학습 방법.
  4. 제 3 항에 있어서,
    상기 판별 값이 미리 설정된 기준 값에 도달하는 경우 상기 생성기와 상기 판별기의 학습을 종료하는 단계;를 더 포함하는, 플렉셔 데이터 학습 방법.
  5. 삭제
  6. 삭제
  7. 삭제
  8. 플렉셔 데이터 생성 장치가, 기 학습된 인공 신경망을 이용하여 플렉셔 데이터를 생성하는 방법에 있어서,
    상기 인공 신경망을 이용하여 임의의 노이즈로부터 비행체의 플렉셔 거동에 대한 가짜 데이터를 생성하는 단계; 및
    상기 가짜 데이터를 이용하여 상기 플렉셔 데이터를 생성하는 단계;를 포함하고,
    상기 인공 신경망은,
    상기 비행체의 플렉셔 데이터 학습 방법에 따라 학습된 것이며,
    상기 비행체의 플렉셔 데이터 학습 방법은,
    임의의 노이즈를 이용하여 학습용 가짜 데이터를 스펙토그램으로 생성하도록 생성기를 학습시키는 단계; 및
    상기 비행체의 실제 플렉셔 거동에 기초하여 생성된 스펙토그램인 실제 데이터를 입력 받으면, 상기 학습용 가짜 데이터의 진위 여부를 판별하도록 판별기를 학습시키는 단계;를 포함하되,
    상기 실제 데이터는,
    상기 비행체의 실제 플렉셔 거동에 대한 실제 플렉셔 데이터를 푸리에 변환(Fourier Transform)하여 생성되는 스펙토그램이고,
    실제 플렉셔 데이터는,
    상기 비행체의 제 1 항법 모듈로부터 측정되는 제 1 관성 데이터와, 상기 비행체의 제 2 항법 모듈로부터 측정되는 제 2 관성 데이터에 기초하여 산출된 것이며, 상기 제 1 관성 데이터로부터, 상기 제 2 관성 데이터가 상기 제 1 관성 데이터에 대응되도록 회전 변환된 값, 상기 제 1 관성 데이터에 대한 레버 암 성분 값 및 오차 값이 제거된 것인, 플렉셔 데이터 생성 방법.
  9. 제 8 항에 있어서, 상기 플렉셔 데이터를 생성하는 단계는,
    푸리에 변환(Fourier Transform)을 수행하여 상기 가짜 데이터로부터 상기 플렉셔 데이터를 생성하는, 플렉셔 데이터 생성 방법.
  10. 제 8 항에 있어서, 상기 생성기는,
    상기 가짜 데이터의 진위 여부에 대한 결과로서 상기 판별기에서 판별된 판별 값에 기초하여 더 학습된 것인, 플렉셔 데이터 생성 방법.
  11. 제 10 항에 있어서, 상기 판별기는,
    상기 판별 값과, 상기 가짜 데이터의 진위 여부에 대한 정답 값을 이용하여 더 학습된 것인, 플렉셔 데이터 생성 방법.
  12. 제 11 항에 있어서, 상기 생성기는,
    상기 판별 값이 미리 설정된 기준 값에 도달하여 학습이 종료된 것인, 플렉셔 데이터 생성 방법.
  13. 삭제
  14. 삭제
  15. 삭제
  16. 생성기 및 판별기를 포함하고, 플렉셔 데이터를 생성하는 인공 신경망을 저장하는 메모리;
    임의의 노이즈를 이용하여 비행체의 플렉셔 거동에 대한 가짜 데이터를 스펙토그램으로 생성하도록 상기 생성기를 학습시키고, 상기 비행체의 실제 플렉셔 거동에 기초하여 생성된 스펙토그램인 실제 데이터를 입력 받으면, 상기 가짜 데이터의 진위 여부를 판별하도록 상기 판별기를 학습시키는 프로세서;를 포함하되,
    상기 실제 데이터는,
    상기 비행체의 실제 플렉셔 거동에 대한 실제 플렉셔 데이터를 푸리에 변환(Fourier Transform)하여 생성되는 스펙토그램이고,
    상기 실제 플렉셔 데이터는,
    상기 비행체의 제 1 항법 모듈로부터 측정되는 제 1 관성 데이터와, 상기 비행체의 제 2 항법 모듈로부터 측정되는 제 2 관성 데이터에 기초하여 산출된 것이고, 상기 제 1 관성 데이터로부터, 상기 제 2 관성 데이터가 상기 제 1 관성 데이터에 대응되도록 회전 변환된 값, 상기 제 1 관성 데이터에 대한 레버 암 성분 값 및 오차 값이 제거된 것인, 플렉셔 데이터 학습 장치.
  17. 플렉셔 데이터를 생성하도록 미리 학습된 인공 신경망을 저장하는 메모리; 및
    상기 인공 신경망을 이용하여 임의의 노이즈로부터 비행체의 플렉셔 거동에 대한 가짜 데이터를 생성하고, 상기 가짜 데이터를 이용하여 상기 플렉셔 데이터를 생성하는 프로세서;를 포함하고,
    상기 인공 신경망은,
    상기 비행체의 플렉셔 데이터 학습 방법에 따라 학습된 것이며,
    상기 비행체의 플렉셔 데이터 학습 방법은,
