KR20230105181A - 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 - Google Patents

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 Download PDF

Info

Publication number
KR20230105181A
KR20230105181A KR1020220000416A KR20220000416A KR20230105181A KR 20230105181 A KR20230105181 A KR 20230105181A KR 1020220000416 A KR1020220000416 A KR 1020220000416A KR 20220000416 A KR20220000416 A KR 20220000416A KR 20230105181 A KR20230105181 A KR 20230105181A
Authority
KR
South Korea
Prior art keywords
data
flexure
learning
fake
actual
Prior art date
Application number
KR1020220000416A
Other languages
Korean (ko)
Other versions
KR102663016B1 (en
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/en
Publication of KR20230105181A publication Critical patent/KR20230105181A/en
Application granted granted Critical
Publication of KR102663016B1 publication Critical patent/KR102663016B1/en

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

The present invention, in a method for enabling an artificial neural network that generates flexure data to be learned, provides a method for learning flexure data that enables a generator to learn so as to generate fake data for flexure conduct of a flight vehicle using a random noise, and enables a discriminator to learn so as discriminate whether the fake data is authentic when input-receiving the actual generated data based on an actual flexure conduct of the flight vehicle.

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}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.The present invention relates to a method and apparatus for learning flexure data for flexure behavior of an air vehicle, and a method and apparatus for generating flexure data using the same.

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.Guided missiles mounted on fighter jets receive precise navigation information from the Master INS mounted on the center of the fighter jets for quick attitude alignment before launch, and perform alignment quickly, which is called 'transfer alignment'.

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.The transfer alignment estimates the mounting misalignment angle by using navigation information such as position, velocity, acceleration, and angular velocity calculated from a relatively accurate precision navigation device to correct the navigation error of the guided missile. In general, in this process, the fighter body and wings are assumed to be a single rigid body and modeled.

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.However, fighter wings have a flexure behavior in which the entire wing is bent and vibrates when high pressure is applied during flight for flight efficiency and stability. The behavior of the flexure is very irregular depending on the load of the guided missile, the mass change according to the fuel consumption of the fighter jet, and the speed and altitude of the fighter jet.

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.In addition, since the inertial navigation error has a characteristic that increases as the range of the missile increases, the misalignment angle must be estimated as accurately as possible in the transmission alignment, and accurate flexure modeling is required to reduce the misalignment angle estimation error.

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.Currently, there are probabilistic modeling methods and dynamic modeling methods for modeling the flexure, but there is a limit to modeling the flexure of the wing that irregularly changes according to various variables using these existing methods.

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.Accordingly, deep learning algorithms are suitable for modeling such nonlinear systems that have limitations in accurately modeling them dynamically. The first step necessary for modeling using deep learning algorithms is the collection of big data. That is, a sufficient amount of flexure data is required to model the flexure. If a sufficient amount of test data can be obtained by operating fighter jets multiple times, the problem can be solved, but considering cost and time, this is practically impossible.

따라서, 다양한 딥러닝 알고리즘을 활용한 플렉셔 모델링 연구의 발판을 마련하기 위한 첫 단계인 충분한 양의 플렉셔 데이터를 획득하는 방안이 요구되는 실정이다.Therefore, there is a need for a plan to acquire a sufficient amount of flexure data, which is the first step to prepare a foundation for flexure modeling research using various deep learning algorithms.

국내등록특허 제10-2283416호(2021.07.23.)Domestic Patent No. 10-2283416 (2021.07.23.)

본 발명이 해결하고자 하는 기술적 과제는 비행체의 플렉셔 거동에 대한 플렉셔 데이터를 이용하여 인공 신경망을 학습하는 방법 및 장치를 제공하는 것이다.A technical problem to be solved by the present invention is to provide a method and apparatus for learning an artificial neural network using flexure data for flexure behavior of an aircraft.

또한, 본 발명이 해결하고자 하는 기술적 과제는 상기의 학습된 인공 신경망을 이용하여 플렉셔 데이터를 생성하는 방법 및 장치를 제공하는 것이다.In addition, a technical problem to be solved by the present invention is to provide a method and apparatus for generating flexure data using the learned artificial neural network.

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.One aspect of the present invention is a method for learning an artificial neural network that includes a generator and a discriminator and generates flexure data, the generator using random noise to generate fake data for the flexure behavior of an aircraft learning step; and learning the discriminator to determine authenticity of the fake data when receiving real data generated based on the actual flexure behavior of the aircraft.

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.The method may further include, in the generator, further learning the generator based on the discriminant value determined by the discriminator as a result of whether the fake data is genuine or not.

또한, 상기 판별 값과, 상기 가짜 데이터의 진위 여부에 대한 정답 값을 이용하여 상기 판별기를 더 학습시키는 단계;를 더 포함할 수 있다.The method may further include further learning the discriminator using the discrimination value and a correct answer value for whether the fake data is genuine or not.

또한, 상기 판별 값이 미리 설정된 기준 값에 도달하는 경우 상기 생성기와 상기 판별기의 학습을 종료하는 단계;를 더 포함할 수 있다.In addition, when the discrimination value reaches a preset reference value, terminating learning of the generator and the discriminator; may further include.

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.In addition, the actual data may be a spectogram generated by short-time Fourier transform of actual flexure data for the actual flexure behavior of the aircraft.

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.In addition, the actual flexure data may be calculated based on first inertial data measured from the first navigation module of the vehicle and second inertia data measured from the second navigation module of the vehicle.

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.In addition, the actual flexure data is a rotationally converted value from the first inertia data such that the second inertia data corresponds to the first inertia data, a lever arm component value for the first inertia data, and an error value may have been removed.

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.Another aspect of the present invention is a method for generating flexure data using a pre-learned artificial neural network, comprising: generating fake data for flexure behavior of an aircraft from random noise using the artificial neural network; And generating the flexure data using the fake data; the artificial neural network is learned according to the flexure data learning method of the aircraft, and the flexure data learning method of the aircraft is arbitrary training the generator to generate fake data for learning using noise of ; and learning a discriminator to determine whether the fake data for learning is genuine or false when receiving actual data generated based on the actual flexure behavior of the aircraft.

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.In the generating of the flexure data, the flexure data may be generated from the fake data by performing an inverse short-time Fourier transform.

또한, 상기 생성기는, 상기 가짜 데이터의 진위 여부에 대한 결과로서 상기 판별기에서 판별된 판별 값에 기초하여 더 학습된 것일 수 있다.In addition, the generator may be further learned based on the discrimination value determined by the discriminator as a result of whether the fake data is genuine or not.

또한, 상기 판별기는, 상기 판별 값과, 상기 가짜 데이터의 진위 여부에 대한 정답 값을 이용하여 더 학습된 것일 수 있다.In addition, the discriminator may be further learned using the discriminant value and a correct answer value for authenticity of the fake data.

또한, 상기 생성기는, 상기 판별 값이 미리 설정된 기준 값에 도달하여 학습이 종료된 것일 수 있다.In the generator, learning may be terminated when the discrimination value reaches a preset reference value.

또한, 상기 실제 데이터는, 상기 비행체의 실제 플렉셔 거동에 대한 실제 플렉셔 데이터를 푸리에 변환(Fourier Transform)하여 생성되는 스펙토그램일 수 있다.In addition, the actual data may be a spectogram generated by Fourier transforming actual flexure data for the actual flexure behavior of the vehicle.

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.In addition, the actual flexure data may be calculated based on first inertial data measured from the first navigation module of the vehicle and second inertia data measured from the second navigation module of the vehicle.

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.In addition, the actual flexure data is a rotationally converted value from the first inertia data such that the second inertia data corresponds to the first inertia data, a lever arm component value for the first inertia data, and an error value may have been removed.

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.Another aspect of the present invention includes a generator and a discriminator, and a memory for storing an artificial neural network that generates flexure data; Learning the generator to generate fake data for the flexure behavior of the aircraft using random noise, and receiving real data generated based on the actual flexure behavior of the aircraft, determining the authenticity of the fake data A processor for learning the discriminator to do so; may include.

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.Another aspect of the present invention is a memory for storing an artificial neural network pretrained to generate flexure data; And a processor for generating fake data for the flexure behavior of the aircraft from random noise using the artificial neural network and generating the flexure data using the fake data, wherein the artificial neural network includes, the artificial neural network, the aircraft It is learned according to the flexure data learning method of the vehicle, and the flexure data learning method of the aircraft includes the steps of learning a generator to generate fake data for learning using random noise; and learning a discriminator to determine whether the fake data for learning is genuine or false when receiving actual data generated based on the actual flexure behavior of the aircraft.

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.Another aspect of the present invention is a computer-readable recording medium storing a computer program, wherein the computer program, when executed by a processor, includes a generator and a discriminator, and learns an artificial neural network that generates flexure data In the method, training the generator to generate fake data for the flexure behavior of the vehicle using random noise; And learning the discriminator to determine whether the fake data is genuine or false when receiving real data generated based on the actual flexure behavior of the aircraft; Includes instructions for causing the processor to perform a method including can do.

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.Another aspect of the present invention is a computer program stored on a computer-readable recording medium, wherein the computer program, when executed by a processor, includes a generator and a discriminator, and trains an artificial neural network that generates flexure data. A method comprising: training the generator to generate fake data about the flexure behavior of a vehicle using random noise; And learning the discriminator to determine whether the fake data is genuine or false when receiving real data generated based on the actual flexure behavior of the aircraft; Includes instructions for causing the processor to perform a method including can do.

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.Another aspect of the present invention is a computer-readable recording medium storing a computer program, wherein the computer program, when executed by a processor, uses a pre-learned artificial neural network in a method for generating flexure data , generating fake data for the flexure behavior of the vehicle from random noise using the artificial neural network; And generating the flexure data using the fake data; includes instructions for causing the processor to perform a method including, wherein the artificial neural network is trained according to the flexure data learning method of the flight vehicle The method of learning the flexure data of the aircraft includes: learning a generator to generate fake data for learning using random noise; and learning a discriminator to determine whether the fake data for learning is genuine or false when receiving actual data generated based on the actual flexure behavior of the aircraft.

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.Another aspect of the present invention is a computer program stored on a computer-readable recording medium, wherein the computer program is a method for generating flexure data using a pre-learned artificial neural network, using the artificial neural network Generating fake data on the flexure behavior of the vehicle from random noise; And generating the flexure data using the fake data; includes instructions for causing the processor to perform a method including, wherein the artificial neural network is trained according to the flexure data learning method of the flight vehicle The method of learning the flexure data of the aircraft includes: learning a generator to generate fake data for learning using random noise; and learning a discriminator to determine whether the fake data for learning is genuine or false when receiving actual data generated based on the actual flexure behavior of the aircraft.

상술한 본 발명의 일측면에 따르면, 비행체의 플렉셔 거동에 대한 플렉셔 데이터를 이용하여 인공 신경망을 학습하고, 학습된 인공 신경망을 이용하여 플렉셔 데이터를 생성할 수 있다.According to one aspect of the present invention described above, the artificial neural network may be learned using the flexure data for the flexure behavior of the aircraft, and the flexure data may be generated using the learned artificial neural network.

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.1 is a block diagram illustrating a flexure data learning apparatus according to an embodiment of the present invention.
2 is a block diagram illustrating an apparatus for generating flexure data according to an embodiment of the present invention.
3 is a diagram illustrating a method of learning an artificial neural network by a flexure data learning apparatus according to an embodiment of the present invention.
4 is a diagram illustrating a method for generating flexure data by an apparatus for generating flexure data according to an embodiment of the present invention through a pre-learned artificial neural network.
5 and 6 are flowcharts of a flexure data learning method according to an embodiment of the present invention.
7 is a flowchart of a method for generating flexure data according to an embodiment of the present invention.

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.Advantages and features of the present invention, and methods of achieving them, will become clear with reference to the detailed description of the following embodiments taken in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but may be implemented in various different forms, and only these embodiments make the disclosure of the present invention complete, and common knowledge in the art to which the present invention belongs. It is provided to completely inform the person who has the scope of the invention, and the present invention is only defined by the scope of the claims.

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.In describing the embodiments of the present invention, if it is determined that a detailed description of a known function or configuration may unnecessarily obscure the subject matter of the present invention, the detailed description will be omitted. In addition, terms to be described later are terms defined in consideration of functions in the embodiment of the present invention, which may vary according to the intention or custom of a user or operator. Therefore, the definition should be made based on the contents throughout this specification.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 예에 대하여 상세하게 설명한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일 실시예에 따른 플렉셔 데이터 학습 장치를 나타낸 블록도이다.1 is a block diagram illustrating a flexure data learning apparatus according to an embodiment of the present invention.

도 1을 참조하면, 플렉셔 데이터 학습 장치(100)는 입출력 모듈(110), 프로세서(120) 및 메모리(130)를 포함할 수 있다.Referring to FIG. 1 , a flexure data learning apparatus 100 may include an input/output module 110 , a processor 120 and a memory 130 .

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.The input/output module 110 may receive measurement data measured from an air vehicle. In this case, the measurement data may include at least one of first inertial data and second inertial data.

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.Here, at least one of the first inertial data and the second inertial data may include at least one of the vehicle's acceleration and angular velocity. In addition, at least one of the first inertial data and the second inertial data may be converted into navigation data including at least one of the position, speed, and attitude of the vehicle.

이를 위해, 비행체는 제 1 항법 모듈 및 제 2 항법 모듈 중 적어도 하나가 장착된 것일 수 있다.To this end, the air vehicle may be equipped with at least one of the first navigation module and the second navigation module.

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.However, the first navigation module may be mounted on any one of the wing of the aircraft and the guidance vehicle. At this time, the guided aircraft may be prepared to be mounted on the aircraft. For example, a guided vehicle may be a guided missile.

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.Also, the second navigation module may be mounted in the center of the aircraft. In one embodiment, the second navigation module may be able to measure inertia more precisely than the first navigation module.

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.In one embodiment, the first navigation module may include at least one of a gyro sensor and an acceleration sensor. Accordingly, the first navigation module may measure at least one of the acceleration and angular velocity of any one of the wing of the aircraft and the guided missile.

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.Also, in another embodiment, the second navigation module may include at least one of a gyro sensor and an acceleration sensor. Accordingly, the second navigation module may measure at least one of acceleration and angular velocity of the vehicle.

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.Meanwhile, the processor 120 may control the overall operation of the flexure data learning apparatus 100 . Accordingly, the processor 120 may receive measurement data using the input/output module 110 .

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.In this case, the processor 120 may calculate actual flexure data from the measured data. Here, the actual flexure data may be calculated based on the first inertial data and the second inertial data.

일 실시예에서, 측정 데이터는 아래의 수학식 1 및 2를 이용하여 표현될 수 있다.In one embodiment, measurement data may be expressed using Equations 1 and 2 below.

Figure pat00001
Figure pat00001

수학식 1에서,

Figure pat00002
는 제 1 항법 모듈에서 측정된 가속도이고,
Figure pat00003
는 제 1 항법 모듈에서 측정된 가속도에 대한 레버 암 성분 값이며,
Figure pat00004
는 제 1 항법 모듈에서 측정된 가속도에 대한 플렉셔 거동에 대한 값일 수 있다. 또한,
Figure pat00005
은 제 2 항법 모듈에서 측정된 가속도이고,
Figure pat00006
은 회전 변환 행렬이며,
Figure pat00007
은 제 1 항법 모듈에서 측정된 가속도에 대한 오차 값일 수 있다.In Equation 1,
Figure pat00002
is the acceleration measured in the first navigation module,
Figure pat00003
Is the lever arm component value for the acceleration measured in the first navigation module,
Figure pat00004
may be a value for flexure behavior with respect to the acceleration measured by the first navigation module. also,
Figure pat00005
is the acceleration measured in the second navigation module,
Figure pat00006
is the rotation transformation matrix,
Figure pat00007
may be an error value for the acceleration measured by the first navigation module.

Figure pat00008
Figure pat00008

수학식 2에서,

Figure pat00009
는 제 1 항법 모듈에서 측정된 각속도이고,
Figure pat00010
는 제 1 항법 모듈에서 측정된 각속도에 대한 레버 암 성분 값이며,
Figure pat00011
는 제 1 항법 모듈에서 측정된 각속도에 대한 플렉셔 거동에 대한 값일 수 있다. 또한,
Figure pat00012
은 제 2 항법 모듈에서 측정된 각속도이고,
Figure pat00013
은 회전 변환 행렬이며,
Figure pat00014
은 제 1 항법 모듈에서 측정된 각속도에 대한 오차 값일 수 있다.In Equation 2,
Figure pat00009
is the angular velocity measured in the first navigation module,
Figure pat00010
Is the lever arm component value for the angular velocity measured in the first navigation module,
Figure pat00011
may be a value for flexure behavior with respect to the angular velocity measured by the first navigation module. also,
Figure pat00012
is the angular velocity measured in the second navigation module,
Figure pat00013
is the rotation transformation matrix,
Figure pat00014
may be an error value for the angular velocity measured by the first navigation module.

