KR20200031431A - 능동 펄스 식별 장치 및 방법 - Google Patents
능동 펄스 식별 장치 및 방법 Download PDFInfo
- Publication number
- KR20200031431A KR20200031431A KR1020180110429A KR20180110429A KR20200031431A KR 20200031431 A KR20200031431 A KR 20200031431A KR 1020180110429 A KR1020180110429 A KR 1020180110429A KR 20180110429 A KR20180110429 A KR 20180110429A KR 20200031431 A KR20200031431 A KR 20200031431A
- Authority
- KR
- South Korea
- Prior art keywords
- identification
- active pulse
- factor
- identification factor
- active
- Prior art date
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
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/523—Details of pulse systems
- G01S7/526—Receivers
- G01S7/527—Extracting wanted echo signals
-
- 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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
- G01S15/06—Systems determining the position data of a target
- G01S15/08—Systems for measuring distance only
- G01S15/10—Systems for measuring distance only using transmission of interrupted, pulse-modulated waves
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Radar Systems Or Details Thereof (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
본 발명의 일 실시예에 따른 능동 펄스 식별 장치는, 능동 펄스를 포함하는 수중 신호를 수신하는 수신부; 상기 수신된 수중 신호를 시간-주파수 영역에 대하여 2차원 변환하는 변환부; 학습을 통해 생성된 능동 펄스 식별 알고리즘을 이용하여, 상기 2차원 변환된 수중 신호로부터 미리 정해진 복수의 식별 인자를 추출하는 추출부; 및 상기 추출된 식별 인자를 기초로 상기 수중 신호 내 상기 능동 펄스를 식별하는 식별부를 포함한다.
Description
본 발명은 수신된 수중 신호 중 능동 펄스를 식별하는 능동 펄스 식별 장치 및 방법에 관한 것이다.
소나(SONAR: Sound Navigation and Ranging)는 수중의 표적에서 방사되는 여러 종류의 소음원을 기반으로 탐지하는 방법을 의미한다. 소나는 방사 신호의 생성 여부에 따라 능동 소나와 수동 소나로 구분된다.
능동 소나 시스템은 수중에서 신호, 즉 능동 펄스를 방사한 후 그 반사음을 수신하여 수중 표적을 탐지하는 시스템을 의미한다. 능동 소나 시스템은 센서와 빔형성기 등을 이용하여 음향 신호를 수신한 뒤 해당 신호를 분석하여 수중 표적과의 거리, 도플러 주파수 등을 추정할 수 있다.
능동 소나 시스템 중 양상태 소나(Bistatic SONAR) 시스템은 능동 펄스를 송신하는 송신기와 표적으로부터 반사된 음향 신호를 수신하는 수신부가 서로 공간상 분리되어 운용될 수 있다. 그 결과, 양상태 소나 시스템은 단상태 소나 시스템에 비해 넓은 탐지 영역을 가질 수 있다.
그러나 송신기와 수신기가 동일한 플랫폼에서 운용되지 않기 때문에, 양상태 소나 시스템에서는 송신기에 의한 능동 펄스 송신 정보가 수신기에 공유되어야 한다. 만약, 비협동 운용에 따라 수신기가 송신 정보를 충분히 제공받지 못하는 경우, 소나 시스템의 표적 탐지 성능이 저하될 수 있기 때문이다.
따라서, 양상태 소나 시스템에서는 수신된 수중 신호 중 능동 펄스를 탐지 및 식별하는 과정이 필수적으로 수행될 필요가 있다.
본 발명이 해결하고자 하는 과제는, 학습을 통해 생성된 능동 펄스 식별 알고리즘을 이용하여 2차원 변환된 수신 신호로부터 능동 펄스를 식별하는 능동 펄스 식별 장치 및 방법을 제공하는 것이다.
다만, 본 발명이 해결하고자 하는 과제는 이상에서 언급한 바로 제한되지 않으며, 언급되지는 않았으나 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있는 목적을 포함할 수 있다.
본 발명의 일 실시예에 따른 능동 펄스 식별 장치는, 능동 펄스를 포함하는 수중 신호를 수신하는 수신부; 상기 수신된 수중 신호를 시간-주파수 영역에 대하여 2차원 변환하는 변환부; 학습을 통해 생성된 능동 펄스 식별 알고리즘을 이용하여, 상기 2차원 변환된 수중 신호로부터 미리 정해진 복수의 식별 인자를 추출하는 추출부; 및 상기 추출된 식별 인자를 기초로 상기 수중 신호 내 상기 능동 펄스를 식별하는 식별부를 포함한다.
또한, 상기 복수의 식별 인자는, 상기 능동 펄스의 종류에 대한 제 1 식별 인자, 상기 능동 펄스의 중심 주파수에 대한 제 2 식별 인자, 상기 능동 펄스의 시작 시점에 대한 제 3 식별 인자, 상기 능동 펄스의 종료 시점에 대한 제 4 식별 인자, 상기 능동 펄스의 최저 주파수에 대한 제 5 식별 인자, 및 상기 능동 펄스의 최고 주파수에 대한 제 6 식별 인자 중 적어도 하나를 포함할 수 있다.
또한, 상기 추출부는, 상기 제 1 식별 인자에 따라 상기 능동 펄스가 협대역(Narrow Band)를 가지는 것으로 결정되면, 상기 2차원 변환된 수중 신호로부터 상기 제 2 식별 인자, 상기 제 3 식별 인자, 및 상기 제 4 식별 인자를 추출하고, 상기 제 1 식별 인자에 따라 상기 능동 펄스가 광대역(Wide Band)를 가지는 것으로 결정되면, 상기 2차원 변환된 수중 신호로부터 상기 제 3 식별 인자, 상기 제 4 식별 인자, 상기 제 5 식별 인자 및 상기 제 6 식별 인자를 추출할 수 있다.
또한, 상기 추출부는, 상기 복수의 식별 인자 각각에 대응되는 복수의 후보 상태 별 확률 값을 산출하고, 가장 높은 확률 값을 가지는 후보 상태를 상기 식별 인자로서 추출할 수 있다.
