KR20200046815A - Hmm과 신경망을 이용한 레이더 신호 분류 방법 - Google Patents

Abstract

본 발명에 따른 HMM과 신경망을 이용한 레이더 신호 분류 방법이 제공된다. 상기 방법은, 레이더 신호 정보인 RF 데이터와 펄스반복간격(PRI) 데이터를 정규화, 특징점 추출 및 양자화하는 전처리 과정; N1개의 무선 주파수(RF)와 N2개의 펄스반복간격(PRI)의 변화 형태마다 HMM(은닉 마코프 모델, hidden Markov model)을 학습하는 HMM 학습 과정; 및 상기 HMM에 따른 특징값, 상기 RF와 상기 PRI의 최소값 및 최대값을 갖는 완전연결 다층 신경망을 이용하여 M개의 특성에 대한 확률을 연산하는 완전연결 다층 신경망 구성 과정을 포함하고, 지속적으로 변화하는 새로운 형태의 레이더 신호에 대해, HMM과 신경망을 이용한 레이더 신호 분류 방법을 제공할 수 있다.

Description

HMM과 신경망을 이용한 레이더 신호 분류 방법{Radar signal classification method using HMM and neural networks}

본 발명은 레이더 신호 분류 방법에 관한 것이다. 보다 상세하게는, HMM과 신경망을 이용한 레이더 신호 분류 방법에 관한 것이다.

본 발명에서는 레이더 신호 분석을 통해서 추출한 펄스 정보로부터 레이더의 특성에 따라 레이더를 분류하는 분류기에 대한 것이다. 예를 들어, 레이더에 적용하는 재밍기법에 따라 분류할 수도 있고, 다른 기타의 특성에 따라 분류하는 방법에 대한 것이다.

기존의 레이더 신호 분류 방법은, 레이더 신호에서 펄스 정보를 추출한 다음, 그 펄스 정보에 해당하는 레이더를 라이브러리에서 찾아서 레이더의 종류 또는 특성을 식별한다. 여기서 라이브러리는 장기간에 걸쳐 레이더의 신호를 수집하고 분석한 결과를 이용하여 미리 작성해 놓은 것이다.

그러나, 레이더는 지속적으로 변화 및 개선되고 있어서 새로운 형태의 신호나 기존의 라이브러리에 존재하지 않는 레이더 신호에 대해서는 이 방법을 적용하는 경우 적절한 특성으로 분류하는데 제한이 따른다는 문제점이 있다.

따라서, 본 발명의 목적은 상기 서술된 문제를 해결하기 위해 HMM과 신경망을 이용한 레이더 신호 분류 방법을 제공하는 데 그 목적이 있다.

또한, 본 발명의 목적은 지속적으로 변화하는 새로운 형태의 레이더 신호에 대해, HMM과 신경망을 이용한 레이더 신호 분류 방법을 제공하는 데 그 목적이 있다.

상기와 같은 과제를 해결하기 위한 본 발명에 따른 HMM과 신경망을 이용한 레이더 신호 분류 방법이 제공된다. 상기 방법은, 레이더 신호 정보인 RF 데이터와 펄스반복간격(PRI) 데이터를 정규화, 특징점 추출 및 양자화하는 전처리 과정; N1개의 무선 주파수(RF)와 N2개의 펄스반복간격(PRI)의 변화 형태마다 HMM(은닉 마코프 모델, hidden Markov model)을 학습하는 HMM 학습 과정; 및 상기 HMM에 따른 특징값, 상기 RF와 상기 PRI의 최소값 및 최대값을 갖는 완전연결 다층 신경망을 이용하여 M개의 특성에 대한 확률을 연산하는 완전연결 다층 신경망 구성 과정을 포함하고, 지속적으로 변화하는 새로운 형태의 레이더 신호에 대해, HMM과 신경망을 이용한 레이더 신호 분류 방법을 제공할 수 있다.

일 실시 예에서, 상기 전처리 과정은, 상기 RF 데이터와 펄스반복간격(PRI) 데이터 값의 변화 여부는 입력 데이터의 평균(

)과 분산(

)을 이용하여 검출할 수 있다. 이때, 상기 평균(

)과 상기 분산과 연관된 표준편차(

)를 비례 상수 K를 사용하여 비교하여, 상기 RF 데이터와 펄스반복간격(PRI) 데이터 값의 변화 여부를 최종적으로 판단할 수 있다. 구체적으로, 상기 평균(

)과 상기 분산과 연관된 표준편차(

)를 비례 상수 K를 사용하여 비교하여, 상기 RF 데이터와 펄스반복간격(PRI) 데이터 값의 변화 여부를 최종적으로 판단할 수 있다.