    임의의 노이즈를 이용하여 학습용 가짜 데이터를 스펙토그램으로 생성하도록 생성기를 학습시키는 단계; 및
    상기 비행체의 실제 플렉셔 거동에 기초하여 생성된 스펙토그램인 실제 데이터를 입력 받으면, 상기 학습용 가짜 데이터의 진위 여부를 판별하도록 판별기를 학습시키는 단계;를 포함하되,
    상기 실제 데이터는,
    상기 비행체의 실제 플렉셔 거동에 대한 실제 플렉셔 데이터를 푸리에 변환(Fourier Transform)하여 생성되는 스펙토그램이고,
    상기 실제 플렉셔 데이터는,
    상기 비행체의 제 1 항법 모듈로부터 측정되는 제 1 관성 데이터와, 상기 비행체의 제 2 항법 모듈로부터 측정되는 제 2 관성 데이터에 기초하여 산출된 것이고, 상기 제 1 관성 데이터로부터, 상기 제 2 관성 데이터가 상기 제 1 관성 데이터에 대응되도록 회전 변환된 값, 상기 제 1 관성 데이터에 대한 레버 암 성분 값 및 오차 값이 제거된 것인, 플렉셔 데이터 생성 장치.
  18. 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,
    상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
    생성기 및 판별기를 포함하고, 플렉셔 데이터를 생성하는 인공 신경망을 학습시키는 방법에 있어서,
    임의의 노이즈를 이용하여 비행체의 플렉셔 거동에 대한 가짜 데이터를 스펙토그램으로 생성하도록 상기 생성기를 학습시키는 단계; 및
    상기 비행체의 실제 플렉셔 거동에 기초하여 생성된 스펙토그램인 실제 데이터를 입력 받으면, 상기 가짜 데이터의 진위 여부를 판별하도록 상기 판별기를 학습시키는 단계;를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하되,
    상기 실제 데이터는,
    상기 비행체의 실제 플렉셔 거동에 대한 실제 플렉셔 데이터를 푸리에 변환(Fourier Transform)하여 생성되는 스펙토그램이고,
    상기 실제 플렉셔 데이터는,
    상기 비행체의 제 1 항법 모듈로부터 측정되는 제 1 관성 데이터와, 상기 비행체의 제 2 항법 모듈로부터 측정되는 제 2 관성 데이터에 기초하여 산출된 것이고, 상기 제 1 관성 데이터로부터, 상기 제 2 관성 데이터가 상기 제 1 관성 데이터에 대응되도록 회전 변환된 값, 상기 제 1 관성 데이터에 대한 레버 암 성분 값 및 오차 값이 제거된 것인, 컴퓨터 판독 가능한 기록매체.
  19. 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
    생성기 및 판별기를 포함하고, 플렉셔 데이터를 생성하는 인공 신경망을 학습시키는 방법에 있어서,
    임의의 노이즈를 이용하여 비행체의 플렉셔 거동에 대한 가짜 데이터를 스펙토그램으로 생성하도록 상기 생성기를 학습시키는 단계; 및
    상기 비행체의 실제 플렉셔 거동에 기초하여 생성된 스펙토그램인 실제 데이터를 입력 받으면, 상기 가짜 데이터의 진위 여부를 판별하도록 상기 판별기를 학습시키는 단계;를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하되,
    상기 실제 데이터는,
    상기 비행체의 실제 플렉셔 거동에 대한 실제 플렉셔 데이터를 푸리에 변환(Fourier Transform)하여 생성되는 스펙토그램이고,
    상기 실제 플렉셔 데이터는,
    상기 비행체의 제 1 항법 모듈로부터 측정되는 제 1 관성 데이터와, 상기 비행체의 제 2 항법 모듈로부터 측정되는 제 2 관성 데이터에 기초하여 산출된 것이고, 상기 제 1 관성 데이터로부터, 상기 제 2 관성 데이터가 상기 제 1 관성 데이터에 대응되도록 회전 변환된 값, 상기 제 1 관성 데이터에 대한 레버 암 성분 값 및 오차 값이 제거된 것인, 컴퓨터 프로그램.
  20. 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,
    상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
    기 학습된 인공 신경망을 이용하여 플렉셔 데이터를 생성하는 방법에 있어서,
    상기 인공 신경망을 이용하여 임의의 노이즈로부터 비행체의 플렉셔 거동에 대한 가짜 데이터를 생성하는 단계; 및