또한, 상기 수신된 수중 신호 중 상기 능동 펄스를 포함하는 관심 구간을 탐지하여 상기 변환부에 제공하는 탐지부를 더 포함하고, 상기 변환부는, 상기 수신된 수중 신호 중 상기 탐지된 관심 구간을 시간-주파수 영역에 대하여 2차원 변환할 수 있다.
또한, 상기 능동 펄스 식별 알고리즘은, 복수의 2차원 학습 데이터 및 상기 복수의 2차원 학습 데이터 각각에 포함된 능동 펄스에 대한 상기 복수의 식별 인자를 학습하여 생성될 수 있다.
본 발명의 일 실시예에 따른 능동 펄스 식별 방법은, 능동 펄스를 포함하는 수중 신호를 수신하는 단계; 상기 수신된 수중 신호를 시간-주파수 영역에 대하여 2차원 변환하는 단계; 학습을 통해 생성된 능동 펄스 식별 알고리즘을 이용하여, 상기 2차원 변환된 수중 신호로부터 미리 정해진 복수의 식별 인자를 추출하는 단계; 및 상기 추출된 식별 인자를 기초로 상기 수중 신호 내 상기 능동 펄스를 식별하는 단계를 포함한다.
또한, 상기 복수의 식별 인자는, 상기 능동 펄스의 종류에 대한 제 1 식별 인자, 상기 능동 펄스의 중심 주파수에 대한 제 2 식별 인자, 상기 능동 펄스의 시작 시점에 대한 제 3 식별 인자, 상기 능동 펄스의 종료 시점에 대한 제 4 식별 인자, 상기 능동 펄스의 최저 주파수에 대한 제 5 식별 인자, 및 상기 능동 펄스의 최고 주파수에 대한 제 6 식별 인자 중 적어도 하나를 포함할 수 있다.
또한, 상기 복수의 식별 인자를 추출하는 단계는, 상기 능동 펄스 식별 알고리즘을 이용하여 상기 2차원 변환된 수중 신호로부터 상기 제 1 식별 인자를 추출하는 단계; 상기 제 1 식별 인자에 따라 상기 능동 펄스가 협대역(Narrow Band)를 가지는 것으로 결정되면, 상기 2차원 변환된 수중 신호로부터 상기 제 2 식별 인자, 상기 제 3 식별 인자, 및 상기 제 4 식별 인자를 추출하는 단계; 및 상기 제 1 식별 인자에 따라 상기 능동 펄스가 광대역(Wide Band)를 가지는 것으로 결정되면, 상기 2차원 변환된 수중 신호로부터 상기 제 3 식별 인자, 상기 제 4 식별 인자, 상기 제 5 식별 인자 및 상기 제 6 식별 인자를 추출하는 단계를 포함할 수 있다.
또한, 상기 복수의 식별 인자를 추출하는 단계는, 상기 복수의 식별 인자 각각에 대응되는 복수의 후보 상태 별 확률 값을 산출하는 단계; 및 상기 산출된 확률 값 중 가장 높은 확률 값을 가지는 후보 상태를 상기 식별 인자로서 추출하는 단계를 포함할 수 있다.
또한, 상기 수신된 수중 신호 중 상기 능동 펄스를 포함하는 관심 구간을 탐지하는 단계를 더 포함하고, 상기 2차원 변환하는 단계는, 상기 수신된 수중 신호 중 상기 탐지된 관심 구간을 시간-주파수 영역에 대하여 2차원 변환할 수 있다.
또한, 상기 능동 펄스 식별 알고리즘은, 복수의 2차원 학습 데이터 및 상기 복수의 2차원 학습 데이터 각각에 포함된 능동 펄스에 대한 상기 복수의 식별 인자를 학습하여 생성될 수 있다.
본 발명의 일 실시예에 따른 컴퓨터 프로그램을 저장하는 컴퓨터 판독가능한 기록매체는, 능동 펄스를 포함하는 수중 신호를 수신하는 단계; 상기 수신된 수중 신호를 시간-주파수 영역에 대하여 2차원 변환하는 단계; 학습을 통해 생성된 능동 펄스 식별 알고리즘을 이용하여, 상기 2차원 변환된 수중 신호로부터 미리 정해진 복수의 식별 인자를 추출하는 단계; 및 상기 추출된 식별 인자를 기초로 상기 수중 신호 내 상기 능동 펄스를 식별하는 단계를 포함하는 능동 펄스 식별 방법을 수행하도록 프로그램 된다.
본 발명의 실시예에 의하면, 다수의 학습 데이터의 학습을 통해 생성된 능동 펄스 식별 알고리즘을 이용하므로, 해상 환경 변화에 견실하게 능동 펄스의 식별 인자를 추출할 수 있고, 이를 기초로 정확하게 능동 펄스를 식별할 수 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 능동 펄스 식별 장치의 기능 블록도이다.
도 2는 본 발명의 일 실시예에 따른 능동 펄스 식별 알고리즘의 구조를 개략적으로 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 능동 펄스 식별 알고리즘의 출력 레이어를 예시한 도면이다.
도 4는 도 2의 능동 펄스 식별 알고리즘 생성을 위한 학습 방법의 일 실시예를 나타낸 도면이다.
도 5는 도 2 의 능동 펄스 식별 알고리즘 생성을 위한 학습 방법의 다른 실시예를 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 능동 펄스 식별 방법의 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 능동 펄스 식별 알고리즘의 구조를 개략적으로 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 능동 펄스 식별 알고리즘의 출력 레이어를 예시한 도면이다.
도 4는 도 2의 능동 펄스 식별 알고리즘 생성을 위한 학습 방법의 일 실시예를 나타낸 도면이다.
도 5는 도 2 의 능동 펄스 식별 알고리즘 생성을 위한 학습 방법의 다른 실시예를 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 능동 펄스 식별 방법의 흐름도이다.