일 실시 예에서, 상기 전처리 과정에서, 상기 데이터 값이 변하는 것으로 판단되면, 상기 입력 데이터의 최소값 및 최대값 범위를 0 내지 M으로 변환하는 정규화를 수행할 수 있다. 반면에, 상기 데이터 값이 변하지 않는 것으로 판단되면, 상기 입력 데이터의 최소값 및 상기 최소값의 2배의 범위를 0 내지 M으로 변환하는 정규화를 수행할 수 있다. 한편, 상기 정규화를 수행한 데이터 값에 대해, [정규화된 값, 1차 차분값, 2차 차분값]을 특징벡터로 추출할 수 있다. 또한, 상기 특징벡터를 미리 설정한 개수로 양자화를 수행할 수 있다.

일 실시 예에서, 상기 HMM 학습 과정에서, 상기 RF의 변화 형태의 수가 N1개이고, 상기 PRI의 변화 형태의 수가 N2이면,(N1+N2)개의 상기 상기 HMM의 특징값을 획득할 수 있다.

일 실시 예에서, 상기 완전연결 다층 신경망 구성 과정에서, (N1+N2)개의 상기 HMM의 특징값과 상기 RF의 최소값 및 최대값과 상기 PRI의 최소값 및 최대값을 이용하여 (N1+N2+4)개의 값을 상기 완전연결 다층 신경망에 입력할 수 있다.

일 실시 예에서, 상기 완전연결 다층 신경망 구성 과정에서, 상기 M개의 특성에 대한 확률을 출력값으로 출력하고, 상기 출력값이 가장 큰 특성을 상기 입력 데이터의 특성으로 분류할 수 있다. 이와 관련하여, 상기 출력값이 가장 큰 특성에 따라 분류된 상기 입력 데이터의 특성에 기반하여, 서로 다른 방식의 재밍을 수행할 수 있다.

본 발명의 적어도 일 실시예에 따르면, 지속적으로 변화하는 새로운 형태의 레이더 신호에 대해, HMM과 신경망을 이용한 레이더 신호 분류 방법을 제공할 수 있다는 장점이 있다.

또한, 본 발명의 적어도 일 실시예에 따르면, 기존에 축적되어 있는 정보를 사용하여 기계학습을 적용함으로써, 새로운 형태의 레이더 신호나, 기존의 라이브러리에 존재하지 않는 신호에 대해 높은 정확도로 분류를 수행할 수 있다는 장점이 있다.

도 1은 본 발명에 따른 HMM과 신경망을 이용한 레이더 신호 분류 방법을 수행하는 레이더 신호 분류기의 구조를 나타낸다.
도 2는 본 발명에 따른 HMM과 신경망을 이용한 레이더 신호 분류 방법의 흐름도를 나타낸다.

상술한 본 발명의 특징 및 효과는 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이며, 그에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 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.

제1, 제2등의 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 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 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.

이하의 설명에서 사용되는 구성요소에 대한 접미사 모듈, 블록 및 부는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.

이하, 본 발명의 바람직한 실시 예를 첨부한 도면을 참조하여 당해 분야에 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 설명한다. 하기에서 본 발명의 실시 예를 설명함에 있어, 관련된 공지의 기능 또는 공지의 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.

이하에서는, 본 발명에 따른 HMM과 신경망을 이용한 레이더 신호 분류 방법 및 이를 수행하는 레이더 신호 분류기에 대해 살펴보기로 한다.

도 1은 본 발명에 따른 HMM과 신경망을 이용한 레이더 신호 분류 방법을 수행하는 레이더 신호 분류기의 구조를 나타낸다. 한편, 도 2는 본 발명에 따른 HMM과 신경망을 이용한 레이더 신호 분류 방법의 흐름도를 나타낸다.

도 1을 참조하면, 레이더 신호 분류기(1000)는 전처리기(100), HMM 수행부(200) 및 다층 신경망 기반 확률 연산부(300)를 포함한다.

먼저, 전처리기(100)에서 수행하는 동작에 대해 살펴보면 다음과 같다.

레이더 펄스 정보인 주파수(RF: radio frequency)와 펄스반복간격(PRI: pulse repetition interval) 데이터를 입력으로 받아 먼저 데이터의 값의 변화 여부를 판단한다. 데이터 값의 변화 여부는 다음과 같이 입력 데이터의 평균과 분산을 이용하여 검출한다.

분류하고자 하는 데이터 개수가

인 집합

에 대해 평균과 분산을 아래의 수학식 1 및 2를 이용하여 구한다.

[수학식 1]

[수학식 2]

다음으로, 아래의 수학식 3 및 4와 같이 비례상수

를 사용하여 표준편차와 평균을 비교함으로써 데이터 값의 변화 여부를 판단한다.

[수학식 3]

이면 데이터 값은 변하지 않음

[수학식 4]

이면 데이터 값은 변함

수학식 4에 따라 데이터 값이 변하는 것으로 판단되면, 입력 데이터의 최소값 내지 최대값 범위를 (0 ~ M) (M은 상수)로 변환하는 정규화를 수행한다.

수학식 3에 따라 데이터 값이 변하지 않는 것으로 판단되면, 입력 데이터의 최소값 내지 (2×최소값) 범위를 (0 ~ M)로 변환하는 정규화를 한다.

그 다음 정규화 한 데이터 값에 대해, [본래값, 1차 차분값, 2차 차분값]을 특징벡터로 추출한다.

이러한 데이터의 특징벡터는 연속적인 값을 가지게 되는데, 이것을 미리 설정한 개수로 양자화를 한다.

다음으로, HMM 수행부(200)에서 수행하는 동작에 대해 살펴보면 다음과 같다. 이와 관련하여, 주파수(RF)와 펄스반복간격(PRI)의 변화형태 마다 HMM(은닉 마코프 모델, hidden Markov model)을 학습시킨다. 예를 들어, 주파수의 변화 형태 가짓수가 N1이면, N1개의 HMM이 필요하고, 펄스반복간격의 변화형태 가짓수가 N2개면 N2개의 HMM이 필요하다. 학습데이터 입출력쌍은 (RF 데이터, RF 변화형태 m), (m = 1 ... N1), (PRI 데이터, PRI 변화형태 n), (n = 1 ... N2)가 된다.

다음으로, 다층 신경망 기반 확률 연산부(300)에서 수행하는 동작에 대해 살펴보면 다음과 같다. HMM을 학습시킨 후, (N1+N2)개의 HMM과 RF의 최소값 및 최대값, PRI의 최소값 및 최대값 등 (N1+N2+4)개의 값을 가지는 완전연결 다층 신경망에 입력한다. 한편, 다층신경망의 출력 개수는 분류하고자 하는 특성의 개수이다.

전체 분류기에서 분류를 수행할 때 출력값은 해당 특성의 확률로 나타난다. 출력이 가장 큰 특성을 입력 데이터의 특성으로 분류하면 된다.

이상에서는 본 발명에 따른 HMM과 신경망을 이용한 레이더 신호 분류 방법을 수행하는 레이더 신호 분류기에 대해 살펴보았다. 이하에서는, 본 발명에 따른 HMM과 신경망을 이용한 레이더 신호 분류 방법에 대해 살펴보기로 한다.

도 2를 참조하면, HMM과 신경망을 이용한 레이더 신호 분류 방법은 전처리 과정(S110), HMM 학습 과정(S120) 및 완전연결 다층 신경망 구성 과정(S130)을 포함한다.

전처리 과정(S110)에서, 레이더 신호 정보인 RF 데이터와 펄스반복간격(PRI) 데이터를 정규화, 특징점 추출 및 양자화한다. 구체적으로, 전처리 과정(S110)에서, 상기 RF 데이터와 펄스반복간격(PRI) 데이터 값의 변화 여부는 입력 데이터의 평균(

)과 분산(

)을 이용하여 검출할 수 있다. 다음으로, 상기 평균(

)과 상기 분산과 연관된 표준편차(

)를 비례 상수 K를 사용하여 비교하여, 상기 RF 데이터와 펄스반복간격(PRI) 데이터 값의 변화 여부를 최종적으로 판단할 수 있다. 이와 관련하여, 전술한 바와 같이,

이면 상기 데이터 값이 변하지 않은 것으로 판단할 수 있다. 반면에,

이면 상기 데이터 값이 변하는 것으로 판단할 수 있다.

또한, 전처리 과정(S110)에서, 다음과 같이 정규화 수행, 특징벡터 추출 및 양자화를 수행할 수 있다. 구체적으로, 전처리 과정(S110)에서, 상기 데이터 값이 변하는 것으로 판단되면, 상기 입력 데이터의 최소값 및 최대값 범위를 0 내지 M으로 변환하는 정규화를 수행할 수 있다. 반면에, 상기 데이터 값이 변하지 않는 것으로 판단되면, 상기 입력 데이터의 최소값 및 상기 최소값의 2배의 범위를 0 내지 M으로 변환하는 정규화를 수행할 수 있다. 또한, 상기 정규화를 수행한 데이터 값에 대해, [정규화된 값, 1차 차분값, 2차 차분값]을 특징벡터로 추출할 수 있다. 또한, 상기 특징벡터를 미리 설정한 개수로 양자화를 수행할 수 있다.

한편, HMM 학습 과정(S120)에서, 상기 RF의 변화 형태의 수가 N1개이고, 상기 PRI의 변화 형태의 수가 N2이면,(N1+N2)개의 상기 HMM의 특징값을 획득할 수 있다.

한편, 상기 완전연결 다층 신경망 구성 과정(S130)에서, (N1+N2)개의 상기 HMM의 특징값과 상기 RF의 최소값 및 최대값과 상기 PRI의 최소값 및 최대값을 이용하여 (N1+N2+4)개의 값을 상기 완전연결 다층 신경망에 입력할 수 있다.

한편, 실제 레이더 신호의 주파수와 PRI의 변화 형태 중 반복 비율에 따라 가중치를 적용하여 다층 신경망을 구성할 수 있다. 이와 관련하여, 전처리 과정(S110)에서, 실제 레이더 신호의 주파수와 PRI의 변화 형태 중 반복 비율에 따라, 입력 데이터의 최소값 및 최대값 범위를 0 내지 M으로 변환하는 정규화할 수 있다. 예를 들어, 실제 레이더 신호의 주파수와 PRI의 변화 형태가 정규 분포라면 중간값 부근에서의 분할 간격은 좁게 분할되고, 경계값 (최소값 및 최대값) 부근에서의 분할 간격은 크게 분할된다. 있는 가중치 기반 분할/정규화에 따라 실제 레이더 신호의 특성과 반복 형태에 충실하게 레이더 신호의 분류가 가능하다는 장점이 있다. 이에 따라 새로운 형태의 레이더 신호나, 기존의 라이브러리에 존재하지 않는 신호에 대해 높은 정확도로 분류를 수행할 수 있다는 장점이 있다. 또한, 새로운 형태의 레이더 신호에 대해 재밍을 수행하는 경우, 원하는 신호의 송신 및 수신을 방해하지 않으면서 재밍을 수행하려는 레이더 신호에 대해서만 재밍이 가능하다는 장점이 있다.

또한, 상기 완전연결 다층 신경망 구성 과정(S130)에서, 상기 M개의 특성에 대한 확률을 출력값으로 출력하고, 상기 출력값이 가장 큰 특성을 상기 입력 데이터의 특성으로 분류할 수 있다. 이와 관련하여, 상기 출력값이 가장 큰 특성에 따라 분류된 상기 입력 데이터의 특성에 기반하여, 서로 다른 방식의 재밍을 수행할 수 있다.

구체적으로, M개의 특성은 분류하고자 하는 레이더 신호의 주파수 대역과 PRI 값의 범위에 따라 분류될 수도 있다. 이때, 분류하고자 하는 레이더 신호에 대해 각 확률이 제1 임계치 내에서 유사한 범위를 갖도록 주파수 대역과 PRI 값 범위를 동적으로 결정할 수 있다. 이와 같이 M개의 특성의 확률이 일정한 범위 내에 있도록 설정함으로써, 레이더 신호 분류 시 오류에 따른 강인성(robustness)가 향상되는 장점이 있다. 이를 위해, 전처리 과정(S110), HMM 학습 과정(S120) 및 완전연결 다층 신경망 구성 과정(S130) 중 적어도 일부가 반복 수행될 수 있다.

다른 실시예에서, 분류하고자 하는 레이더 신호에 대해 각 확률이 제1 임계치 이상이고 제2 임계치 내에서 속하도록 갖도록 주파수 대역과 PRI 값 범위를 동적으로 결정할 수 있다. 이러한 실시예는 전술된 과정의 반복 수행에 따른 시간 증가를 최소화화면서도 레이더 신호 분류 시 오류에 따른 강인성을 일정 부분 만족시킬 수 있다는 장점이 있다.

이상에서는 본 발명에 따른 HMM과 신경망을 이용한 레이더 신호 분류 방법 및 이를 수행하는 레이더 신호 분류기에 대해 살펴보았다. 본 발명에 따른 효과에 대해 살펴보면 다음과 같다.

본 발명의 적어도 일 실시예에 따르면, 지속적으로 변화하는 새로운 형태의 레이더 신호에 대해, HMM과 신경망을 이용한 레이더 신호 분류 방법을 제공할 수 있다는 장점이 있다.