    상기 가짜 데이터를 이용하여 상기 플렉셔 데이터를 생성하는 단계;를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하고,
    상기 인공 신경망은,
    상기 비행체의 플렉셔 데이터 학습 방법에 따라 학습된 것이며,
    상기 비행체의 플렉셔 데이터 학습 방법은,
    임의의 노이즈를 이용하여 학습용 가짜 데이터를 스펙토그램으로 생성하도록 생성기를 학습시키는 단계; 및
    상기 비행체의 실제 플렉셔 거동에 기초하여 생성된 스펙토그램인 실제 데이터를 입력 받으면, 상기 학습용 가짜 데이터의 진위 여부를 판별하도록 판별기를 학습시키는 단계;를 포함하되,
    상기 실제 데이터는,
    상기 비행체의 실제 플렉셔 거동에 대한 실제 플렉셔 데이터를 푸리에 변환(Fourier Transform)하여 생성되는 스펙토그램이고,
    상기 실제 플렉셔 데이터는,
    상기 비행체의 제 1 항법 모듈로부터 측정되는 제 1 관성 데이터와, 상기 비행체의 제 2 항법 모듈로부터 측정되는 제 2 관성 데이터에 기초하여 산출된 것이고, 상기 제 1 관성 데이터로부터, 상기 제 2 관성 데이터가 상기 제 1 관성 데이터에 대응되도록 회전 변환된 값, 상기 제 1 관성 데이터에 대한 레버 암 성분 값 및 오차 값이 제거된 것인, 컴퓨터 판독 가능한 기록매체.
  21. 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
    기 학습된 인공 신경망을 이용하여 플렉셔 데이터를 생성하는 방법에 있어서,
    상기 인공 신경망을 이용하여 임의의 노이즈로부터 비행체의 플렉셔 거동에 대한 가짜 데이터를 생성하는 단계; 및
    상기 가짜 데이터를 이용하여 상기 플렉셔 데이터를 생성하는 단계;를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하고,
    상기 인공 신경망은,
    상기 비행체의 플렉셔 데이터 학습 방법에 따라 학습된 것이며,
    상기 비행체의 플렉셔 데이터 학습 방법은,
    임의의 노이즈를 이용하여 학습용 가짜 데이터를 스펙토그램으로 생성하도록 생성기를 학습시키는 단계; 및
    상기 비행체의 실제 플렉셔 거동에 기초하여 생성된 스펙토그램인 실제 데이터를 입력 받으면, 상기 학습용 가짜 데이터의 진위 여부를 판별하도록 판별기를 학습시키는 단계;를 포함하되,
    상기 실제 데이터는,
    상기 비행체의 실제 플렉셔 거동에 대한 실제 플렉셔 데이터를 푸리에 변환(Fourier Transform)하여 생성되는 스펙토그램이고,
    상기 실제 플렉셔 데이터는,
    상기 비행체의 제 1 항법 모듈로부터 측정되는 제 1 관성 데이터와, 상기 비행체의 제 2 항법 모듈로부터 측정되는 제 2 관성 데이터에 기초하여 산출된 것이고, 상기 제 1 관성 데이터로부터, 상기 제 2 관성 데이터가 상기 제 1 관성 데이터에 대응되도록 회전 변환된 값, 상기 제 1 관성 데이터에 대한 레버 암 성분 값 및 오차 값이 제거된 것인, 컴퓨터 프로그램.
KR1020220000416A 2022-01-03 2022-01-03 비행체의 플렉셔 데이터 학습 방법, 컴퓨터 판독 가능한 기록 매체, 컴퓨터 프로그램 및 장치, 이를 이용한 플렉셔 데이터 생성 방법, 컴퓨터 판독 가능한 기록 매체, 컴퓨터 프로그램 및 장치 KR102663016B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220000416A KR102663016B1 (ko) 2022-01-03 2022-01-03 비행체의 플렉셔 데이터 학습 방법, 컴퓨터 판독 가능한 기록 매체, 컴퓨터 프로그램 및 장치, 이를 이용한 플렉셔 데이터 생성 방법, 컴퓨터 판독 가능한 기록 매체, 컴퓨터 프로그램 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220000416A KR102663016B1 (ko) 2022-01-03 2022-01-03 비행체의 플렉셔 데이터 학습 방법, 컴퓨터 판독 가능한 기록 매체, 컴퓨터 프로그램 및 장치, 이를 이용한 플렉셔 데이터 생성 방법, 컴퓨터 판독 가능한 기록 매체, 컴퓨터 프로그램 및 장치

