KR20160107742A

KR20160107742A - Svm기반 레이더 스캔형태 인식방법 및 장치

Info

Publication number: KR20160107742A
Application number: KR1020150030947A
Authority: KR
Inventors: 한진우; 조제일; 송규하; 이병남
Original assignee: 국방과학연구소
Priority date: 2015-03-05
Filing date: 2015-03-05
Publication date: 2016-09-19
Also published as: KR101708275B1

Abstract

본 발명은 레이더 기술에 관한 것으로서, 더 상세하게는 수집된 펄스의 PA(Pulse Amplitude) 정보를 이용하여 특징 벡터를 추출하고, 이를 훈련된 각 스캔 형태별 SVM(Support Vector Machine)에 적용하여 레이더의 스캔형태를 인식하는 레이더 스캔형태 인식방법 및 장치에 대한 것이다.

Description

SVM기반 레이더 스캔형태 인식방법 및 장치{Method and Apparatus of recognizing Radar Scan Pattern based on Support Vector Machine}

특히, 본 발명은 결정 초평면(decision hyperplane)을 이용하여 각 스캔 형태별 분류사이에 존재하는 여백(margin)을 최대화함으로써 스캔 형태 인식의 오류율을 최소화하는 SVM(Support Vector Machine) 기반의 레이더 스캔 형태 인식방법 및 장치를 제공한다.

레이더는 레이더 자체의 목적과 기능에 따라 다양한 스캔형태를 가진다. 레이더 스캔 형태의 종류에는 고정, 원형, 섹터, 원추, 라스터, 헬리컬, 로브스위칭 등이 존재한다.

현대의 레이더 신호 환경이 복잡해지고 고밀도화됨에 따라, 전자전에서 위협 신호를 수집/분석한 결과를 이용한 위협에 대한 식별 시에 모호성 문제의 발생빈도가 높아졌다.

이는 위협 종류의 증가에 따라, 식별에 사용되는 분석 결과인 PRI(Pulse Repetition Interval) 특성 및 주파수 특성의 범위가 서로 중첩되는 경우가 많아졌기 때문이다. 이러한 식별의 모호성을 해결하기 위하여 레이더의 스캔형태를 위협 신호의 식별에 이용하게 되었다.

스캔형태를 분석하기 위한 기존의 방법은 각 펄스간의 자기 상관관계를 이용한 방법으로, 수집된 펄스의 PA(Pulse Amplitude) 정보를 이용하여 자기 상관관계를 계산하고 이를 미리 정의한 임계치와 비교하여 스캔형태를 분석하는 방법이다.

이 방법은 자기 상관관계에 나타나는 주기성을 형태구분에 이용하므로 주기성이 확인될 만큼의 충분한 개수의 펄스가 수집되어야 하며, 자기 상관관계 계산 시 이용되는 평균값이 누락 펄스에 의해 많은 영향을 받으므로, 누락 펄스가 많이 존재하는 신호 환경에서는 성능이 떨어지는 단점이 있다.

1. 한국공개특허번호 제10-2010-0121108호 2. 일본공개특허번호 제2005-283276호 3. 한국등록특허번호 제10-1241101호

1. 장하영, "PCA 기반의 SVM을 이용한 SAR 이미지의 표적 인식에 관한 연구"연세대학교, 2012년.

본 발명은 위 배경기술에 따른 문제점을 해소하기 위해 제안된 것으로서, 결정 초평면(decision hyperplane)을 이용하여 각 스캔형태별 부류 사이에 존재하는 여백(margin)을 최대화함으로써 스캔형태 인식의 오류율을 최소화 하는 SVM기반 레이더 스캔형태 인식방법 및 장치를 제공하는데 그 목적이 있다.

본 발명은 위에서 제시된 과제를 달성하기 위해, 결정 초평면(decision hyperplane)을 이용하여 각 스캔형태별 부류 사이에 존재하는 여백(margin)을 최대화함으로써 스캔형태 인식의 오류율을 최소화 하는 SVM(Support Vector Machine) 기반 레이더 스캔형태 인식방법을 제공한다.