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 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 발명의 범주는 청구항에 의해 정의될 뿐이다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명은 본 발명의 실시예들을 설명함에 있어 실제로 필요한 경우 외에는 생략될 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 사용되는 '…부', '…기' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어, 또는, 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도 1은 본 발명의 일 실시예에 따른 능동 펄스 식별 장치의 기능 블록도이다.
본 발명의 능동 펄스 식별 장치(100)는 능동 소나 시스템의 일 구성으로 마련되거나, 능동 소나 시스템과 독립하여 마련되어, 능동 소나 시스템에 의해 수중으로 방사된 신호인 능동 펄스에 대응되는 수중 신호를 수신하고, 수신된 수중 신호 내 능동 펄스를 식별하는 장치를 의미할 수 있다.
수중 신호 내 능동 펄스를 식별하기 위해, 수신된 수중 신호를 시간-주파수 영역에 대하여 2차원 변환한 후, 그 결과를 운용자(Operator)가 직접 확인함으로써 능동 펄스를 식별할 수도 있다. 그러나, 실시간으로 운용되는 소나 시스템의 경우 운용자가 매 시점 마다 육안으로 능동 펄스를 식별하는 것은 현실적으로 어려울 수 있다.
다른 방법으로는 공지된 에너지 탐지 알고리즘, 주파수 스펙트럼 분석 알고리즘 등을 이용하여 수중 신호 내 능동 펄스를 자동으로 식별하는 방법이 있다. 그러나, 자동으로 능동 펄스를 식별하기 위해서는 상술한 알고리즘의 우수한 성능을 보장하기 위해 최적의 파라미터를 튜닝(Tunning)할 필요가 있다. 만약 해상 환경 및 운용 상황이 가변적인 경우, 이에 대응하여 최적의 파라미터 또한 변화할 수 있고, 이는 소나 시스템의 견실함(Robustness)를 감소시킬 수 있다.
이를 해결하기 위해, 본 발명의 일 실시예에 따른 능동 펄스 식별 장치(100)는 주변 환경에 강건하도록 학습을 통해 생성된 능동 펄스 식별 알고리즘을 이용하여 자동으로 능동 펄스를 식별할 수 있다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 능동 펄스 식별 장치(100)는, 능동 펄스 식별 알고리즘이 저장되는 저장부(110); 수중 신호를 수신하는 수신부(120); 수중 신호를 2차원 변환하는 변환부(130); 능동 펄스 식별 알고리즘을 이용하여 2차원 변환된 수중 신호로부터 복수의 식별 인자를 추출하는 추출부(140); 및 추출된 식별 인자를 기초로 수중 신호 내 능동 펄스를 식별하는 식별부(150)를 포함할 수 있다.
저장부(110)에는 학습 데이터에 의해 생성된 능동 펄스 식별 알고리즘이 저장될 수 있다. 능동 펄스 식별 알고리즘은 능동 펄스 식별 장치(100)의 내부 연산에 의해 생성되거나, 클라우드와 같은 외부 장치로부터 수신되어 저장부(110)에 저장될 수 있다.
이하에서는 도 2 내지 도 5를 참조하여 능동 펄스 식별 알고리즘의 생성 방법에 대하여 설명한다.
도 2는 본 발명의 일 실시예에 따른 능동 펄스 식별 알고리즘의 구조를 개략적으로 도시한 도면이고, 도 3은 본 발명의 일 실시예에 따른 능동 펄스 식별 알고리즘의 출력 레이어를 예시한 도면이고, 도 4는 도 2의 능동 펄스 식별 알고리즘 생성을 위한 학습 방법의 일 실시예를 나타낸 도면이며, 도 5는 도 2 의 능동 펄스 식별 알고리즘 생성을 위한 학습 방법의 다른 실시예를 나타낸 도면이다.
본 발명의 일 실시예에 따른 능동 펄스 식별 알고리즘은 합성곱 신경망(CNN: Convolution Neural Network)에 기초한 딥 러닝(Deep Learning) 구조에 따라 구현될 수 있다. 여기서, 합성곱 신경망이란 영상처리를 위해 고안된 특수한 연결구조를 가진 다층 신경망을 의미한다. 일반적인 다층 신경망에서는 인접한 두 개의 층간의 뉴런들이 모두 연결된 완전 연결 구조를 갖을 수 있다. 이러한 완전 연결 구조를 이용하면 이론적으로 입력 영상에 있는 위상학적 구조를 찾을 수는 있으나, 현실적으로는 입력 영상이 다차원으로 이루어져 있기 때문에 문제 복잡도가 크게 증가할 수 있다. 이를 해결하기 위해. 합성곱 신경망은 복수의 컨볼루션 층(Convolution Layer)과 서브 샘플링 층(Subsampling Layer)으로 구성될 수 있다.
도 2를 참조하면, 일 실시예에 따른 능동 펄스 식별 알고리즘은 두 개의 컨볼루션 층 C1, C3와 두 개의 서브 샘플링 층 S1, S4로 구성되는 합성곱 신경망을 의미할 수 있다. 제 1 층 C1은 컨볼루션 층으로, 2차원 입력 영상 I에 대하여 다양한 컨볼루션 커널(Convolution Kunnel)을 적용하여 복수의 특징맵(Feature Map)을 생성할 수 있다. 이처럼, 컨볼루션은 고차원의 입력 영상에 대해서 특징을 추출하는 일종의 템플릿과 같은 역할을 수행한다.
제 2 층 S2는 서브 샘플링 층으로, 특징맵의 차원을 축소하는 뉴런층으로서, 제 1 층 C1에 의해 생성된 복수의 특징맵 각각에 대한 공간적 해상도를 낮출 수 있다. 이와 같은 과정을 통해, 능동 펄스 식별 알고리즘은 문제의 복잡도를 줄일 수 있다.
특징맵에 대한 서브 샘플링이 수행된 후, 상술한 컨볼루션 및 서브 샘플링이 컨볼루션 층인 제 3 층 C3 및 서브 샘플링 층인 제 4 층 S4 에 의해 반복 수행될 수 있다. 도 2에서는 층이 4개로 구성되는 합성곱 신경망을 예시하였으나, 합성곱 신경망의 층의 개수는 이에 제한되지 않는다.
제 4층 S4에 의해 서브 샘플링이 수행된 복수의 특징맵은 최종적으로 출력층 O와의 관계에서 완전 연결 네트워크(Fully Connected Network) N을 형성할 수 있다. 이와 같은 완전 연결 네트워크 N은 딥러닝과 같은 기계학습을 통해 생성될 수 있다. 예를 들어, 완전 연결 네트워크 N는 복수의 학습 데이터를 지도 학습(Supervised Learning)을 통해 학습한 결과로서 생성될 수 있다. 지도 학습이란 입력과 이에 대응되는 레이블로 구성되는 학습 데이터를 학습하는 기계 학습 방법을 의미하며, 레이블(Label)은 학습 데이터 중 입력에 대한 정답을 의미할 수 있다.
지도 학습 방법을 따르는 경우, 입력은 능동 펄스를 포함하는 수중 신호를 시간-주파수 영역에 대하여 2차원 변환하여 생성된 영상인 학습 데이터이고, 레이블은 각각은 학습 데이터 상의 능동 펄스의 식별 인자로 설정될 수 있다. 입력과 레이블이 설정되면, 입력으로 설정된 수중 신호의 시간-주파수 영역에 대한 2차원 변환 영상과 수중 신호 내 능동 펄스의 식별 인자 간의 관계가 학습됨으로써 능동 펄스 식별 알고리즘의 완전 연결 네트워크 N이 생성될 수 있다.
이와는 달리, 수중 신호의 시간-주파수 영역에 대한 2차원 변환 영상에 능동 펄스의 식별 인자가 레이블 된 일부 학습 데이터와 레이블 되지 않은 수중 신호의 시간-주파수 영역에 대한 2차원 변환 영상으로 이루어진 나머지 학습 데이터를 함께 이용하여 학습하는 반지도 학습(Semisupervised Learning)에 따라, 능동 펄스 식별 알고리즘의 완전 연결 네트워크 N이 생성될 수 있다.
또는, 학습에 따른 능동 펄스의 식별 인자를 판단한 결과가 올바른지에 대한 피드백을 이용하는 강화 학습(Reinforcement Learning)을 통하여, 능동 펄스 식별 알고리즘의 완전 연결 네트워크 N이 생성될 수도 있다.
출력층 O는 전체 합성곱 신경망의 마지막 노드에 해당하며, 각각의 노드는 상술한 복수의 레이블 각각에 대응될 수 있다. 따라서, 출력층 O는 능동 펄스의 식별 인자를 구성하는 복수의 후보 상태 각각에 대응될 수 있다. 출력층 O는 출력으로 후보 상태의 수만큼의 실수 값을 출력하며, 실수 값은 해당 후보 상태일 확률, 예를 들어 0 에서 1사이의 값일 수 있다. 이 때, 전체 실수 값의 합은 1일 수 있다.
만약 능동 펄스의 식별 인자가 복수인 경우, 출력층 O는 복수의 식별 인자 각각에 대응되는 복수의 파트(Part)로 분할될 수 있다. 도 3을 참조하면, 일 실시예에 따른 출력층 O는 6개의 파트로 분할되어 구성될 수 있다. 예를 들어, 제 1 파트 P1은 식별 인자 중 능동 펄스의 종류에 대응되고, 제 2 파트 P2는 식별 인자 중 능동 펄스의 중심 주파수에 대응되고, 제 3 파트 P3는 식별 인자 중 능동 펄스의 시작 시점에 대응되고, 제 4 파트 P4는 식별 인자 중 능동 펄스의 종료 시점에 대응되고, 제 5 파트 P5는 식별 인자 중 능동 펄스의 최저 주파수에 대응되고, 제 6 파트 P6은 식별 인자 중 능동 펄스의 최고 주파수에 대응될 수 있다.
제 1 파트 P1은 능동 펄스의 종류에 대한 것으로, 후보 상태로는 협대역(Narrow Band)를 가지는 CW(Continuous Wave) 신호, 광대역(Wide Band)를 가지는 LFM(Linear Frequency Modulation) 신호 등을 포함할 수 있다. 이 경우, 제 1 파트 P1은 입력된 시간-주파수 영역에 대한 2차원 변환 영상내 능동 펄스가 각각의 후보 상태일 확률, 예를 들어 CW 신호일 확률, LFM 신호일 확률 등을 각각 출력할 수 있다.
제 2 파트 P2는 시간-주파수 영역에 대한 2차원 변환 영상 내 능동 펄스의 중심 주파수 위치에 대한 것으로, 후보 상태는 주파수 축 상에서 미리 정해진 간격만큼 이격된 각각의 위치를 포함할 수 있다.
제 3 파트 P3는 시간-주파수 영역에 대한 2차원 변환 영상 내 능동 펄스의 시작 시점 위치에 대한 것으로, 후보 상태는 시간 축 상에서 미리 정해진 간격만큼 이격된 각각의 위치를 포함할 수 있다.
제 4 파트 P4는 시간-주파수 영역에 대한 2차원 변환 영상 내 능동 펄스의 종료 시점 위치에 대한 것으로, 후보 상태는 시간 축 상에서 미리 정해진 간격만큼 이격된 각각의 위치를 포함할 수 있다.
제 5 파트 P5는 시간-주파수 영역에 대한 2차원 변환 영상 내 능동 펄스의 최저 주파수 위치에 대한 것으로, 후보 상태는 주파수 축 상에서 미리 정해진 간격만큼 이격된 각각의 위치를 포함할 수 있다.
제 6 파트 P6는 시간-주파수 영역에 대한 2차원 변환 영상 내 능동 펄스의 최고 주파수 위치에 대한 것으로, 후보 상태는 주파수 축 상에서 미리 정해진 간격만큼 이격된 각각의 위치를 포함할 수 있다.
입력으로서 시간-주파수 영역에 대한 2차원 변환 영상이 입력되고, 해당 영상 내 능동 펄스의 복수의 식별 인자 각각이 레이블되면, 시간-주파수 영역에 대한 2차원 변환 영상과 영상 내 능동 펄스의 복수의 식별 인자 각각의 관계가 학습됨으로써 능동 펄스 식별 알고리즘이 생성될 수 있다.
이 때, 능동 펄스 식별 알고리즘 생성을 위해, 식별 인자 전체에 대한 학습이 진행될 수 있다. 이와는 달리, 능동 펄스의 종류에 따라 학습이 진행되는 식별 인자가 달라질 수도 있다.
도 4는 협대역의 능동 펄스를 포함하는 학습 데이터를 학습하는 경우를 예시한다. 협대역의 능동 펄스의 경우 제 2 파트, 제 3 파트 및 제 4 파트에 대응되는 식별 인자에 대한 학습이 진행될 수 있다. 도 4를 참조하면, 입력되는 학습 데이터는 시간-주파수 영역에 대한 2차원 변환 영상을 포함하고, 제 2 파트 P2에서 학습 데이터 내 능동 펄스의 중심 주파수 위치에 확률 1이 설정되고, 제 3 파트 P3에서 학습 데이터 내 능동 펄스의 시작 시점 위치에 확률 1이 설정되고, 제 4 파트 P4에서 학습 데이터 내 능동 펄스의 종료 시점 위치에 확률 1이 설정될 수 있다. 그 결과, 능동 펄스 식별 알고리즘은 협대역의 능동 펄스에 대하여 제 2 파트, 제 3 파트, 및 제 4 파트에 대응되는 식별 인자를 추출하도록 생성될 수 있다.
반면, 도 5는 광대역의 능동 펄스를 포함하는 학습 데이터를 학습하는 경우를 예시한다. 광대역의 능동 펄스의 경우 제 3 파트, 제 4 파트, 제 5 파트 및 제 6 파트에 대응되는 식별 인자에 대한 학습이 진행될 수 있다. 도 5를 참조하면, 입력되는 학습 데이터는 시간-주파수 영역에 대한 2차원 변환 영상을 포함하고, 제 3 파트 P3에서 학습 데이터 내 능동 펄스의 시작 시점 위치에 확률 1이 설정되고, 제 4 파트 P4에서 학습 데이터 내 능동 펄스의 종료 시점 위치에 확률 1이 설정되고, 제 5 파트 P5에서 학습 데이터 내 능동 펄스의 최저 주파수 위치에 확률 1이 설정되고, 제 6 파트 P6에서 학습 데이터 내 능동 펄스의 최고 주파수 위치에 확률 1이 설정되고 될 수 있다. 그 결과, 능동 펄스 식별 알고리즘은 협대역의 능동 펄스에 대하여 제 3 파트, 제 4 파트, 제 5 파트 및 제 6 파트에 대응되는 식별 인자를 추출하도록 생성될 수 있다.
다시 도 1을 참조하면, 저장부(110)는 메모리 타입(Flash Memory Type), 하드디스크 타입(Hard Disk Type), 멀티미디어 카드 마이크로 타입(Multimedia Card Micro Type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM: Random Access Memory), SRAM(Static Random Access Memory), 롬(ROM: Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 통해 구현될 수 있다.
수신부(120)는 능동 펄스를 포하하는 수중 신호를 수신할 수 있다. 여기서, 능동 펄스는 능동 소나 시스템이 수중 표적을 향해 직접 방사한 신호이거나, 수중 표적에 의해 직접 방사된 신호를 의미할 수 있다.
이 때, 능동 펄스는 협대역(Narrow Band)를 가지는 CW(Continuous Wave) 신호, 광대역(Wide Band)를 가지는 LFM(Linear Frequency Modulation) 신호 등을 포함할 수 있다.
변환부(130)는 수신부(120)에 의해 수신된 수중 신호를 시간-주파수 영역에 대하여 2차원 변환할 수 있다. 일 실시예에 따른 변환부(130)는 수중 신호를 고속 푸리에 변환하여 스펙트로그램(Spectrogram)을 획득함으로써, 수중 신호를 시간-주파수 영역에 대하여 2차원 변환할 수 있다. 또한, 다른 실시예에 따른 변환부(130)는 수중 신호에 웨이블렛 변환(Wavelet Transform)을 적용하여 스케일로그램(Scalogram)을 획득함으로써, 수중 신호를 시간-주파수 영역에 대하여 2차원 변환할 수 있다. 또 다른 실시예에 따른 변환부(130)는 수중 신호의 자기 상관(Auto Correlation)을 푸리에 변환하는 위그너-빌 분포(Wigner-Ville Distribution)을 이용함으로써, 수중 신호를 시간-주파수 영역에 대하여 2차원 변환할 수 있다. 또 다른 실시예에 따른 변환부(130)는 자기 회귀 모델링(Auto Regressive Modeling) 기법에 따라 수중 신호를 시간-주파수 영역에 대하여 2차원 변환할 수도 있다. 이와 같은 방법에 따라 변환된 수중 신호는 2차원 영상, 구체적으로 시간-주파수 영역에 대한 2차원 변환 영상일 수 있다.
추출부(140)는 능동 펄스 식별 알고리즘을 이용하여 2차원 변환된 수중 신호로부터 미리 정해진 복수의 식별 인자를 추출할 수 있다. 이를 위해, 추출부(140)는 저장부(110)에 미리 저장된 능동 펄스 식별 알고리즘을 불러오거나, 클라우드와 같은 외부 장치로부터 능동 펄스 식별 알고리즘을 전달받아 이용할 수 있다.
추출부(140)는 능동 펄스 식별 알고리즘에 시간-주파수 영역에 대한 2차원 변환 영상을 입력하고, 능동 펄스 식별 알고리즘의 출력인 능동 펄스의 식별 인자를 획득할 수 있다. 이렇게 획득되는 식별 인자는 입력된 2차원 변환 영상 내 능동 펄스의 종류, 중심 주파수, 시작 시점, 종료 시점, 최저 주파수 및 최고 주파수 중 적어도 하나를 포함할 수 있다.