Publications (2)

Publication Number Publication Date
KR20230105181A KR20230105181A (ko) 2023-07-11
KR102663016B1 true KR102663016B1 (ko) 2024-05-03

Family

ID=87159908

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220000416A KR102663016B1 (ko) 2022-01-03 2022-01-03 비행체의 플렉셔 데이터 학습 방법, 컴퓨터 판독 가능한 기록 매체, 컴퓨터 프로그램 및 장치, 이를 이용한 플렉셔 데이터 생성 방법, 컴퓨터 판독 가능한 기록 매체, 컴퓨터 프로그램 및 장치

Country Status (1)

Country Link
KR (1) KR102663016B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102283416B1 (ko) * 2019-04-03 2021-07-28 조선대학교산학협력단 Gan 기반 딥러닝 모델을 이용한 이미지 생성 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102283416B1 (ko) * 2019-04-03 2021-07-28 조선대학교산학협력단 Gan 기반 딥러닝 모델을 이용한 이미지 생성 방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Xiaolin Gong et al., "Deformation Measuring Methods Based on Inertial Sensors for Airborne Distributed POS," International Journal of Aerospace Engineering (2017.09.10.)*

Also Published As

Publication number Publication date
KR20230105181A (ko) 2023-07-11

Similar Documents

Publication Publication Date Title
CN110728357B (zh) 一种基于循环神经网络的imu数据去噪方法
CN102607562A (zh) 基于载体飞行模态判别的微惯性参数自适应姿态确定方法
KR101915860B1 (ko) 비행자세 모의기 제어 장치 및 방법
US10935938B1 (en) Learning from operator data for practical autonomy
KR102663016B1 (ko) 비행체의 플렉셔 데이터 학습 방법, 컴퓨터 판독 가능한 기록 매체, 컴퓨터 프로그램 및 장치, 이를 이용한 플렉셔 데이터 생성 방법, 컴퓨터 판독 가능한 기록 매체, 컴퓨터 프로그램 및 장치
CA3185422A1 (en) Aircraft wake sensing
CN116627157A (zh) 一种运载火箭的运行控制方法、装置及设备
Conte et al. Evaluation of hydrodynamics parameters of a UUV. A preliminary study
CN115542746B (zh) 高超声速飞行器的能量管控再入制导方法及装置
KR102019876B1 (ko) 고속 수중유도무기를 위한 관성항법시스템의 항법 성능 검증 장치 및 방법
CN111273056A (zh) 一种不采用高度测量的高速飞行器的攻角观测方法
KR101846019B1 (ko) 비행체 위치 산출 장치 및 방법
CN112278334B (zh) 用于控制火箭的着陆过程的方法
KR20230094504A (ko) 시뮬레이터 및 실제 차량 간 연동을 위한 vil 시스템 및 방법
KR101833242B1 (ko) 비행체 항법 제어 시스템 및 방법
CN105987652A (zh) 姿态角速率估算系统及应用其的弹药
Bayoğlu et al. Aerodynamic parameter estimation of a supersonic air to air missile with rapid speed variation
Harris Model-based cooperative acoustic navigation and parameter identification for underactuated underwater vehicles
Albisser et al. Identifiability investigation of the aerodynamic coefficients from free flight tests
JP7466418B2 (ja) Ｉｓａｒ画像データ学習装置、目標類別装置及びレーダ装置
KR102582056B1 (ko) 서라운드 뷰 제공 장치 및 이의 동작 방법
CN113959430B (zh) 飞行汽车的航姿确定方法、装置、车载终端及存储介质
CN116859901B (zh) 航空电子系统的数据安全性分析方法及系统
CN117742183A (zh) 一种自动驾驶的仿真测试装置和仿真测试方法
CN115752119B (zh) 一种弹道修正引信弹载计算机半实物仿真系统及方法

Legal Events

Date Code Title Description
A302 Request for accelerated examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant