KR20050107548A - 신경망의 역전파 알고리즘에 의한 탐색 레이더의 적응적표적 신호식별 - Google Patents

Abstract

본 발명은 탐색(surveillance) 레이더 신호탐지에 관한 것으로 신경망(neural network)의 역전파(Back-propagation) 알고리즘을 적용하여 SNR(signal-to-noise ratio)에 따른 적응적 신호탐지를 가능하게 하여 허위 표적(false target)의 발생을 최소화 하는 동시에 높은 탐지율을 가지도록 하는 것이다.

Description

신경망의 역전파 알고리즘에 의한 탐색 레이더의 적응적 표적 신호식별{Adaptive target Signal Discrimination of surveillance radar with Back-propagation algorithm of Neural network}

본 발명은 탐색 레이더 신호탐지에 관한 것으로, 신경망의 역전파 알고리 즘을 SNR따른 적응적 표적 탐지를 가능하게 한 것이다.

종래의 표적탐지 방식은 [도 2]의 오경보율(false alarm rate)을 일정하게 유지하기 위한 CFAR알고리즘의 적응적 문턱치(adaptive threshold) 방식과 잡음만 존재하는 경우의 확률밀도 함수에서 원하는 오경보율을 얻기 위해서 계산되는 고정 문턱치(fixed threshold)방식이 주로 이용되는데, 레이더 신호처리에 주로 사용되는 펄스압축(pulse compression), MTI(moving target indicator), DFB(doppler filter bank)등의 신호처리 알고리즘을 거친 후 그 출력을 이용하여 신호의 세기가 해당 문턱치를 넘는가에 따라 표적을 탐지하게 된다. 고정 문턱치를 적용하는 경우는 수신되는 잡음의 세기가 임의의 간섭신호나 재밍신호에 의해 증가할 경우 잡음이 고정 문턱치를 초과함으로써 표적으로 간주되어 허위표적(false target)이 증가하게 되어 원하는 표적의 인식이 어려워 지는 문제점이 발생하고, 적응 문턱치를 사용하는 CFAR 알고리즘은 오경보율을 일정하게 유지하기 위해 잡음신호의 세기에 따라 문턱치도 커져서 결과적으로 표적 탐지확률이 낮아지는 문제점이 발생한다.

상기의 문제점을 해결하기 위해 본 발명은 신경망의 역전파 알고리즘을 적용하여 SNR에 따른 적응적 표적 탐지 방식을 적용하여 수신잡음 세기의 증가에 따른 고정 문턱치 사용 시 허위표적의 증가와 적응 문턱치를 사용하는 CFAR 알고리즘 사용 시 표적 탐지률이 낮아지는 문제점을 해결하는 것을 목적으로 한다.

본 발명은 학습을 위한 신경망의 역전파 알고리즘 모듈[도 3], [도 4]에서와 같이 최근 탐지 레이더의 신호처리 알고리즘에주로 사용되는 펄스압축, MTI, DFB 알고리즘 모듈(A), 학습된 가중치를 신호처리 각 알고리즘의 출력에 적용하여 표적을 식별하는 표적 탐지모듈(B)로 구성된다.

[도 1]은 신경망의 역전파 알고리즘을 이용한 적응적 레이더 신호처리 모델을 도시한 것으로, 다양한 SNR에서 신경망의 역전파 알고리즘을 이용하여 학습한 신뢰성 있는 가중치(W _{SNR 1 th} ∼W _SNRnth )를 레이더 신호처리에적용하는 방법을 도시한 것이다.

[도 4]는 레이더 표적 탐지를 위해 역전파 알고리즘으로 구해진 가중치를 최근 탐지 레이더에서 주로 사용되는 레이더 신호처리 과정의 출력에 적용하는 시점을 도시한 것으로, 검증된 신뢰성 있는 가중치를 구하기 위해 [도 3]의 신경망의 역전파 알고리즘 학습을 통해 다양한 SNR에 따른 가중치를 학습하여 준비하고, [도 3]의 레이더 신호처리 모듈의 펄스압축(1), MTI(2), DFB(3)등의 각각의 출력에 선택적으로 적용시켜 표적을 탐지한다.

[도5]는 신경망의 역전파 알고리즘을 이용한 적응적 신호처리 모델 구조를 예시한 것으로, 다음과 같은 파라메터를 적용하여 구성하였으며 은닉층 유닛의 개수는 하기에 설명된 [도6]와 같은 실험 결과에 따라 결정한 것이다.