상기 SVM 기반 레이더 스캔형태 인식방법은,

(a) 레이더 신호의 각 스캔 형태별로 PA(Pulse Amplitude)와 스캔 형태 코드로 이루어지며 신호 모의 소프트웨어를 통해 생성되는 훈련 데이터들을 이용하여 SVM(Support Vector Machine)을 훈련하고 훈련된 SVM들을 생성하는 단계;

(b) 수신기를 통하여 수집되는 레이더 펄스 데이터인 PDW(Pulsee Description Word)에 대하여 샘플링을 수행하여 샘플링 데이터들을 생성하는 단계;

(c) 상기 샘플링 데이터들에 대하여 피크들을 추출하는 단계;

(d) 상기 피크들에 해당하는 샘플링 데이터들에 대하여 특징벡터들을 추출하는 단계;

(e) 상기 특징 벡터들을 상기 훈련된 SVM에 각각 입력하여 SVM별로 분류 결과값들을 확인하는 단계;

(f) 상기 분류 결과값들 중 가장 큰 값을 나타내는 훈련된 SVM을 선택하는 단계;

(g) 선택된 SVM의 번호에 따라 결과 코드를 생성하는 단계; 및

(h) 생성된 결과 코드를 미리 정의되는 스캔 형태 구분표와 비교하여 스캔형태를 인식하는 단계;를 포함하는 것을 특징으로 할 수 있다.

이때, 상기 (a) 단계는, (a-1) 훈련을 인식해야할 각 스캔 형태별로 SVM을 생성하는 단계; (a-2) 상기 각 스캔 형태별로 상기 PA(Pulse Amplitude)와 스캔 형태 코드로 이루어지는 훈련 데이터들을 생성하는 단계; (a-3) 상기 훈련 데이터들에 대하여 피크들을 추출하는 단계; (a-4) 상기 피크들에 해당하는 훈련 데이터들에 대하여 특징벡터를 추출하는 단계; (a-5) 상기 SVM에 입력으로 넣을 상기 특징벡터와 스캔 형태값을 갖는 입력 데이터들을 분류하여 변환 입력 데이터들을 생성하는 단계; (a-6) 상기 변환 입력 데이터들을 입력하여 상기 SVM을 각각 훈련하는 단계; 및 (a-7) 각 스캔 형태별로 훈련된 SVM들을 저장하는 단계;를 포함하는 것을 특징으로 할 수 있다.

또한, 상기 SVM은 2진 SVM 분류기인 것을 특징으로 할 수 있다.

또한, 상기 (c) 단계에서, 상기 샘플링 데이터들에 대한 피크의 추출은 인접한 좌/우 각각 3개의 데이터가 현재의 값보다 작을 경우 피크로 선정되는 것을 특징으로 할 수 있다.

또한, 상기 스캔형태는 고정(Steady), 원형(Circular), 섹터(Sector), 원추(Conjcal), 라스터(Raster), 헬리컬(Helical), 및 로브스위치(Lobe-Switching) 중 어느 하나인 것을 특징으로 할 수 있다.

또한, 상기 입력 데이터들의 스캔형태에 해당되는 SVM에 입력시에는 스캔 형태값을 1로, 다른 스캔형태에 해당되는 SVM에 입력시에는 스캔 형태값을 0으로 설정하는 것을 특징으로 할 수 있다.

또한, 상기 분류 결과값들에 대한 확인은 상기 2진 SVM 분류기를 이용하되, 상기 2진 SVM 분류기의 결정 초평면은 수학식

(여기서, w는 가중치 값이며, K는 커널함수, s는 서포트 벡터, b는 바이어스(bias)이다)으로 정의되는 것을 특징으로 할 수 있다.

