[논문]신경망을 이용한 포병모의훈련체계 향상방안

류혜준; 고효헌; 김지현; 김성식

초록
AI-Helper

본 연구에서는 다양하고 복잡한 변수간의 비선형적인 관계를 분석할 수 있는 신경망의 특성을 이용하여 곡사화기를 사용하는 포병의 모의훈련체계를 향상시킬 수 있는 방안을 제시하였다. 신경망 모델은 Conjugate Gradient 학습알고리즘을 사용하였고, 모델의 신뢰성은 모의실험을 통해 수학적 회귀분석모델과 신경망 모델의 예측오차를 비교하여 입증하였다. 신경망모델을 곡사화기 모의훈련체계 개선에 활용한다면, 보다 실전적인 모의훈련을 가능하게 하여 전투력 향상 및 예산절감에도 크게 기여할 것이다.

Abstract ▼ AI-Helper

A methodology for the improvement of simulation based training system for the artillery is proposed in this paper. The complex nonlinear relationship inherent among parameters in artillery firing is difficult to model and analyze. By introducing neural network based simulation, accurate representati...

A methodology for the improvement of simulation based training system for the artillery is proposed in this paper. The complex nonlinear relationship inherent among parameters in artillery firing is difficult to model and analyze. By introducing neural network based simulation, accurate representation of artillery firing is made possible. The artillery training system can greatly benefit from the improved prediction. Neural networks learning is conducted using the conjugate gradient algorithm. The evaluation of the proposed methodology is performed through simulation. Prediction errors of both regression analysis model and neural networks model are analyzed. Implementation of neural networks to training system enables more realistic training, improved combat power and reduced budget.

Keyword

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

따라서 본 연구에서는 박격포, 견인포, 자주포 같은 곡사화기로 무장한 부대나 팀의 모의훈련 효율성 증대를 위해, 곡사화기의 탄착점을 예측할 수 있는 방법을 제시하고 탄착점의 예측모델을 통해 실제 훈련체계에 적용하여 활용할 수 있는 방안을 제시하고자 한다.
따라서 본 연구에서는 Gosh의 연구를 개선하여 포탄의 비거리 뿐만 아니라 좌우 편의 오차까지 예측하여 실제 포탄사격 시 탄착지점을 예측할 수 있는 모델을 구성하고, 이를 포병 모의훈련체계에 적용해 보고자 한다.
실시한다. 본 연구에서는 신경망이 예측하는 탄착지점에 대해서 실제 사격한 제원을 비교하고 허용오차를 고려하여 수립된 모델과의 유사성 검중을 실시한다. 모델 수립의 유효성 판단은 ANOVA(Analysis of variance) 테스트를 사용한다.
본 연구도 Gosh와 동일하게 실제 포탄 사격과 유사하면서 발생 가능한 다양한 사격 결과를 묘사하는 Military Ballistics의 탄도방정식을 기초로 가상의 탄도 시뮬레이션을 만들고, 이를 이용하여 신경망을 구성하여 모의실험을 실시한다. [15].
본 연구에서는 신경망을 이용한 포병 탄도예측 모델을 통해 포병부대의 모의훈련체계를 개선할 수 있는 방안을 제시했다.

제안 방법

이러한 모의훈련 시스템의 장점을 발전 시켜 우리 군에서도 모델링과 시뮬레이션을 이용한 각종 모의훈련체계를 개발하여 사용하게 되었다. 특히 육군의 모의 훈련 시스템 중 대표적인 것으로<그림 1>과 같은 대대급 과학화 전투 훈련체계(이하 과학화전투훈련)가 있다[3].
이는 입력 값이 많이 변화하더라도줄력 값의 구분이 모호하다는 의미로 해석될 수 있다. 때문에 본 연구에서는 학습 효율을 위해, 입력변수(사격제원, 도상제원, 기상제원)와 출력변수(사격 결과)를 식⑸를 사용하여 TT로 정규화 하여 실험하였다.
본 연구에서 제시한 신경망 모델의 수행성능을 평가하고, 구성된 신경망의 타당성을 검증하기 위해 모의실험을 실시하였다. 검증은 실제 포탄 사격을 통해 획득한 데이터를 기초로 실시하는 것이 좋으나 현실적 데이터 조건상 불가능하다.
신경망을 학습하기 위해선 조건별 실험된 데이터가 필요하나 실험데이터수집을 위한 실제 포탄 사격 실시에 많은 비용이 소요되고, 훈련상의 데이터 수집은 훈련장의 특성과 훈련 주기의 특성에 따라 데이터의 종류가 한정되어 실험에 필요한 다양한 데이터 수집에 어려움이 따른다. 따라서 기존 연구들에서 실시했던 수행성능 평가 방법을 참고하여 모의실험을 실시하도록 한다.
탄도에 영향을 주는 요소 중에 본 실험에서는 영향 관계가 비교적 명확한 표고차, 사각, 편각, 풍향, 풍속, 기온, 습도, 포구초속 등을 입력변수로 하고, 출력변수는 표적위치 대비 사거리오차, 편의오차가 있다.
본 실험에서는 탄착지점을 표현한 탄도 방정식을 임의의 모델(Unknown System)이라 가정하고 노이즈를 추가한 데이터를 생성시켜 실험에 필요한 학습데이터를 수집한다. 또한 신경망 모델의 비교대안으로 발생시킨 데이터에 선형 회귀분석 방법을 이용하여 모델을 구성하고 성능 비교를 실시한다.

대상 데이터

본 실험에서는 탄착지점을 표현한 탄도 방정식을 임의의 모델(Unknown System)이라 가정하고 노이즈를 추가한 데이터를 생성시켜 실험에 필요한 학습데이터를 수집한다. 또한 신경망 모델의 비교대안으로 발생시킨 데이터에 선형 회귀분석 방법을 이용하여 모델을 구성하고 성능 비교를 실시한다.

데이터처리

본 연구에서는 신경망이 예측하는 탄착지점에 대해서 실제 사격한 제원을 비교하고 허용오차를 고려하여 수립된 모델과의 유사성 검중을 실시한다. 모델 수립의 유효성 판단은 ANOVA(Analysis of variance) 테스트를 사용한다. 만일 구성된 신경망 모델이 기본적인 한계를 벗어나지 않았다면 데이터 간 유사성을 판단하여 학습에서 발생된 오차와 테스트에서 발생된오차의 차이유무를 판정하여, 오차의 차이가 존재하지 않다면 일반적인 모델이 수립된 것이므로 최종 모델수립을 완료하게 된다.
데이터 생성과 회귀분석 모델 및 신경망 모델구성은 통계 프로그램인 SAS 9.0을 활용하여 실험한다.

이론/모형

신경망 학습 알고리즘은 CG(Conjugate gra- dient)방법을 사용한다. Gosh의 신경망 모델이나 기존에 사용되던 SBP(Standard back-prop- agatkn)는 CG에 비해 학습속도도 느리고, 학습된 네트워크도 지역해(Local Optimum) 에 빠지는 경우가 많으며, 사용자가 몇 개의 핵심 모수 (파라미터)를 지정해 주어야 하기 때문에 모델 최적화에 어려움이 많다.
CG알고리즘을 사용하는데 있어 방향을 결정하는 것은 Fletch Reeves 제안식을 사용하였다. [12]
선 탐색 알고리즘은 시작 포인트의 기울기가 감소 방향임을 가정하는 등 범용적으로 사용하기는 어렵지만, CG에서 서브 알고리즘으로 사용 시 다른 선 탐색 알고리즘들 보다, 속도 및 해의 질 면에서 나은 성능을 보일 수 있다. 따라서 본연구에서는 Charalambous가 제안한 선 탐색 알고리즘을 사용하였다[13].

성능/효과

실험결과 표적에 대한 사거리 오차는 모델 적용 시 오차를 15%정도 감소시킬 수 있음을 알 수 있었다. 수학적 회귀모델과 신경망 모델 간의 오차는 2%로 큰 차이가 없어 보이지만, 장사정포의 경우 사거리에 따라 오차의 절대량이 커짐을 고려할 때 그 차이는 크다고 할 수 있다.
작용한다. 비선형관계 분석에 우수한 신경망 모델이 모델을 적용하지 않은 것이나 회귀분석 모델을 적용했을 때에 비해 월등하게 우수한 것으로 나타났다. 모델을 적용하지 않은 것과 회귀 분석 모델 간의 차이는 2%이고 신경망 모델과의 차이는 13%에 이르는 실험결과는 기상 영향요소와 편의오차간의 관계를 회귀분석모델 보다는 신경망 모델로 예측하는 것이 더 우수함을 보여준다.
비선형관계 분석에 우수한 신경망 모델이 모델을 적용하지 않은 것이나 회귀분석 모델을 적용했을 때에 비해 월등하게 우수한 것으로 나타났다. 모델을 적용하지 않은 것과 회귀 분석 모델 간의 차이는 2%이고 신경망 모델과의 차이는 13%에 이르는 실험결과는 기상 영향요소와 편의오차간의 관계를 회귀분석모델 보다는 신경망 모델로 예측하는 것이 더 우수함을 보여준다.
한편 본 연구에서 제시한 신경망 모델은 비선형적인 특성을 갖는 요인에 대해 선형관계적인 인식 보다는 패턴화된 인식을 하기 때문에 편의 오차에서 회귀분석모델이나 모델을 적용하지 않았을 때 보다 오차발생률이 낮게 나왔다.

후속연구

있었다. 그러나 Gosh가 사용한 신경망은 포탄의 비거리 (range) 예측에 한정된 것으로 본 연구의 목적인 탄착점에 대한 예측에 대해서는 좌우 편의 오차를 예측을 하지 못한다는 점에서 한계가 있다.
기존의 과학화 전투훈련 모델에 곡사화기 탄도를 묘사할 수 있는 모듈을 추가 탑재하면 실제 포탄 사격과 동일한 훈련 상황과 무기효과를 묘사할 수 있을 것이다. 기동부대나 직사화기 위주의 모의훈련이 아닌 포병과 곡사화기까지 모든 화기를 묘사한 실질적인 제병협동훈련으로서의 모의훈련체계 구성을 현실화 할 수 있을 것이다.
사격장이나 훈련장 여건이 불비하여 포탄 사격훈련이 제한되는 후방지역 포병부대의 경우 앞서 제시한 훈련체계를 적용한다면 포탄 사격훈련 시 발생하는 포병부대의 사격장으로의 이동 소요를 줄일 뿐만 아니라 사격 훈련으로 인한 소음, 화재 등 각종 민원발생을 사전에 차단할 수 있고, 낙탄 사고의 위험성을 감소시킬 것이다.
그러나 본 논문에서 제시한 방법은 훈련 또는 모델 구성을 위한 실제 포탄사격을 실시한 데이터를 활용하지 못했다. 따라서 실제 포탄 사격에 대한 데이터를 수집하여 적용해 봄으로서 과학화 훈련에 시스템 구현을 검증해볼 필요가 있고, 탄착지점 예측을 통한 곡사화기의 사격 명중률향상을 위한 추후 연구가 필요하다.
활용하지 못했다. 따라서 실제 포탄 사격에 대한 데이터를 수집하여 적용해 봄으로서 과학화 훈련에 시스템 구현을 검증해볼 필요가 있고, 탄착지점 예측을 통한 곡사화기의 사격 명중률향상을 위한 추후 연구가 필요하다.
더 나아가 신경망 모델을 곡사탄도가 아닌 미사일 탄도의 영역으로 추가적인 연구를 한다면 탄도미사일 방어체계 개발에도 활용할 수 있을 것이다.

참고문헌 (16)

FY 2003 미 국방 연례보고서(Annual Report), 국방정보본부, 2002, p.11
윤상윤, 우리 군의 M&S 비 전과 과제, 국방정책 연구, 2005.pp.9-36
육군 과학화 훈련단, 육군 과학화 훈련단 홈페이지, 2007, http://www.kctc.mil.kr
임영헌, MlLES 장비 운용체계 소개, 전투발전, 1999, 제 96권, pp.42-60
김기호, BTCS 연동 3차원 워게임 시율레이션(풍익모델), 한국시뮬레이션학회 추계학술대회 논문집, 2000, pp.248-254
육군본부, 야교 32-3 사격지휘, 2004 .pp.2-6-2-17
민계료, 야전포병무가체계의 목표제압을 위한 속도오차의 허용한계 결정, 한국과학기술원(석사논문), 1976
서완석, 홍성훈, 화포사격제원의 새로운 수정방법, 공학연구 제 25권, 1994
A. K Ghosh, Modeling of Performance of an Artillery Shell Using Neural Networks, Journal of spacecraft and rockets, 2002. Vol. 39, No. 3, pp.470-472

상세보기
유요한, 신경회로망을 이용한 다층장갑의 방호성능 예측, 한국군사과학기술학회지, 2001, 제4권 2호, pp. 189-201

원문보기 상세보기
박상훈, 신경망을 이 용한 반도체 공정 모델링 : 포토공정 오버레이 사례연구, 고려대학교 대학원(석사논문), 2005
Fletcher, R, Reeves, CM, Function Mini mization by conjugate Gradients, Computer Journal, 1964, Vol. 7, pp. 149-154

상세보기
Ji hyun Kim, Neural Network Fusion to Overlay Control System for Lithography Process, Lecture Notes in Computer Science, 2006, December, Vol. 4304, pp 587-596
Barnard, E. Optimization for Training Neural Nets. IEEE Transactions on Nueral Networks, 1992, pp.232-240
C. L. Farrar, Military Ballistics, Royal Military College of Science. UK, 1983, pp.104-133
육군본부, 야전포병 대포포술 (관측), 1998. pp 부6-1-6-2

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] 신경망을 이용한 포병모의훈련체계 향상방안
Enhancement of Artillery Simulation Training System by Neural Network 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

Keyword

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

활용도 분석정보

활용도 Top5 논문

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 신경망을 이용한 포병모의훈련체계 향상방안 Enhancement of Artillery Simulation Training System by Neural Network 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

Keyword

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

고효헌 (10) 김지현 (6) 김성식 (59)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

활용도 분석정보

활용도 Top5 논문 더보기

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 신경망을 이용한 포병모의훈련체계 향상방안
Enhancement of Artillery Simulation Training System by Neural Network 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

활용도 Top5 논문