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.In this case, the rotation transformation matrix may be used to convert position coordinates in the coordinate system of the second navigation module into position coordinates in the coordinate system of the first navigation module. Accordingly, the rotation transformation matrix may be preset according to the coordinate system used in the second navigation module and the coordinate system used in the first navigation module.

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.In addition, the lever arm component value is added according to the rotational force at a point other than the center point due to the lever arm effect when rotational force is applied to any one of the flight vehicle and the guided flight vehicle on which the first navigation module is mounted It may be at least one of acceleration and angular velocity.

따라서, 레버 암 성분 값은 일련의 관성 측정 알고리즘에 기초하여 설정되고, 이러한 관성 측정 알고리즘은 종래에 공지된 기술을 활용하여 미리 설정될 수 있다.Accordingly, the lever arm component values are set based on a series of inertial measurement algorithms, and these inertia measurement algorithms may be preset utilizing techniques known in the art.

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.Also, the error value for at least one of the acceleration and angular velocity measured by the first navigation module may include at least one of a bias error and a scale factor error for the first navigation module.

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.Accordingly, an error value for at least one of the acceleration and angular velocity measured by the first navigation module may be a preset value or may be set based on a series of error estimation algorithms. At this time, the error estimation algorithm may be preset using a conventionally known technique.

한편, 프로세서(120)는 아래의 수학식 3 및 4에 기초하여 실제 플렉셔 데이터를 산출할 수 있다.Meanwhile, the processor 120 may calculate actual flexure data based on Equations 3 and 4 below.

Figure pat00015
Figure pat00015

수학식 3에서,

Figure pat00016
는 제 1 항법 모듈에서 측정된 가속도이고,
Figure pat00017
는 제 1 항법 모듈에서 측정된 가속도에 대한 레버 암 성분 값이며,
Figure pat00018
는 제 1 항법 모듈에서 측정된 가속도에 대한 플렉셔 거동에 대한 값일 수 있다. 또한,
Figure pat00019
은 제 2 항법 모듈에서 측정된 가속도이고,
Figure pat00020
은 회전 변환 행렬이며,
Figure pat00021
은 제 1 항법 모듈에서 측정된 가속도에 대한 오차 값일 수 있다.In Equation 3,
Figure pat00016
is the acceleration measured in the first navigation module,
Figure pat00017
Is the lever arm component value for the acceleration measured in the first navigation module,
Figure pat00018
may be a value for flexure behavior with respect to the acceleration measured by the first navigation module. also,
Figure pat00019
is the acceleration measured in the second navigation module,
Figure pat00020
is the rotation transformation matrix,
Figure pat00021
may be an error value for the acceleration measured by the first navigation module.

Figure pat00022
Figure pat00022

수학식 4에서,

Figure pat00023
는 제 1 항법 모듈에서 측정된 각속도이고,
Figure pat00024
는 제 1 항법 모듈에서 측정된 각속도에 대한 레버 암 성분 값이며,
Figure pat00025
는 제 1 항법 모듈에서 측정된 각속도에 대한 플렉셔 거동에 대한 값일 수 있다. 또한,
Figure pat00026
은 제 2 항법 모듈에서 측정된 각속도이고,
Figure pat00027
은 회전 변환 행렬이며,
Figure pat00028
은 제 1 항법 모듈에서 측정된 각속도에 대한 오차 값일 수 있다.In Equation 4,
Figure pat00023
is the angular velocity measured in the first navigation module,
Figure pat00024
Is the lever arm component value for the angular velocity measured in the first navigation module,
Figure pat00025
may be a value for flexure behavior with respect to the angular velocity measured by the first navigation module. also,
Figure pat00026
is the angular velocity measured in the second navigation module,
Figure pat00027
is the rotation transformation matrix,
Figure pat00028
may be an error value for the angular velocity measured by the first navigation module.

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.Accordingly, the processor 120 may calculate actual flexure data for acceleration based on Equation 3 and actual flexure data for angular velocity based on Equation 4.

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.In other words, the actual flexure data may be obtained by removing a rotationally converted value, a lever arm component value for the first inertia data, and an error value so that the second inertia data corresponds to the first inertia data, from the first inertia data. .

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.Meanwhile, the processor 120 may generate a spectrogram by performing a Fourier transform on actual flexure data. In one embodiment, the Fourier transform applied to the actual flexure data may be a Short Time Fourier Transform (STFT).

이를 통해, 실제 데이터는 비행체의 실제 플렉셔 거동에 대한 실제 플렉셔 데이터를 푸리에 변환(Fourier Transform)하여 생성되는 스펙토그램인 것으로 이해할 수 있다.Through this, it can be understood that the actual data is a spectogram generated by Fourier transforming the actual flexure data for the actual flexure behavior of the vehicle.

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.Meanwhile, the processor 120 may use the input/output module 110 to receive input of actual data generated based on the actual flexure behavior of the aircraft. In this case, actual data may be generated by at least one of an external device and a program through the above process.

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.To this end, the memory 130 may store information necessary for at least one of generating and inputting actual data. Accordingly, the processor 120 may generate or receive actual data by loading information stored in the memory 130 .

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.The processor 120 may receive or generate random noise using the input/output module 110 . In this case, the noise may be an image of Gaussian noise generated based on a Gaussian distribution. To this end, random noise may be generated using a conventionally known technique, or pre-generated random noise may be input.

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.To this end, the memory 130 may store information necessary for at least one of noise generation and input. Accordingly, the processor 120 may generate or receive random noise by loading information stored in the memory 130 .

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.Meanwhile, the memory 130 may store information necessary for learning an artificial neural network using at least one of real data and noise. Accordingly, the processor 120 may learn the artificial neural network by loading information stored in the memory 130 .

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.Here, the artificial neural network is a Generative Adversarial Network (GAN), and may include a generator that generates fake data and a discriminator that determines whether the fake data is authentic based on real data.

한편, 플렉셔 데이터 학습 장치(100)가 인공 신경망을 학습하는 과정은 아래의 도 3에서 상세하게 설명하도록 한다.Meanwhile, the process of learning the artificial neural network by the flexure data learning apparatus 100 will be described in detail with reference to FIG. 3 below.

도 2는 본 발명의 일 실시예에 따른 플렉셔 데이터 생성 장치를 나타낸 블록도이다.2 is a block diagram illustrating an apparatus for generating flexure data according to an embodiment of the present invention.

도 2를 참조하면, 플렉셔 데이터 생성 장치(200)는 입출력 모듈(210), 프로세서(220) 및 메모리(230)를 포함할 수 있다.Referring to FIG. 2 , the flexure data generating apparatus 200 may include an input/output module 210 , a processor 220 and a memory 230 .

프로세서(220)는 플렉셔 데이터 생성 장치(200)의 동작을 전반적으로 제어할 수 있다.The processor 220 may control the overall operation of the flexure data generating device 200 .

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.Accordingly, the processor 220 may receive an input of arbitrary noise using the input/output module 210 . Alternatively, the processor 220 may generate random noise by executing information stored in the memory 230 .

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.To this end, the memory 230 may store information necessary for at least one of generation and input of noise. Accordingly, the processor 220 may generate or receive random noise by executing information stored in the memory 230 .

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.In this case, the noise may be an image of Gaussian noise generated based on a Gaussian distribution. To this end, random noise may be generated using a conventionally known technique, or pre-generated random noise may be input.

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.To this end, the memory 230 may store information necessary for at least one of generation and input of noise. Accordingly, the processor 220 may generate or receive random noise by executing information stored in the memory 230 .

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.Meanwhile, the memory 230 may store information necessary for generating flexure data from random noise through the pre-learned artificial neural network 231 . Accordingly, the processor 220 may generate flexure data from random noise through the artificial neural network 231 by executing information stored in the memory 230 .

플렉셔 데이터 생성 장치(200)가 인공 신경망(231)을 통해 플렉셔 데이터를 생성하는 과정은 아래의 도 4에서 상세하게 설명하도록 한다.A process of generating flexure data by the apparatus 200 for generating flexure data through the artificial neural network 231 will be described in detail with reference to FIG. 4 below.

도 3은 본 발명의 일 실시예에 따른 플렉셔 데이터 학습 장치가 인공 신경망을 학습하는 방법을 나타낸 도면이다.3 is a diagram illustrating a method of learning an artificial neural network by a flexure data learning apparatus according to an embodiment of the present invention.

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.Referring to FIG. 3, the flexure data learning apparatus 100 (hereinafter referred to as the learning apparatus) uses a random noise 30 to generate fake data 31 for the flexure behavior of an aircraft using a generator 133. can be learned

여기에서, 가짜 데이터(31)는 실제 데이터(11)에 대응되도록 생성되는 스펙토그램인 것으로 이해할 수 있다.Here, it can be understood that the fake data 31 is a spectogram generated to correspond to the real data 11 .

따라서, 생성기(133)는 노이즈(30)가 입력되면 가짜 데이터(31)를 생성할 수 있다.Accordingly, the generator 133 may generate fake data 31 when the noise 30 is input.

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.In addition, the learning device 100 may learn the discriminator 131 to determine whether the fake data 31 is genuine when receiving the actual data 11 generated based on the actual flexure behavior of the aircraft.

따라서, 판별기(131)는 가짜 데이터(31)가 입력되면 가짜 데이터(31)의 진위 여부에 대한 결과로서 판별 값을 출력할 수 있다.Accordingly, when the fake data 31 is input, the discriminator 131 may output a discriminant value as a result of whether the fake data 31 is genuine or not.

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.For example, the discriminator 131 outputs a value closer to 1 as a discriminant value as the discriminator 131 determines that the fake data 31 is generated from real flasher data, and outputs a value closer to 0 as a discriminant value as it is determined to be fake. can be printed out.

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.Meanwhile, the learning device 100 may further teach the generator 133 based on the discrimination value determined by the discriminator 131 as a result of whether the fake data 31 is genuine or not. At this time, the generator 133 may be trained so that the discrimination value approaches 1.

이와 관련하여, 학습 장치(100)는 아래의 수학식 5에 기초하여 생성기(133) 및 판별기(131) 중 적어도 하나를 학습시킬 수 있다.In this regard, the learning device 100 may learn at least one of the generator 133 and the discriminator 131 based on Equation 5 below.

Figure pat00029
Figure pat00029

수학식 5에서,

Figure pat00030
는 생성기(133) 및 판별기(131) 중 적어도 하나에 대한 손실 함수를 의미할 수 있다. 또한,
Figure pat00031
는 실제 데이터(11)에 대한 확률 분포이고,
Figure pat00032
는 실제 데이터(11)에 대한 확률 분포에서 샘플링된 실제 데이터(11)이며,
Figure pat00033
는 가짜 데이터(31)에 대한 확률 분포이고,
Figure pat00034
는 가짜 데이터(31)에 대한 확률 분포에서 샘플링된 가짜 데이터(31)일 수 있다. 또한,
Figure pat00035
는 판별기(131)가 실제 데이터(11)를 실제 데이터(11)로 판별할 확률을 의미하고,
Figure pat00036
는 판별기(131)가 가짜 데이터(31)를 실제 데이터(11)로 판별할 확률을 의미할 수 있다.In Equation 5,
Figure pat00030
may mean a loss function for at least one of the generator 133 and the discriminator 131. also,
Figure pat00031
is the probability distribution for the real data (11),
Figure pat00032
is the actual data (11) sampled from a probability distribution for the real data (11),
Figure pat00033
is the probability distribution for spurious data (31),
Figure pat00034
may be fake data 31 sampled from a probability distribution for fake data 31. also,
Figure pat00035
Means the probability that the discriminator 131 discriminates the real data 11 as the real data 11,
Figure pat00036
may mean a probability that the discriminator 131 determines the fake data 31 as the real data 11.

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.Accordingly, the learning device 100 may train the discriminator 131 such that D of the loss function is maximized. In this case, the learning device 100 may train the discriminator 131 so that the discriminant value for the fake data 31 is output close to 0.

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.Also, the learning device 100 may train the generator 133 so that G of the loss function is minimized. In this case, the learning device 100 may train the generator 133 so that the discrimination value of the discriminator 131 for the fake data 31 is output close to 1.

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.In this way, the learning device 100 may repeatedly perform an operation of learning the generator 133 and the discriminator 131 . At this time, the learning device 100 may end learning of the generator 133 and the discriminator 131 when the discrimination value reaches a preset reference value.

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.In one embodiment, the learning device 100 may include a plurality of noises 30 in one data set and train the generator 133 and the discriminator 131 based on the one data set. Accordingly, the learning device 100 may generate a fake data set for one data set through the generator 133 and output a discrimination value set for the fake data set through the discriminator 131 . In this case, the learning device 100 ends learning when all of the plurality of discriminant values included in the discriminant value set reach the reference value, or the average value of the plurality of discriminant values included in the discriminant value set is the reference value. When it reaches , learning can be terminated.

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.In another embodiment, the learning device 100 may train the generator 133 and the discriminator 131 based on the plurality of noises 30 . Accordingly, the learning device 100 generates fake data 31 for any one noise 30 through the generator 133, and determines the discriminant value for the fake data 31 through the discriminator 131. can be printed out. In this case, the learning device 100 may end learning when the discriminant value reaches the reference value, or end learning when one or more discriminant values consecutive to a preset number all reach the reference value. .

도 4는 본 발명의 일 실시예에 따른 플렉셔 데이터 생성 장치가 기 학습된 인공 신경망을 통해 플렉셔 데이터를 생성하는 방법을 나타낸 도면이다.4 is a diagram illustrating a method for generating flexure data by an apparatus for generating flexure data according to an embodiment of the present invention through a pre-learned artificial neural network.

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.Referring to FIG. 4, the flexure data generating device 200 (hereinafter, the generating device) generates fake data 31 for the flexure behavior of the aircraft from random noise 30 using a pre-learned artificial neural network can do.

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.Here, the pre-trained artificial neural network may include the generator 233 learned by the learning device 100 described above. In addition, it can be understood that the fake data 31 is a spectogram generated to correspond to the real data 11 .

따라서, 생성기(233)는 노이즈(30)가 입력되면 가짜 데이터(31)를 생성할 수 있다.Accordingly, the generator 233 may generate fake data 31 when the noise 30 is input.

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.Accordingly, the generating device 200 may generate flexure data 33 using the fake data 31 . Here, the flexure data 33 may be generated to correspond to the actual flexure data 10 .

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.To this end, the generating device 200 may generate the flexure data 33 from the fake data 31 by performing a Fourier transform. In one embodiment, the Fourier transform applied to the fake data 31 may be an Inverse Short Time Fourier Transform (ISTFT).

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.Through this, the generation device 200 may generate a plurality of flexure data 33 corresponding to the actual flexure data 10 by using the plurality of noises 30 .

도 5 및 도6은 본 발명의 일 실시예에 따른 플렉셔 데이터 학습 방법의 순서도이다.5 and 6 are flowcharts of a flexure data learning method according to an embodiment of the present invention.

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).Referring to FIG. 5 , the learning device 100 may train the generator 133 to generate fake data 31 for the flexure behavior of the aircraft using random noise 30 (S100). In addition, when the learning device 100 receives the actual data 11 generated based on the actual flexure behavior of the aircraft, it can learn the discriminator 131 to determine whether the fake data 31 is genuine ( 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).Specifically, referring to FIG. 6 , the learning device 100 may generate fake data 31 using the generator 133 (S110). Accordingly, the learning device 100 may determine whether the fake data 31 is authentic using the discriminator 131 (S210).

이때, 학습 장치(100)는 가짜 데이터(31)의 진위 여부에 대한 판별 값이 미리 설정된 기준 값 이상인지를 판단할 수 있다(S230).At this time, the learning device 100 may determine whether the discrimination value for authenticity of the fake data 31 is equal to or greater than a preset reference value (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).Here, the learning device 100 may further learn the generator 133 and the discriminator 131 if the value for determining whether the fake data 31 is authentic is less than a preset reference value (S210 to S230). . On the other hand, the learning device 100 may end the learning of the generator 133 and the discriminator 131 if the value for determining whether the fake data 31 is genuine is equal to or greater than a preset reference value (S300).

도 7은 본 발명의 일 실시예에 따른 플렉셔 데이터 생성 방법의 순서도이다.7 is a flowchart of a method for generating flexure data according to an embodiment of the present invention.

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).Referring to FIG. 7 , the generator 200 may generate fake data 31 for flexure behavior using a generator 233 (S500). Accordingly, the generation device 200 may generate flexure data 33 by converting the fake data 31 (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.Various embodiments of the present document are software (eg, machine-readable storage media) (eg, memory (internal memory or external memory)) including instructions stored in a storage medium readable by a machine (eg, a computer). : program). A device is a device capable of calling a stored command from a storage medium and operating according to the called command, and may include an electronic device (eg, a device) according to the disclosed embodiments. When the command is executed by a processor (eg, a processor), the processor may perform a function corresponding to the command directly or by using other components under the control of the processor. An instruction may include code generated or executed by a compiler or interpreter. The device-readable storage medium may be provided in the form of a non-transitory storage medium. Here, 'non-temporary' only means that the storage medium does not contain a signal and is tangible, but does not distinguish whether data is stored semi-permanently or temporarily in the storage medium.

일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다.According to one embodiment, the method according to various embodiments disclosed in this document may be provided by being included in a computer program product.

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.The above description is merely an example of the technical idea of the present invention, and various modifications and variations can be made to those skilled in the art without departing from the essential qualities of the present invention. Therefore, the embodiments disclosed in the present invention are not intended to limit the technical idea of the present invention, but to explain, and the scope of the technical idea of the present invention is not limited by these embodiments. The protection scope of the present invention should be construed according to the claims below, and all technical ideas within the scope equivalent thereto should be construed as being included in the scope of the present invention.

10: 실제 플렉셔 데이터
11: 실제 데이터
30: 노이즈
31: 가짜 데이터
33: 플렉셔 데이터
100: 플렉셔 데이터 학습 장치
200: 플렉셔 데이터 생성 장치10: Actual flexure data
11: real data
30: noise
31: fake data
33: flexure data
100: flexure data learning device
200: flexure data generating device

Claims (21)

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, 플렉셔 데이터 학습 방법.A method for learning an artificial neural network including a generator and a discriminator and generating flexure data,
training the generator to generate fake data on the flexure behavior of the vehicle using random noise; and
Learning the discriminator to determine the authenticity of the fake data when receiving real data generated based on the actual flexure behavior of the aircraft; including, the flexure data learning method. 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.According to claim 1,
In the generator, further learning the generator based on the discriminant value determined by the discriminator as a result of whether the fake data is genuine or not; further comprising, the flexure data learning method. 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.According to claim 2,
Further comprising the step of further learning the discriminator using the discriminant value and a correct answer value for whether the fake data is genuine or not. 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.According to claim 3,
Further comprising, the flexure data learning method further comprising: terminating learning of the generator and the discriminator when the discrimination value reaches a preset reference value. 제 1 항에 있어서, 상기 실제 데이터는,
상기 비행체의 실제 플렉셔 거동에 대한 실제 플렉셔 데이터를 푸리에 변환(Fourier Transform)하여 생성되는 스펙토그램인, 플렉셔 데이터 학습 방법.The method of claim 1, wherein the actual data,
A spectogram generated by Fourier transforming the actual flexure data for the actual flexure behavior of the aircraft, the flexure data learning method. 제 5 항에 있어서, 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 것인, 플렉셔 데이터 학습 방법.The method of claim 5, wherein the actual flexure data,
The flexure data learning method calculated based on the first inertial data measured from the first navigation module of the aircraft and the second inertia data measured from the second navigation module of the aircraft. 제 6 항에 있어서, 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 것인, 플렉셔 데이터 학습 방법.The method of claim 6, wherein the actual flexure data,
From the first inertia data, the rotationally converted value of the second inertia data to correspond to the first inertia data, the lever arm component value and error value for the first inertia data are removed, flexure data learning method. 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 포함하는, 플렉셔 데이터 생성 방법.In the method for generating flexure data using a pre-learned artificial neural network,
Generating fake data about the flexure behavior of the vehicle from random noise using the artificial neural network; and
Generating the flexure data using the fake data; Including,
The artificial neural network,
It is learned according to the flexure data learning method of the aircraft,
The flexure data learning method of the flight vehicle,
training the generator to generate fake data for learning using random noise; and
Upon receiving the actual data generated based on the actual flexure behavior of the aircraft, learning a discriminator to determine whether the fake data for learning is authentic; including; flexure data generation method. 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.9. The method of claim 8, wherein generating the flexure data comprises:
The flexure data generation method of generating the flexure data from the fake data by performing a Fourier transform. 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.The method of claim 8, wherein the generator,
As a result of the authenticity of the fake data, it is further learned based on the discriminant value determined by the discriminator. 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.11. The method of claim 10, wherein the discriminator,
The method of generating flexure data, which is further learned using the discriminant value and the correct answer value for authenticity of the fake data. 제 11 항에 있어서, 상기 생성기는,
상기 판별 값이 미리 설정된 기준 값에 도달하여 학습이 종료된 것인, 플렉셔 데이터 생성 방법.The method of claim 11, wherein the generator,
The method of generating flexure data, in which the learning is terminated when the discriminant value reaches a preset reference value. 제 8 항에 있어서, 상기 실제 데이터는,
상기 비행체의 실제 플렉셔 거동에 대한 실제 플렉셔 데이터를 푸리에 변환(Fourier Transform)하여 생성되는 스펙토그램인, 플렉셔 데이터 생성 방법.The method of claim 8, wherein the actual data,
A method for generating flexure data, which is a spectogram generated by Fourier transforming actual flexure data for the actual flexure behavior of the aircraft. 제 13 항에 있어서, 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 것인, 플렉셔 데이터 생성 방법.14. The method of claim 13, wherein the actual flexure data,
Which is calculated based on the first inertial data measured from the first navigation module of the vehicle and the second inertia data measured from the second navigation module of the vehicle, flexure data generation method. 제 14 항에 있어서, 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 것인, 플렉셔 데이터 생성 방법.15. The method of claim 14, wherein the actual flexure data,
From the first inertia data, the rotationally converted value of the second inertia data to correspond to the first inertia data, the lever arm component value and error value for the first inertia data are removed, flexure data generation method. 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 포함하는, 플렉셔 데이터 학습 장치.a memory including a generator and a discriminator and storing an artificial neural network generating flexure data;
Learning the generator to generate fake data for the flexure behavior of the aircraft using random noise, and receiving real data generated based on the actual flexure behavior of the aircraft, determining the authenticity of the fake data A processor for learning the discriminator to do; including, flexure data learning device. 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 포함하는, 플렉셔 데이터 생성 장치.a memory for storing an artificial neural network previously trained to generate flexure data; and
A processor for generating fake data for the flexure behavior of an air vehicle from random noise using the artificial neural network and generating the flexure data using the fake data;
The artificial neural network,
It is learned according to the flexure data learning method of the aircraft,
The flexure data learning method of the flight vehicle,
training the generator to generate fake data for learning using random noise; and
Upon receiving the actual data generated based on the actual flexure behavior of the aircraft, learning a discriminator to determine whether the fake data for learning is authentic; including, the flexure data generating device. 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 포함하는, 컴퓨터 판독 가능한 기록매체.A computer-readable recording medium storing a computer program,
When the computer program is executed by a processor,
A method for learning an artificial neural network including a generator and a discriminator and generating flexure data,
training the generator to generate fake data on the flexure behavior of the vehicle using random noise; and
Learning the discriminator to determine the authenticity of the fake data when receiving real data generated based on the actual flexure behavior of the aircraft; Including instructions for causing the processor to perform a method including , computer-readable recording media. 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 포함하는, 컴퓨터 프로그램.As a computer program stored on a computer-readable recording medium,
When the computer program is executed by a processor,
A method for learning an artificial neural network including a generator and a discriminator and generating flexure data,
training the generator to generate fake data on the flexure behavior of the vehicle using random noise; and
Learning the discriminator to determine the authenticity of the fake data when receiving real data generated based on the actual flexure behavior of the aircraft; Including instructions for causing the processor to perform a method including , a computer program. 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 포함하는, 컴퓨터 판독 가능한 기록매체.A computer-readable recording medium storing a computer program,
When the computer program is executed by a processor,
In the method for generating flexure data using a pre-learned artificial neural network,
Generating fake data about the flexure behavior of the vehicle from random noise using the artificial neural network; and
Including instructions for causing the processor to perform a method including; generating the flexure data using the fake data;
The artificial neural network,
It is learned according to the flexure data learning method of the aircraft,
The flexure data learning method of the flight vehicle,
training the generator to generate fake data for learning using random noise; and
Upon receiving the actual data generated based on the actual flexure behavior of the aircraft, learning a discriminator to determine whether the fake data for learning is authentic; a computer-readable recording medium comprising a. 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 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 포함하는, 컴퓨터 프로그램.As a computer program stored on a computer-readable recording medium,
When the computer program is executed by a processor,
In the method for generating flexure data using a pre-learned artificial neural network,
Generating fake data about the flexure behavior of the vehicle from random noise using the artificial neural network; and
Including instructions for causing the processor to perform a method including; generating the flexure data using the fake data;
The artificial neural network,
It is learned according to the flexure data learning method of the aircraft,
The flexure data learning method of the flight vehicle,
training the generator to generate fake data for learning using random noise; and
When receiving real data generated based on the actual flexure behavior of the aircraft, learning the discriminator to determine the authenticity of the fake data for learning; including, a computer program.
KR1020220000416A 2022-01-03 2022-01-03 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 KR102663016B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220000416A KR102663016B1 (en) 2022-01-03 2022-01-03 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220000416A KR102663016B1 (en) 2022-01-03 2022-01-03 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

Publications (2)

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

Family

ID=87159908

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220000416A KR102663016B1 (en) 2022-01-03 2022-01-03 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

Country Status (1)

Country Link
KR (1) KR102663016B1 (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102283416B1 (en) 2019-04-03 2021-07-28 조선대학교산학협력단 A method and apparatus for generating image using GAN based deep learning model

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102283416B1 (en) 2019-04-03 2021-07-28 조선대학교산학협력단 A method and apparatus for generating image using GAN based deep learning model

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
KR102663016B1 (en) 2024-05-03

Similar Documents

Publication Publication Date Title
CN106354901B (en) A kind of carrier rocket mass property and dynamics key parameter on-line identification method
CN110728357B (en) IMU data denoising method based on recurrent neural network
CN114004023B (en) Method for identifying aerodynamic parameters of aircraft based on cyclic neural network
KR101915860B1 (en) Apparatus and method for controlling flight motion simulator
JP2013186899A (en) Method and system for monitoring structure
US11176424B2 (en) Method and apparatus for measuring confidence
CN111523254B (en) Vehicle verification platform with adjustable control characteristics and implementation method
CN116953677A (en) Sonar target recognition algorithm based on deep learning
KR102663016B1 (en) 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
CN112784487B (en) Flight action recognition method and device
Horton Real-time identification of missile aerodynamics using a linearised Kalman filter aided by an artificial neural network
CN114595738A (en) Method for generating training data for recognition model and method for generating recognition model
Peyada et al. Aircraft parameter estimation using neural network based algorithm
KR102019876B1 (en) Apparatus and method for navigation performance evaluation of inertial navigation system for high speed underwater guided weapon
Wang et al. Translational motion compensation of space micromotion targets using regression network
KR20230094504A (en) Vehicle-in-the-Loop system and method for interworking between simulator and real vehicle
CN112278334B (en) Method for controlling the landing process of a rocket
CN113625720A (en) Unmanned ship autonomous navigation control algorithm simulation evaluation system
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
JP7466418B2 (en) ISAR image data learning device, target classification device and radar device
CN118332304B (en) Method and system for evaluating artificial intelligence model
CN116859901B (en) Data security analysis method and system for avionic system
KR102187113B1 (en) Apparatus and method for measuring aircraft attitude using electronic whistle sensor
KR102221968B1 (en) Method of virtual-train speed control using speed data converting logic

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