다른 한편으로, 본 발명의 다른 일실시예는, 수신기; 레이더 신호의 각 스캔 형태별로 PA(Pulse Amplitude)와 스캔 형태 코드로 이루어지며 신호 모의 소프트웨어를 통해 생성되는 훈련 데이터들을 이용하여 SVM(Support Vector Machine)을 훈련하고 훈련된 SVM들을 생성하는 SVM 훈련 모듈; 상기 수신기를 통하여 수집되는 레이더 펄스 데이터인 PDW(Pulsee Description Word)에 대하여 샘플링을 수행하여 샘플링 데이터들을 생성하는 샘플링 데이터 생성 모듈; 상기 샘플링 데이터들에 대하여 피크들을 추출하고, 상기 피크들에 해당하는 샘플링 데이터들에 대하여 특징벡터들을 추출하는 특징벡터 추출 모듈; 상기 특징 벡터들을 상기 훈련된 SVM에 각각 입력하여 SVM별로 분류 결과값들을 확인하고, 상기 분류 결과값들 중 가장 큰 값을 나타내는 훈련된 SVM을 선택하는 SVM 선택 모듈; 및 선택된 SVM의 번호에 따라 결과 코드를 생성하고, 생성된 결과 코드를 미리 정의되는 스캔 형태 구분표와 비교하여 스캔형태를 인식하는 스캔 형태 구분 모듈;을 포함하는 것을 특징으로 하는 SVM기반 레이더 스캔형태 인식 장치를 제공할 수 있다.

본 발명에 따르면, 수집된 펄스의 PA(Pulse Amplitude)정보를 이용하여 특징벡터를 추출하고, 이를 입력으로 하는 SVM을 이용한 스캔 형태 인식방법으로써, 스캔형태 인식률이 높고, 인식속도가 빨라서 실시간 신호분석이 필요한 ES(Electronic warfare Support) 시스템 및 ELINT(Electronic Intelligence) 시스템에 직접 적용 가능하다.

도 1은 본 발명의 일실시예에 따른 SVM(Support Vector Machine) 기반의 스캔 형태 인식 과정을 보여주는 흐름도이다.
도 2는 도 1에 도시된 SVM 훈련 단계(100)를 세분화하여 보여주는 순서도이다.
도 3은 본 발명의 일실시예에 따른 SVM(Support Vector Machine) 기반 레이더 스캔형태 인식 장치(300)의 블록 구성도이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 구체적으로 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용한다.

제 1, 제 2등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. "및/또는" 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.

일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.

이하 첨부된 도면을 참조하여 본 발명의 일실시예에 따른 SVM기반 레이더 스캔형태 인식방법 및 장치를 상세하게 설명하기로 한다.

도 1은 본 발명의 일실시예에 따른 SVM(Support Vector Machine) 기반의 스캔 형태 인식 과정을 보여주는 흐름도이다. 도 1을 참조하면, SVM을 훈련하는 단계(S100), 수집 데이터를 샘플링하는 단계(S200), 샘플링 데이터에 대한 피크를 추출하는 단계(S300), 샘플링 데이터에 대해 특징벡터를 추출하는 단계(S400), 각 스캔형태별 SVM에서의 입력 데이터 분류 결과값을 확인하는 단계(S500), 분류 결과값을 최대로 하는 SVM을 선택하는 단계(S600), 선택된 SVM에 따라 결과코드를 생성하는 단계(S700), 결과코드를 이용하여 스캔형태를 인식하는 단계(S800) 등을 포함하여 구성된다.

SVM 훈련 단계(S100)는 훈련 데이터들을 생성하고 훈련 데이터들을 분류하여 SVM 학습을 수행하여 각 스캔 형태별로 훈련하여 훈련된 SVM 데이터를 저장한다. 이러한 SVM 훈련 단계(S100)를 상세히 설명한 도면이 도 2에 도시된다. 도 2는 후술하기로 한다.

도 1을 계속 참조하면, 수집 데이터 샘플링 단계(S200)는 수집된 레이더 펄스 데이터인 PDW(Pulse Description Word)에 대하여 샘플링을 수행하여 샘플링 데이터를 생성한다.

수집 데이터 샘플링은 전체 수집된 PDW의 개수가 θ개 이상일 때만 수행한다. 본 발명의 일실시예에서는 θ를 약 2000으로 설정하여 사용한다. 샘플링은 x개의 PDW를 평균을 계산하여 하나의 PDW로 만드는 과정으로 이해하면 되며, 이 때 x값은 다음과 같이 계산하여 사용한다.

[수학식 1]

여기서, 수식에서 C는 수집된 PDW의 총 개수를 의미하며, θ는 임의의 설정값을 의미한다.

샘플링 데이터 피크추출 단계(S300)는 샘플링된 샘플링 데이터에 대하여 피크를 추출하는 단계로서, 훈련단계에서 사용할 피크추출 단계(S130)와 동일하다. 이에 대하여는 후술하기로 한다.

도 1을 계속 참조하면, 샘플링된 총 S개의 PDW에 대하여 인접한 좌/우 각각 3개의 데이터가 현재의 값보다 작을 경우 피크로 선정한다. 즉, 다음의 조건 ①과 ②를 동시에 만족할 때 S_i를 피크로 선정한다. 수식에서 i는 4부터 B(샘플링데이터의 크기)-4까지 수행한다.

조건 ①

조건 ②

샘플링 데이터 특징벡터 추출 단계(S400)에서는 스캔형태를 인식하기 위한 샘플링 데이터(PA열)로부터 후술할 단계 S140과 동일한 방식으로 특징 벡터를 추출한다. 이러한 특징 벡터를 설명하면 다음표와 같다.

특징벡터	설명
F₁	수식에서 M은 샘플링 데이터의 총 개수, S는 샘플링 데이터를 의미함
F₂
F₃	수식에서 q는 샘플링 데이터의 피크 총 개수, Q는 샘플링 데이터의 피크를 의미하고, x는 각 피크의 샘플링 데이터에서의 인덱스를 의미함
F₄
F₅
F₆	여기서, d는 초평면을 의미함
F₇
F₈
F₉

SVM별 분류 결과값 확인 단계(S500)는 추출된 특징벡터를 각 스캔 형태별 SVM에 넣어 분류 결과값을 확인한다. 부연하면, N개의 스캔형태(예를 들면 7개)에 대한 SVM을 만들고, 입력 데이터를 N개의 SVM에 각각 넣은 결과중 1인 것이 있으면 해당 스캔형태로 판단한다. 본 발명의 일실시예에서 사용하는 SVM 분류기의 결정 초평면 d(x)는 다음식과 같다. 각 SVM은 해당 스캔 형태인지 아닌지 결과값을 출력하는데, 예를 들어 원형 스캔 SVM에 어떤 입력 데이터를 넣었을 때, 이 입력 데이터가 원형 스캔이면 SVM은 1을 출력하고 그렇지 않으면 0을 출력한다.

[수학식 2]

여기서, w는 가중치 값이며, K는 커널함수, s는 서포트 벡터, b는 바이어스(bias)이다.

따라서, d(x)가 0보다 크면 1번째 분류로, 0보다 작으면 2번째 부류로 분류한다. 결정 초평면은 입력 데이터가 해당 변조형태인지 아닌지를 구별하는 기준이 되는 값이다.

SVM 선택 단계(S600)는 분류 결과값들 중에 가장 큰 값을 나타내는 SVM을 선택한다.

결과 코드 생성 단계(S700)는 선택된 SVM의 번호에 따라 결과 코드를 생성한다. 결과값 중 3번째가 최대값을 가졌다면 결과코드는 [0010000]으로 생성한다.

스캔 형태 구분 단계(S800)는 생성된 결과 코드를 아래와 같이 미리 정의된 스캔형태 구분표와 비교하여 스캔형태를 인식한다.

결과코드	스캔형태
1000000	고정(Steady)
0100000	원형(Circular)
0010000	섹터(Sector)
0001000	원추(Conical)
0000100	라스터(Raster)
0000010	헬리컬(Helical)
0000001	로브스위칭(Lobe-Switching)

고정(Steady), 원형(Circular), 섹터(Sector), 원추(Conjcal), 라스터(Raster), 헬리컬(Helical), 및 로브스위치(Lobe-Switching) 등의 스캔 형태에 대해서는 본 출원인이 이전에 출원한 한국등록특허번호 제101241101호(발명의 명칭: 특징인자를 이용한 레이더 스캔 형태 인식 방법)에 그 개념들이 기술되어 있다.

도 2는 도 1에 도시된 SVM 훈련 단계(100)를 세분화하여 보여주는 순서도이다. 도 2를 참조하면, 스캔 형태별 SVM 생성 단계(S110), 훈련 데이터 생성 단계(S120), 훈련 데이터 피크 추출 단계(S130), 훈련 데이터 특징 벡터 추출 단계(S140), 훈련 데이터 분류 단계(S150), SVM 학습 단계(S160), 잔존 훈련 데이터 확인 단계(S170), 훈련 종료 단계(S180) 등을 포함하여 구성된다.

스캔 형태별 SVM 생성 단계(S110)에서는 훈련을 인식해야할 스캔 형태별로 SVM을 생성한다. 훈련 데이터 생성 단계(S120)에서는 각 스캔 형태별로 PA(Pulse Amplitude)와 스캔형태 코드로 구성된 다수의 훈련 데이터를 생성한다. 여기서, 훈련 데이터는 각 스캔형태별 펄스 데이터를 신호 모의 소프트웨어로 생성한다. 신호 모의 소프트웨어는 알고리즘을 통하여 각 스캔 형태별 파라미터 설정을 통해 신호를 생성할 수 있다.

훈련 데이터 피크 추출 단계(S130)는 입력으로 주어진 훈련 데이터(T)에 대하여 피크를 추출하는 단계이다. 피크는 주변값보다 큰 값을 가지는 데이터의 위치로써, 인접한 좌/우 각각 3개의 데이터가 현재의 값보다 작을 경우 피크로 선정한다.

훈련 데이터 특징 벡터 추출 단계(S140)에서는 선정된 피크에 해당하는 훈련 데이터로부터 SVM의 입력으로 넣을 특징 벡터를 추출하는 단계로서, 훈련 데이터의 모든 PA에 대하여 계산하며 그 특징 벡터는 다음과 같다.

특징벡터	설명
TF₁	수식에서 N은 훈련 데이터의 총 개수, T는 훈련 데이터를 의미함
TF₂
TF₃	수식에서 p는 훈련데이터의 피크 총 개수, P는 훈련데이터의 피크를 의미하고, d는 각 피크의 훈련데이터에서의 인덱스를 의미함
TF₄
TF₅
TF₆
TF₇
TF₈
TF₉

훈련 데이터 분류 단계(S150)에서는 각 SVM에 입력으로 넣을 입력 데이터를 분류하여 변환 입력 데이터를 생성하는 단계이다. SVM에 입력하는 입력 데이터는 S140 단계에서 추출한 특징벡터와 스캔 형태값(0 혹은 1)이다.

본 발명의 일실시예에서는 이진 SVM 분류기를 사용하므로, 입력 데이터의 스캔형태에 해당되는 SVM에 입력시에는 스캔 형태값을 1로, 다른 스캔형태에 해당되는 SVM에 입력시에는 스캔 형태값을 0으로 설정하여 훈련 데이터를 분류시킨다. 여기서, 입력 데이터는 다수의 PDW이다. 예를 들면, 2,000개의 PDW를 들 수 있다. 변환 입력 데이터는 2,000개의 PDW에 대하여 표 3의 특징 벡터를 추출한 후 이와 함께 변조 형태를 삽입한 데이터이다. 요약하자면, 입력 데이터는 2,000개의 PDW이고, 변환 입력 데이터는 9개의 특징 벡터 + 변조 형태값(즉, 0 또는 1)이다. 따라서, 변환 입력 데이터는 10개의 데이터만 존재하게 된다. 부연하면, 하나의 입력 2,000개의 PDW라면, 이를 요약하여 10개(9개 특징벡터와 변조형태값)의 요약 정보로 바뀐 것이 변환 입력 데이터이다.

즉, 총 7개의 SVM 중에서 현재의 훈련 데이터와 동일한 형태를 가지는 SVM에만 스캔 형태값을 1로 입력하고, 나머지는 0으로 입력한다.

SVM 학습 단계(S160)에서는 입력 데이터에 대한 특징벡터와 스캔 형태값으로 이루어진 변환된 변환 입력 데이터를 입력으로 받아 각 SVM을 훈련시킨다. SVM 훈련에서는 실질적으로 변환 입력 데이터만이 사용된다. 또한, SVM 훈련은 변환 입력 데이터의 집합을 입력하여, 해당 스캔 형태를 나타내는 정보에는 1의 변조 형태값을, 아닐때는 0의 변조 형태값을 넣어 SVM을 구성하는 내부 변수들을 자동적으로 설정하게 한다.

잔존 훈련 데이터 확인 단계(S170)에서는 학습을 수행하지 않은 훈련 데이터가 존재하는지를 확인한다. 훈련 종료(S180)에서는 각 스캔 형태별로 훈련된 SVM을 저장하고 종료한다.

도 3은 본 발명의 일실시예에 따른 SVM(Support Vector Machine) 기반 레이더 스캔형태 인식 장치(300)의 블록 구성도이다. 도 3을 참조하면, SVM(Support Vector Machine) 기반 레이더 스캔형태 인식 장치(300)는, 레이더 신호를 수신하는 수신기(310), 이 수신기(310)로부터 수신되는 레이더 신호의 스캔 형태를 분석하여 스캔 형태를 인식하는 신호 처리 유닛(320) 등을 포함하여 구성된다.

신호 처리 유닛(320)은, 각 스캔 형태별로 PA(Pulse Amplitude)와 스캔 형태 코드로 이루어지는 훈련 데이터들을 이용하여 SVM(Support Vector Machine)을 훈련하고 훈련된 SVM들을 생성하는 SVM 훈련 모듈(321), 상기 수신기(310)를 통해 수집되는 레이더 펄스 데이터인 PDW(Pulsee Description Word)에 대하여 샘플링을 수행하여 샘플링 데이터들을 생성하는 샘플링 데이터 생성 모듈(323), 상기 샘플링 데이터들에 대하여 피크들을 추출하고, 상기 피크들에 해당하는 샘플링 데이터들에 대하여 특징벡터들을 추출하는 특징벡터 추출 모듈(325), 상기 특징 벡터들을 상기 훈련된 SVM에 각각 입력하여 SVM별로 분류 결과값들을 확인하고, 상기 분류 결과값들 중 가장 큰 값을 나타내는 훈련된 SVM을 선택하는 SVM 선택 모듈(327), 및 선택된 SVM의 번호에 따라 결과 코드를 생성하고, 생성된 결과 코드를 미리 정의되는 스캔 형태 구분표와 비교하여 스캔형태를 인식하는 스캔 형태 구분 모듈(329) 등을 포함하여 구성된다.

도 1 내지 도 3에 첨부된 블록도의 각 블록과/또는 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다.

이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다.

컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.

또한, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다.

예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.

310: 수신기
320: 신호 처리 유닛
321: SVM(Support Vector Machine) 훈련 모듈
323: 샘플링 데이터 생성 모듈
325: 특징벡터 추출 모듈
327: SVM 선택 모듈
329: 스캔형태 구분 모듈

Claims

(a) 레이더 신호의 각 스캔 형태별로 PA(Pulse Amplitude)와 스캔 형태 코드로 이루어지며 신호 모의 소프트웨어를 통해 생성되는 훈련 데이터들을 이용하여 SVM(Support Vector Machine)을 훈련하고 훈련된 SVM들을 생성하는 단계;
(b) 수신기를 통하여 수집되는 레이더 펄스 데이터인 PDW(Pulsee Description Word)에 대하여 샘플링을 수행하여 샘플링 데이터들을 생성하는 단계;
(c) 상기 샘플링 데이터들에 대하여 피크들을 추출하는 단계;
(d) 상기 피크들에 해당하는 샘플링 데이터들에 대하여 특징벡터들을 추출하는 단계;
(e) 상기 특징 벡터들을 상기 훈련된 SVM에 각각 입력하여 SVM별로 분류 결과값들을 확인하는 단계;
(f) 상기 분류 결과값들 중 가장 큰 값을 나타내는 훈련된 SVM을 선택하는 단계;
(g) 선택된 SVM의 번호에 따라 결과 코드를 생성하는 단계; 및
(h) 생성된 결과 코드를 미리 정의되는 스캔 형태 구분표와 비교하여 스캔형태를 인식하는 단계;
를 포함하는 것을 특징으로 하는 SVM기반 레이더 스캔형태 인식방법.
제 1 항에 있어서,
상기 (a) 단계는,
(a-1) 훈련을 인식해야할 각 스캔 형태별로 SVM을 생성하는 단계;
(a-2) 상기 각 스캔 형태별로 상기 PA(Pulse Amplitude)와 스캔 형태 코드로 이루어지는 훈련 데이터들을 생성하는 단계;
(a-3) 상기 훈련 데이터들에 대하여 피크들을 추출하는 단계;
(a-4) 상기 피크들에 해당하는 훈련 데이터들에 대하여 특징벡터를 추출하는 단계;
(a-5) 상기 SVM에 입력으로 넣을 상기 특징벡터와 스캔 형태값을 갖는 입력 데이터들을 분류하여 변환 입력 데이터들을 생성하는 단계;
(a-6) 상기 변환 입력 데이터들을 입력하여 상기 SVM을 각각 훈련하는 단계; 및
(a-7) 각 스캔 형태별로 훈련된 SVM들을 저장하는 단계;를 포함하는 것을 특징으로 하는 SVM기반 레이더 스캔형태 인식방법.
제 2 항에 있어서,
상기 SVM은 2진 SVM 분류기이고, 상기 스캔형태는 고정(Steady), 원형(Circular), 섹터(Sector), 원추(Conjcal), 라스터(Raster), 헬리컬(Helical), 및 로브스위치(Lobe-Switching) 중 어느 하나인 것을 특징으로 하며,
상기 입력 데이터들의 스캔형태에 해당되는 SVM에 입력시에는 스캔 형태값을 1로, 다른 스캔형태에 해당되는 SVM에 입력시에는 스캔 형태값을 0으로 설정하는 것을 특징으로는 SVM기반 레이더 스캔형태 인식방법.
제 1 항에 있어서,
상기 (c) 단계에서,
상기 샘플링 데이터들에 대한 피크의 추출은 인접한 좌/우 각각 3개의 데이터가 현재의 값보다 작을 경우 피크로 선정되는 것을 특징으로 하는 SVM기반 레이더 스캔형태 인식방법.
제 3 항에 있어서,
상기 분류 결과값들에 대한 확인은 상기 2진 SVM 분류기를 이용하되, 상기 2진 SVM 분류기의 결정 초평면은 수학식
(여기서, w는 가중치 값이며, K는 커널함수, s는 서포트 벡터, b는 바이어스(bias)이다)로 정의되는 것을 특징으로 하는 SVM기반 레이더 스캔형태 인식방법.
수신기;
레이더 신호의 각 스캔 형태별로 PA(Pulse Amplitude)와 스캔 형태 코드로 이루어지며 신호 모의 소프트웨어를 통해 생성되는 훈련 데이터들을 이용하여 SVM(Support Vector Machine)을 훈련하고 훈련된 SVM들을 생성하는 SVM 훈련 모듈;
상기 수신기를 통하여 수집되는 레이더 펄스 데이터인 PDW(Pulsee Description Word)에 대하여 샘플링을 수행하여 샘플링 데이터들을 생성하는 샘플링 데이터 생성 모듈;
상기 샘플링 데이터들에 대하여 피크들을 추출하고, 상기 피크들에 해당하는 샘플링 데이터들에 대하여 특징벡터들을 추출하는 특징벡터 추출 모듈;
상기 특징 벡터들을 상기 훈련된 SVM에 각각 입력하여 SVM별로 분류 결과값들을 확인하고, 상기 분류 결과값들 중 가장 큰 값을 나타내는 훈련된 SVM을 선택하는 SVM 선택 모듈; 및
선택된 SVM의 번호에 따라 결과 코드를 생성하고, 생성된 결과 코드를 미리 정의되는 스캔 형태 구분표와 비교하여 스캔형태를 인식하는 스캔 형태 구분 모듈;
을 포함하는 것을 특징으로 하는 SVM기반 레이더 스캔형태 인식 장치.