또한, 본 발명의 적어도 일 실시예에 따르면, 기존에 축적되어 있는 정보를 사용하여 기계학습을 적용함으로써, 새로운 형태의 레이더 신호나, 기존의 라이브러리에 존재하지 않는 신호에 대해 높은 정확도로 분류를 수행할 수 있다는 장점이 있다.

소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능뿐만 아니라 각각의 구성 요소들에 대한 설계 및 파라미터 최적화는 별도의 소프트웨어 모듈로도 구현될 수 있다. 적절한 프로그램 언어로 쓰여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 메모리에 저장되고, 제어부(controller) 또는 프로세서(processor)에 의해 실행될 수 있다.

Claims (6)

1. HMM과 신경망을 이용한 레이더 신호 분류 방법에 있어서,
   레이더 신호 정보인 RF 데이터와 펄스반복간격(PRI) 데이터를 정규화, 특징점 추출 및 양자화하는 전처리 과정;
   N1개의 무선 주파수(RF)와 N2개의 펄스반복간격(PRI)의 변화 형태마다 HMM(은닉 마코프 모델, hidden Markov model)을 학습하는 HMM 학습 과정; 및
   상기 HMM에 따른 특징값, 상기 RF와 상기 PRI의 최소값 및 최대값을 갖는 완전연결 다층 신경망을 이용하여 M개의 특성에 대한 확률을 연산하는 완전연결 다층 신경망 구성 과정을 포함하는, HMM과 신경망을 이용한 레이더 신호 분류 방법.
2. 제1 항에 있어서,
   상기 전처리 과정은,
   상기 RF 데이터와 펄스반복간격(PRI) 데이터 값의 변화 여부는 입력 데이터의 평균(

   

   )과 분산(

   

   )을 이용하여 검출하고,
   상기 평균(

   

   )과 상기 분산과 연관된 표준편차(

   

   )를 비례 상수 K를 사용하여 비교하여, 상기 RF 데이터와 펄스반복간격(PRI) 데이터 값의 변화 여부를 최종적으로 판단하고,
   

   

   이면 상기 데이터 값이 변하지 않은 것으로 판단하고,
   

   

   이면 상기 데이터 값이 변하는 것으로 판단하는 것을 특징으로 하는, HMM과 신경망을 이용한 레이더 신호 분류 방법.
3. 제2 항에 있어서,
   상기 전처리 과정에서,
   상기 데이터 값이 변하는 것으로 판단되면, 상기 입력 데이터의 최소값 및 최대값 범위를 0 내지 M으로 변환하는 정규화를 수행하고,
   상기 데이터 값이 변하지 않는 것으로 판단되면, 상기 입력 데이터의 최소값 및 상기 최소값의 2배의 범위를 0 내지 M으로 변환하는 정규화를 수행하고,
   상기 정규화를 수행한 데이터 값에 대해, [정규화된 값, 1차 차분값, 2차 차분값]을 특징벡터로 추출하고,
   상기 특징벡터를 미리 설정한 개수로 양자화를 수행하는 것을 특징으로 하는, HMM과 신경망을 이용한 레이더 신호 분류 방법.
4. 제2 항에 있어서,
   상기 HMM 학습 과정에서, 상기 RF의 변화 형태의 수가 N1개이고, 상기 PRI의 변화 형태의 수가 N2이면,(N1+N2)개의 상기 HMM의 특징값을 획득하는 것을 특징으로 하는, HMM과 신경망을 이용한 레이더 신호 분류 방법.
5. 제4 항에 있어서,
   상기 완전연결 다층 신경망 구성 과정에서, (N1+N2)개의 상기 HMM의 특징값과 상기 RF의 최소값 및 최대값과 상기 PRI의 최소값 및 최대값을 이용하여 (N1+N2+4)개의 값을 상기 완전연결 다층 신경망에 입력하는 것을 특징으로 하는, HMM과 신경망을 이용한 레이더 신호 분류 방법.
6. 제1 항에 있어서,
   상기 완전연결 다층 신경망 구성 과정에서, 상기 M개의 특성에 대한 확률을 출력값으로 출력하고, 상기 출력값이 가장 큰 특성을 상기 입력 데이터의 특성으로 분류하고,
   상기 출력값이 가장 큰 특성에 따라 분류된 상기 입력 데이터의 특성에 기반하여, 서로 다른 방식의 재밍을 수행하는 것을 특징으로 하는, HMM과 신경망을 이용한 레이더 신호 분류 방법.

Images