- 펄스당 거리셀수(Range Cell) : 512

- CPI(coherent pulse interval) 당 수신 펄스 수 : 11

- MTI 탭수 : 3

DFB의 출력에 적용할 경우 입력 유닛의 수, I _num 는 다음과 같이 표현될 수 있다.

I _num = CPI _num - MT _num

여기서, CPI _num 은 CPI당 수신 펄스 수이고, MT _num 은 MTI 탭 수이다. 따라서 수식에 의해 DFB 출력에 적용할 경우 (9-18-2)의 퍼셉트론 구조를 가지며, 펄스압축이나 MTI의 출력에 적용할 경우는 (11-18-2)의 퍼셉트론 구조를 가진다.

[도6]은 은닉층 유닛의 개수를 결정하기 위해 은닉층 유닛의 개수에 따른 학습 오류(training error), E의 그래프를 도시한 것으로, 가장 효과적인 은닉층 유닛의 수를 결정하기 위해서는 학습 세트(training set) 외에 시험 세트(test set) 및 검증 세트(validation set)를 준비하여 은닉층 유닛에 따른 오류를 검사하여 시험 오류(test error)가 최소가 되는 지점의 은닉층 유닛의 수를 선정하면 되는데 이러한 방법은 효과적인 은닉층 유닛 수선정뿐만 아니라 학습이 학습 세트에 대한 과도한 편향(over-fitting)현상을 방지할 수 있다.

상기한 구성에 따라서, 본 발명은 고정 문턱치 이용 시 발생하는 허위표적의 증가와 CFAR 알고리즘 이용 시 발생하는 낮은 탐지율에 대한 문제점 해결을 위한 좋은 방법이다. 최초 가중치 (W _{SNR 1 th} )를 이용하여 신호처리를 통한 표적탐지를 실행하다가 인위적인 간섭신호나 재밍신호의 지나친 수신으로 인해 허위표적이 증가하여 표적인식이 어려워 질 때, 운용자의 판단에 따라 그 시점의 SNR에 근사한 준비된 가중치(W _{SNR 2 th} )를 적용하여 신호처리를 수행한다. 이렇게 함으로써 고정 문턱치를 사용한 경우 허위표적의 증가로 인해 표적 인식이 어려웠던 문제점을 해결하여 인식이 어려웠던 탐지 가능한 표적이 허위표적의 현저한 감소로 인해 탐지되어 질 수 있으며, CFAR 알고리즘을 사용했을 때의 낮은 탐지율 문제를 해결하여 탐지율을 현저하게 증가시키는데 효과가 있다.

도1 : 신경망의 역전파 알고리즘을 이용한 적응적 레이더 신호처리 모델

도2 : 종래의 표적탐지 방식인 CFAR(constant false alarm rate) 알고리즘

도3 : 학습을 위한 신경망의 역전파 알고리즘

도4 : 신경망의 역전파 알고리즘의 학습에 의한 가중치의 적용 시점

도5 : 역전파(Back-propagation) 알고리즘을 이용한 적응적 신호처리 모델의 퍼셉트론(perceptron) 구조

도6 : 은닉층(hidden layer) 유닛(unit)의 개수를 결정하기 위한 실험 그래프

도7 : 기존에 주로 사용된 표적 탐지 방법인 고정 문턱치 및 CFAR 알고리즘을 이용한 유동적 문턱치와 역전파 알고리즘을 이용한 표적 탐지 방법의 성능 비교

Claims (3)

1. 오경보율 증가에 따른 SNR별 가중치의 선택적 적용에 의한 표적 탐지 방법[도 1]
2. 청구항1에 있어서, 탐색 레이더 신호처리에 주로 사용되는 펄스 압축, MTI, DFB의 각각의 출력에 신경망의 역전파 알고리즘을 이용한 학습에 의해 구해진 SNR별 가중치를 적용시키는 시점 [도 4]
3. 청구항2에 있어서, 신경망의 역전파 알고리즘을 이용한 적응적 신호처리 모델의 퍼셉트론 구조[도 5]

   - 펄스압축, MTI 출력에 적용할 경우 11-18-2 퍼셉트론 구조

   - DFB 출력을 이용할 경우 : 9-18-2 퍼셉트론 구조