통합 전자전 환경에서 기계학습을 이용한 위협체 역추정 모델링 Modeling the reverse extrapolation of RF threats using machine learning algorithms in simulated electronic warfare settings원문보기
이 논문은 통합전자전 상황에서 전자정보 수집신호의 변수를 분석하여 전자파 신호를 발산하는 레이더 및 위협체계를 역추정으로 모델링하는 기법을 다룬다. 전자전 수신기가 위협체로부터 수신한 변수 중 가장 중요한 속성을 1-rule 알고리즘을 통하여 파악하였으며, 베이지안 분류 알고리즘, ...
이 논문은 통합전자전 상황에서 전자정보 수집신호의 변수를 분석하여 전자파 신호를 발산하는 레이더 및 위협체계를 역추정으로 모델링하는 기법을 다룬다. 전자전 수신기가 위협체로부터 수신한 변수 중 가장 중요한 속성을 1-rule 알고리즘을 통하여 파악하였으며, 베이지안 분류 알고리즘, 의사결정 트리 학습 알고리즘 및 인공 신경망 알고리즘을 사용하여 위협체를 추정할 수 있는 프로토타입을 구축하였다. 다양한 통합전자전 상황에서 생성한 규칙을 기반으로 역추정 모델을 구축하고 새로운 데이터가 주어지면 모델링한 위협체로 분류한다. 실험에서 베이지안 분류 알고리즘, 의사결정 트리 학습 알고리즘 및 인공 신경망 알고리즘을 각각 적용하여 학습 곡선을 생성하였으며, 학습 곡선에서 최적의 성능을 나타내는 역추정 모델을 실험적으로 정립하였다. 또한, 세 가지 알고리즘의 결과로 생성된 프로토타입을 기반으로 역추정 모델링에 대한 정확도를 평가하였으며 결과 성능이 99% 이상임을 보였다.
이 논문은 통합전자전 상황에서 전자정보 수집신호의 변수를 분석하여 전자파 신호를 발산하는 레이더 및 위협체계를 역추정으로 모델링하는 기법을 다룬다. 전자전 수신기가 위협체로부터 수신한 변수 중 가장 중요한 속성을 1-rule 알고리즘을 통하여 파악하였으며, 베이지안 분류 알고리즘, 의사결정 트리 학습 알고리즘 및 인공 신경망 알고리즘을 사용하여 위협체를 추정할 수 있는 프로토타입을 구축하였다. 다양한 통합전자전 상황에서 생성한 규칙을 기반으로 역추정 모델을 구축하고 새로운 데이터가 주어지면 모델링한 위협체로 분류한다. 실험에서 베이지안 분류 알고리즘, 의사결정 트리 학습 알고리즘 및 인공 신경망 알고리즘을 각각 적용하여 학습 곡선을 생성하였으며, 학습 곡선에서 최적의 성능을 나타내는 역추정 모델을 실험적으로 정립하였다. 또한, 세 가지 알고리즘의 결과로 생성된 프로토타입을 기반으로 역추정 모델링에 대한 정확도를 평가하였으며 결과 성능이 99% 이상임을 보였다.
This paper proposes a method to model the reverse extrapolation of RF threats through the attributes representing RF threats in an integrated electronic warfare situation. Using 1-rule algorithm, the most important attribute figuring out the threat could be assured among the attributes which a recei...
This paper proposes a method to model the reverse extrapolation of RF threats through the attributes representing RF threats in an integrated electronic warfare situation. Using 1-rule algorithm, the most important attribute figuring out the threat could be assured among the attributes which a receiver collected. And also, we build a prototype which estimates threats using three machine learning algorithms, i.e., naive Bayesian classifier, decision tree, and artificial neural network. In various integrated electronic warfare situations, we tested our reverse extrapolation model based on the outputs of machine learning algorithms, where new test data were given to identify a threat. We also generated learning curves for each algorithm, and experimentally decided their optimal reverse extrapolation models. To verify the prototype of our model compiled, we evaluated the accuracy of reverse extrapolation models and the resulting performance showed more than 99% of accuracy.
This paper proposes a method to model the reverse extrapolation of RF threats through the attributes representing RF threats in an integrated electronic warfare situation. Using 1-rule algorithm, the most important attribute figuring out the threat could be assured among the attributes which a receiver collected. And also, we build a prototype which estimates threats using three machine learning algorithms, i.e., naive Bayesian classifier, decision tree, and artificial neural network. In various integrated electronic warfare situations, we tested our reverse extrapolation model based on the outputs of machine learning algorithms, where new test data were given to identify a threat. We also generated learning curves for each algorithm, and experimentally decided their optimal reverse extrapolation models. To verify the prototype of our model compiled, we evaluated the accuracy of reverse extrapolation models and the resulting performance showed more than 99% of accuracy.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.