식별부(150)는 추출된 식별 인자를 기초로 수중 신호 내 능동 펄스를 식별할 수 있다. 식별부(150)는 추출된 식별 인자를 최초 입력된 시간-주파수 영역에 대한 2차원 변환 영상의 스케일을 고려하여 변환하고, 변환된 식별 인자에 기초하여 능동 펄스를 식별할 수 있다.
도 1에서는 수신부(120)에 의해 수신된 수중 신호가 변환부(130)에 직접 전달되는 경우를 예시하였다. 이와는 달리, 수신부(120)에 의해 수신된 수중 신호 중 탐지된 관심 구간이 변환부(130)에 제공되는 것도 가능할 수 있다.
이를 위해, 다른 실시예에 따른 능동 펄스 식별 장치(100)는 수신된 수중 신호 중 능동 펄스를 포함하는 관심 구간을 탐지하여 변환부(130)에 제공하는 탐지부를 더 포함할 수 있다. 탐지부는 에너지 탐지 알고리즘, 주파수 스펙트럼 분석 알고리즘 등을 이용하여 수중 신호 내 능동 펄스를 탐지하고, 식별된 능동 펄스를 포함하는 관심 구간을 설정할 수 있다. 그 다음, 탐지부는 이를 변환부(130)에 제공하고, 변환부(130)는 수중 신호 중 관심 구간을 시간-주파수 영역에 대하여 2차원 변환할 수 있다. 이 경우, 관심 구간에 대하여만 능동 펄스 식별이 이루어지므로 연산 속도가 빨라지고, 서로 다른 알고리즘을 통해 복수 회 능동 펄스를 식별함으로써 식별의 정확도를 높일 수 있다.
상술한 능동 펄스 식별 장치(100)의 각 구성은 마이크로프로세서(Microprocessor)를 포함하는 연산 장치로 구현될 수 있고, 예를 들어 중앙 처리 장치(Central Processing Unit, CPU) 및 그래픽 처리 장치(Graphic Processing Unit, GPU) 중 적어도 하나로 구현될 수 있다. 이와는 달리, 능동 펄스 식별 장치(100)의 각 구성 중 적어도 두 개가 SOC(System On Chip)으로 구현되는 것도 가능할 수 있다.
지금까지는 능동 펄스 식별 장치(100)의 각 구성에 대하여 설명하였다. 이하에서는 상술한 능동 펄스 식별 장치(100)에서 수행되는 능동 펄스 식별 방법을 설명한다.
도 6은 본 발명의 일 실시예에 따른 능동 펄스 식별 방법의 흐름도이다.
먼저, 능동 펄스 식별 장치(100)는 능동 펄스를 포함하는 수중 신호를 수신할 수 있다(S100). 그 다음, 능동 펄스 식별 장치(100)는 수중 신호를 시간-주파수 영역에 대하여 2차원 변환할 수 있다(S110). 변환된 수중 신호는 시간-주파수 영역에 대한 2차원 변환 영상일 수 있다.
수중 신호를 2차원 변환한 후, 능동 펄스 식별 장치(100)는 능동 펄스 식별 알고리즘을 이용하여 2차원 변환된 수중 신호로부터 미리 정해진 복수의 식별 인자를 추출할 수 있다. 상술한 바와 같이, 식별 인자가 능동 펄스의 종류, 중심 주파수, 시작 시점, 종료 시점, 최저 주파수, 및 최고 주파수로 구성되는 경우, 능동 펄스 식별 장치(100)는 2차원 변환 영상을 능동 펄스 식별 알고리즘에 입력하고, 입력된 2차원 변환 영상 내 능동 펄스에 대한 각각의 식별 인자를 추출할 수 있다.
구체적으로, 능동 펄스 식별 알고리즘은 각각의 식별 인자 별 복수의 후보 상태에 대한 확률 값을 출력하므로, 능동 펄스 식별 장치(100)는 복수의 후보 상태 중 가장 높은 확률 값을 가지는 후보 상태를 식별 인자로서 추출할 수 있다.
이 때, 일 실시예에 따른 능동 펄스 식별 장치(100)는 입력된 2차원 변환 영상 내 능동 펄스에 대한 모든 식별 인자를 추출할 수 있다. 이와는 달리, 다른 실시예에 따른 능동 펄스 식별 장치(100)는 입력된 2차원 변환 영상 내 능동 펄스에 대응되는 식별 인자만을 추출할 수도 있다.
예를 들어, 능동 펄스 식별 장치(100)는 능동 펄스 식별 알고리즘을 이용하여 입력된 2차원 변환 영상 내 능동 펄스의 식별 인자로서 능동 펄스의 종류를 추출할 수 있다. 만약 추출된 식별 인자에 의해 능동 펄스가 CW 신호와 같이 협대역을 가지는 경우, 능동 펄스 식별 장치(100)는 입력된 2차원 변환 영상 내 능동 펄스의 식별 인자로서 중심 주파수, 시작 시점, 및 종료 시점을 추출할 수 있다. 반면, 추출된 식별 인자에 의해 능동 펄스가 LFM 신호와 같이 광대역을 가지는 경우, 능동 펄스 식별 장치(100)는 입력된 2차원 변환 영상 내 능동 펄스의 식별 인자로서 시작 시점, 종료 시점, 최저 주파수 및 최고 주파수를 추출할 수 있다
마지막으로, 능동 펄스 식별 장치(100)는 추출된 식별 인자를 기초로 수중 신호 내 능동 펄스를 식별 할 수 있다(S130). 구체적으로, 능동 펄스 식별 장치(100)는 추출된 식별 인자를 최초 입력된 시간-주파수 영역에 대한 2차원 변환 영상의 스케일을 고려하여 변환하고, 변환된 식별 인자에 기초하여 능동 펄스를 식별할 수 있다.
상술한 실시예에 따른 능동 펄스 식별 장치 및 방법은, 다수의 학습 데이터의 학습을 통해 생성된 능동 펄스 식별 알고리즘을 이용하므로, 해상 환경 변화에 견실하게 능동 펄스의 식별 인자를 추출할 수 있고, 이를 기초로 정확하게 능동 펄스를 식별할 수 있다.
개시된 블록도의 각 블록과 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.
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 명세서에 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: 능동 펄스 식별 장치
110: 저장부
120: 수신부
130: 변환부
140: 추출부
150: 식별부
110: 저장부
120: 수신부
130: 변환부
140: 추출부
150: 식별부
Claims (13)
- 능동 펄스를 포함하는 수중 신호를 수신하는 수신부;
상기 수신된 수중 신호를 시간-주파수 영역에 대하여 2차원 변환하는 변환부;
학습을 통해 생성된 능동 펄스 식별 알고리즘을 이용하여, 상기 2차원 변환된 수중 신호로부터 미리 정해진 복수의 식별 인자를 추출하는 추출부; 및
상기 추출된 식별 인자를 기초로 상기 수중 신호 내 상기 능동 펄스를 식별하는 식별부를 포함하는
능동 펄스 식별 장치. - 제 1 항에 있어서,
상기 복수의 식별 인자는,
상기 능동 펄스의 종류에 대한 제 1 식별 인자, 상기 능동 펄스의 중심 주파수에 대한 제 2 식별 인자, 상기 능동 펄스의 시작 시점에 대한 제 3 식별 인자, 상기 능동 펄스의 종료 시점에 대한 제 4 식별 인자, 상기 능동 펄스의 최저 주파수에 대한 제 5 식별 인자, 및 상기 능동 펄스의 최고 주파수에 대한 제 6 식별 인자 중 적어도 하나를 포함하는
능동 펄스 식별 장치. - 제 2 항에 있어서,
상기 추출부는,
상기 제 1 식별 인자에 따라 상기 능동 펄스가 협대역(Narrow Band)를 가지는 것으로 결정되면, 상기 2차원 변환된 수중 신호로부터 상기 제 2 식별 인자, 상기 제 3 식별 인자, 및 상기 제 4 식별 인자를 추출하고,
상기 제 1 식별 인자에 따라 상기 능동 펄스가 광대역(Wide Band)를 가지는 것으로 결정되면, 상기 2차원 변환된 수중 신호로부터 상기 제 3 식별 인자, 상기 제 4 식별 인자, 상기 제 5 식별 인자 및 상기 제 6 식별 인자를 추출하는
능동 펄스 식별 장치. - 제 1 항에 있어서,
상기 추출부는,
상기 복수의 식별 인자 각각에 대응되는 복수의 후보 상태 별 확률 값을 산출하고, 가장 높은 확률 값을 가지는 후보 상태를 상기 식별 인자로서 추출하는
능동 펄스 식별 장치. - 제 1 항에 있어서,
상기 수신된 수중 신호 중 상기 능동 펄스를 포함하는 관심 구간을 탐지하여 상기 변환부에 제공하는 탐지부를 더 포함하고,
상기 변환부는,
상기 수신된 수중 신호 중 상기 탐지된 관심 구간을 시간-주파수 영역에 대하여 2차원 변환하는
능동 펄스 식별 장치. - 제 1 항에 있어서,
상기 능동 펄스 식별 알고리즘은,
복수의 2차원 학습 데이터 및 상기 복수의 2차원 학습 데이터 각각에 포함된 능동 펄스에 대한 상기 복수의 식별 인자를 학습하여 생성되는
능동 펄스 식별 장치. - 능동 펄스를 포함하는 수중 신호를 수신하는 단계;
상기 수신된 수중 신호를 시간-주파수 영역에 대하여 2차원 변환하는 단계;
학습을 통해 생성된 능동 펄스 식별 알고리즘을 이용하여, 상기 2차원 변환된 수중 신호로부터 미리 정해진 복수의 식별 인자를 추출하는 단계; 및
상기 추출된 식별 인자를 기초로 상기 수중 신호 내 상기 능동 펄스를 식별하는 단계를 포함하는
능동 펄스 식별 방법. - 제 7 항에 있어서,
상기 복수의 식별 인자는,
상기 능동 펄스의 종류에 대한 제 1 식별 인자, 상기 능동 펄스의 중심 주파수에 대한 제 2 식별 인자, 상기 능동 펄스의 시작 시점에 대한 제 3 식별 인자, 상기 능동 펄스의 종료 시점에 대한 제 4 식별 인자, 상기 능동 펄스의 최저 주파수에 대한 제 5 식별 인자, 및 상기 능동 펄스의 최고 주파수에 대한 제 6 식별 인자 중 적어도 하나를 포함하는
능동 펄스 식별 방법. - 제 8 항에 있어서,
상기 복수의 식별 인자를 추출하는 단계는,
상기 능동 펄스 식별 알고리즘을 이용하여 상기 2차원 변환된 수중 신호로부터 상기 제 1 식별 인자를 추출하는 단계;
상기 제 1 식별 인자에 따라 상기 능동 펄스가 협대역(Narrow Band)를 가지는 것으로 결정되면, 상기 2차원 변환된 수중 신호로부터 상기 제 2 식별 인자, 상기 제 3 식별 인자, 및 상기 제 4 식별 인자를 추출하는 단계; 및
상기 제 1 식별 인자에 따라 상기 능동 펄스가 광대역(Wide Band)를 가지는 것으로 결정되면, 상기 2차원 변환된 수중 신호로부터 상기 제 3 식별 인자, 상기 제 4 식별 인자, 상기 제 5 식별 인자 및 상기 제 6 식별 인자를 추출하는 단계를 포함하는
능동 펄스 식별 방법. - 제 7 항에 있어서,
상기 복수의 식별 인자를 추출하는 단계는,
상기 복수의 식별 인자 각각에 대응되는 복수의 후보 상태 별 확률 값을 산출하는 단계; 및
상기 산출된 확률 값 중 가장 높은 확률 값을 가지는 후보 상태를 상기 식별 인자로서 추출하는 단계를 포함하는
능동 펄스 식별 방법. - 제 7 항에 있어서,
상기 수신된 수중 신호 중 상기 능동 펄스를 포함하는 관심 구간을 탐지하는 단계를 더 포함하고,
상기 2차원 변환하는 단계는,
상기 수신된 수중 신호 중 상기 탐지된 관심 구간을 시간-주파수 영역에 대하여 2차원 변환하는
능동 펄스 식별 방법. - 제 7 항에 있어서,
상기 능동 펄스 식별 알고리즘은,
복수의 2차원 학습 데이터 및 상기 복수의 2차원 학습 데이터 각각에 포함된 능동 펄스에 대한 상기 복수의 식별 인자를 학습하여 생성되는
능동 펄스 식별 방법. - 능동 펄스를 포함하는 수중 신호를 수신하는 단계;
상기 수신된 수중 신호를 시간-주파수 영역에 대하여 2차원 변환하는 단계;
학습을 통해 생성된 능동 펄스 식별 알고리즘을 이용하여, 상기 2차원 변환된 수중 신호로부터 미리 정해진 복수의 식별 인자를 추출하는 단계; 및
상기 추출된 식별 인자를 기초로 상기 수중 신호 내 상기 능동 펄스를 식별하는 단계를 포함하는 능동 펄스 식별 방법을 수행하도록 프로그램된
컴퓨터 프로그램을 저장하는 컴퓨터 판독가능한 기록매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180110429A KR102128006B1 (ko) | 2018-09-14 | 2018-09-14 | 능동 펄스 식별 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180110429A KR102128006B1 (ko) | 2018-09-14 | 2018-09-14 | 능동 펄스 식별 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200031431A true KR20200031431A (ko) | 2020-03-24 |
| KR102128006B1 KR102128006B1 (ko) | 2020-06-29 |
Family
ID=70004641
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180110429A KR102128006B1 (ko) | 2018-09-14 | 2018-09-14 | 능동 펄스 식별 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102128006B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230001777A (ko) * | 2021-06-29 | 2023-01-05 | 국방과학연구소 | 신경망 기반의 전자기 펄스 분류 방법 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05333138A (ja) * | 1992-05-27 | 1993-12-17 | Mitsubishi Heavy Ind Ltd | ソナー信号処理装置 |
| KR20150021508A (ko) | 2012-05-04 | 2015-03-02 | 카오닉스 랩스 엘엘씨 | 원신호 분리 시스템 및 방법 |
| JP2017215272A (ja) * | 2016-06-02 | 2017-12-07 | 沖電気工業株式会社 | 情報処理装置、情報処理方法、及びプログラム |
-
2018
- 2018-09-14 KR KR1020180110429A patent/KR102128006B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05333138A (ja) * | 1992-05-27 | 1993-12-17 | Mitsubishi Heavy Ind Ltd | ソナー信号処理装置 |
| KR20150021508A (ko) | 2012-05-04 | 2015-03-02 | 카오닉스 랩스 엘엘씨 | 원신호 분리 시스템 및 방법 |
| JP2017215272A (ja) * | 2016-06-02 | 2017-12-07 | 沖電気工業株式会社 | 情報処理装置、情報処理方法、及びプログラム |
Non-Patent Citations (1)
| Title |
|---|
| 김근환 외 4명, 비협동 양상태 소나 시스템을 위한 펄스식별 자동화 기법 연구. 한국군사과학기술학회지, 제21권 제2호, 2018.4. 158-165 페이지* * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230001777A (ko) * | 2021-06-29 | 2023-01-05 | 국방과학연구소 | 신경망 기반의 전자기 펄스 분류 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102128006B1 (ko) | 2020-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7254823B2 (ja) | 物体の検出および特徴付けのためのニューラルネットワーク | |
| Wheeler et al. | Deep stochastic radar models | |
| US11506776B2 (en) | Method and device with improved radar resolution | |
| US20190033447A1 (en) | Systems and methods for detecting objects in underwater environments | |
| KR20210061597A (ko) | 참조 데이터를 이용한 레이더 데이터 처리 장치 및 방법 | |
| Villar et al. | Evaluation of an efficient approach for target tracking from acoustic imagery for the perception system of an autonomous underwater vehicle | |
| US9235896B2 (en) | Sonar imaging | |
| EP3594719A1 (en) | Environment sensing method and apparatus using a wide-angle distance sensor | |
| EP3794376B1 (en) | Apparatus and method to classify full waveform data from retro-flected signals | |
| US20190187253A1 (en) | Systems and methods for improving lidar output | |
| EP4086817A1 (en) | Training distilled machine learning models using a pre-trained feature extractor | |
| Nuhoglu et al. | Image segmentation for radar signal deinterleaving using deep learning | |
| KR102128006B1 (ko) | 능동 펄스 식별 장치 및 방법 | |
| Jdidi et al. | Unsupervised Disentanglement for PostIdentification of GNSS Interference in the Wild | |
| US20190187251A1 (en) | Systems and methods for improving radar output | |
| Robbiano et al. | Bayesian learning of occupancy grids | |
| Almanza-Medina et al. | Motion estimation of underwater platforms using impulse responses from the seafloor | |
| Yu et al. | Towards autonomous underwater vehicles in the ocean survey: A mission management system (MMS) | |
| US11874407B2 (en) | Technologies for dynamic, real-time, four-dimensional volumetric multi-object underwater scene segmentation | |
| CN116964472A (zh) | 用于借助于雷达传感器系统的反射信号来探测环境的至少一个对象的方法 | |
| Nordenmark et al. | Radar-detection based classification of moving objects using machine learning methods | |
| CN118545095B (zh) | 路径生成方法、系统、电子设备、存储介质及车辆 | |
| US20240185423A1 (en) | System and method of feature detection for airborne bathymetry | |
| Kubicek | Active Sonar Automatic Target Recognition Using Explainable Artificial Intelligence | |
| Singh | Active Simultaneous Localization and Mapping in Perceptually Aliased Underwater Environments |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |