[논문]최급 강하법 기반 인공 신경망을 이용한 다기능 레이다 표적 우선순위 할당에 대한 연구

정남훈; 이성현; 강민석; 구창우; 김철호; 김경태

doi:10.5515/kjkiees.2018.29.1.68

초록
AI-Helper

표적 우선순위 할당은 다수의 표적이 존재하는 전술 환경에서 다기능 레이다(Multifunction Radar: MFR)가 중요한 표적을 추적하고 레이다 자원을 효율적으로 관리하기 위해 필요한 기능이다. 본 논문에서는 레이다에서 수집한 정보로부터 표적에 대한 우선순위를 산출하는 인공 신경망(Artificial Neural Network: ANN) 모델을 구현한다. 더 나아가, 기존의 경사 하강법(gradient descent) 기반 역전파(backpropagation) 알고리즘을 발전시켜 표적 우선순위 할당에 더욱 적합한 최급 강하법(steepest descent) 기반 신경망 학습 알고리즘을 제안한다. 시뮬레이션에서는 훈련 데이터와 신경망의 결과값 사이의 오차와 특정 테스트 시나리오에서 할당된 우선순위의 합리성을 분석하여 제안된 방법의 성능을 확인한다.

Abstract ▼ AI-Helper

Target prioritization is necessary for a multifunction radar(MFR) to track an important target and manage the resources of the radar platform efficiently. In this paper, we consider an artificial neural network(ANN) model that calculates the priority of the target. Furthermore, we propose a neural n...

Target prioritization is necessary for a multifunction radar(MFR) to track an important target and manage the resources of the radar platform efficiently. In this paper, we consider an artificial neural network(ANN) model that calculates the priority of the target. Furthermore, we propose a neural network learning algorithm based on the steepest descent method, which is more suitable for target prioritization by combining the conventional gradient descent method. Several simulation results show that the proposed scheme is much more superior to the traditional neural network model from analyzing the training data accuracy and the output priority relevance of the test scenarios.

주제어

AI 본문요약
AI-Helper

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

문제 정의

선형 시나리오의 경우 다른 조건이동일한 상태에서 선형 파라미터에 해당하는 거리와 피아조건을 다르게 하여 그에 따른 우선순위 할당 결과를 관찰하였다. 또한, 표적이 다가오는 방향일 때와 멀어지는 방향일 때 각각 속력을 다르게 하여 속력과 방향에 대한 비선형적 시나리오에서 우선순위 할당이 제대로 이루어지는지 알아보았다. 결과의 신뢰성을 위하여 각 신경망에 대해 학습을 독립적으로 30회 수행하고, 여기에 테스트 시나리오를 입력한 결과의 평균값을 최종 결과값으로 사용하였다.
본 논문에서는 MFR의 입력으로부터 추적 임무의 표적 우선순위 할당을 위한 단일 계층 인공 신경망 알고리즘을 구현하였다. 또한 시뮬레이션을 통해 다양한 시나리오에 대한 분석을 수행하였고, 이를 바탕으로 기존의 경사 하강법 기반의 신경망 학습 알고리즘보다 제안한 최급 강하법 기반의 신경망 학습 알고리즘이 표적 우선순위 할당에 더 적합함을 보였다.

제안 방법

다음으로, 비선형 시나리오(거리 35 km, 적 표적, 중요 구역)를 경사 하강법과 최급 강하법을 이용하여 1,000회 학습한 신경망에 적용하였다(표 5). 경사 하강법을 이용한 신경망의 경우, 표 5(a)에서 시나리오 E를 보면 표적이 다가오는 방향(150°)일 때 속력이 300 km/h로 빠른 표적이 100 km/h인 표적에 비해 우선순위가 높아 훈련 데이터가 제대로 반영된 것을 확인할 수 있다.
다음으로, 신경망을 통한 우선순위 할당의 합리성을 알아보기 위하여 몇 가지 테스트 시나리오에 대한 시뮬레이션을 수행하였다. 마찬가지로 최급 강하법과 경사 하강법을 이용하여 신경망을 1,000회, 5,000회의 훈련 반복횟수만큼 학습시켰다.
따라서 본 논문에서는 신경망 구조에 기반한 자원관리 알고리즘의 연구를 수행하여 역전파(backpropagation) 기법 중 기존의 경사 하강법(gradeint descent) 이외에 새로이 최급 강하법(steepest descent)을 적용하여 신경망을 학습시키는 방법을 고안하였다. 이를 정확성 및 특정 시나리오에 대한 적합성 측면에서 분석하였으며, 결과적으로 추적 임무에서의 표적 우선순위 할당에 적합한 최급 강하법 기반의 인공 신경망 구조를 제안하였다.
먼저, 경사 하강법과 최급 강하법을 이용하여 신경망을 1,000회 학습시키고, 선형 시나리오를 적용하여 우선순위 할당 결과 값을 얻었다(표 3 참고). 표 3(a)와 표 3(b) 모두 시나리오 A에서 속력이 200 km/h, 방향이 180°, 적표적, 중요도 보통의 구역일 때 거리가 70 km인 경우에 비해 50 km일 때 우선순위 값이 높게 나타나는 것을 확인할 수 있다.
이렇게 생성된 훈련 데이터를 이용하여 본론에서 소개한 단일 계층 인공 신경망을 학습시켰다. 신경망의 은닉 뉴런의 수는 60개로 설정하였고, 초기의 계수는 -0.
따라서 본 논문에서는 신경망 구조에 기반한 자원관리 알고리즘의 연구를 수행하여 역전파(backpropagation) 기법 중 기존의 경사 하강법(gradeint descent) 이외에 새로이 최급 강하법(steepest descent)을 적용하여 신경망을 학습시키는 방법을 고안하였다. 이를 정확성 및 특정 시나리오에 대한 적합성 측면에서 분석하였으며, 결과적으로 추적 임무에서의 표적 우선순위 할당에 적합한 최급 강하법 기반의 인공 신경망 구조를 제안하였다.

대상 데이터

이 장에서는 제안한 인공 신경망 기반 표적 우선순위 할당 알고리즘을 검증하도록 한다. 이를 위해 다양한 시나리오를 고려하여 166개의 훈련 데이터를 생성하였다(표 1 참고). 레이다 플랫폼과 표적 사이의 거리는 최소 1 km에서 최대 100 km까지의 범위에서 거리가 가까워질수록 우선순위가 증가하도록 설정하고, 진행 방향은 표적이 플랫폼을 향해 수직으로 다가오는 경우를 180°로, 멀어지는 경우를 0°로 정의하여 0°에서 180°로 갈수록 우선순위가 증가하도록 설정하였다(그림 4 참고).

데이터처리

또한, 표적이 다가오는 방향일 때와 멀어지는 방향일 때 각각 속력을 다르게 하여 속력과 방향에 대한 비선형적 시나리오에서 우선순위 할당이 제대로 이루어지는지 알아보았다. 결과의 신뢰성을 위하여 각 신경망에 대해 학습을 독립적으로 30회 수행하고, 여기에 테스트 시나리오를 입력한 결과의 평균값을 최종 결과값으로 사용하였다.

성능/효과

마지막으로, 시나 리오 D에서는 거리 65 km, 속력 50 km/h, 방향 90°, 적 표적인 경우 구역의 중요도에 따른 할당 결과를 비교하였다. 그 결과, 표 3(a)와 표 3(b) 모두 구역의 중요도가 높을수록 표적의 우선순위를 높게 할당하는 것을 확인할 수 있었다.
이는 훈련 데이터를 통해 의도한 바가 제대로 반영된 결과로 볼 수 있다. 따라서 경사 하강법을 이용한 신경망에서는 최적의 우선순위를 찾지 못하는 시나리오가 존재하고, 최급 강하법을 통해 이를 해결할 수 있다는 것을 확인하였다. 이러한 결과는 경사 하강법의 경우 지역 최저점(local minimum)에 빠지기 쉽고, 최급 강하법은 지역 최저점을 피해 보다 높은 확률로 전역 최저점(global minimum)을 찾을 수 있다는 특성에서 기인하는 것으로 분석된다.
본 논문에서는 MFR의 입력으로부터 추적 임무의 표적 우선순위 할당을 위한 단일 계층 인공 신경망 알고리즘을 구현하였다. 또한 시뮬레이션을 통해 다양한 시나리오에 대한 분석을 수행하였고, 이를 바탕으로 기존의 경사 하강법 기반의 신경망 학습 알고리즘보다 제안한 최급 강하법 기반의 신경망 학습 알고리즘이 표적 우선순위 할당에 더 적합함을 보였다. 향후 연구에서는 다중 계층 인공 신경망 등 더 발전된 신경망 구조를 MFR에 적용할 방안을 고안하고, 레이다 자원 관리를 위한 최적의 신경망 기법에 대한 분석을 목표로 할 것이다.
표 3에서와 같은 조건으로 시나리오 A～D에 따라 시뮬레이션을 진행한 결과, 1,000회 학습시킨 신경망에서와 같은 경향의 결과가 나타나는 것을 확인하였다. 지금까지의 결과를 통해 경사 하강법을 이용한 신경망과 최급 강하법을 이용한 신경망 모두 선형 시나리오에 대해서는 우선순위 할당이 합리적으로 이루어진다는 사실을 확인할 수 있었다.
25로 설정하였다. 학습 반복 횟수를 10,000회 까지 수행하였을 때 경사 하강법을 이용한 신경망과 최급 강하법을 이용한 신경망의 훈련 오차를 비교한 결과, 모든 훈련 반복 횟수에서 최급 강하법을 이용한 신경망의 훈련 오차가 더 낮게 나타나는 것을 확인할 수 있었다(그림 5). 훈련 오차는 각 학습 반복 횟수 마다 신경망이 모든 훈련 시나리오에 대해 산출한 우선순위 값과 실제 우선순위 값의 평균 제곱근 오차를 계산한 것이다.

후속연구

따라서 레이다 추적 임무에서 표적 우선순위 할당을 위해 인공 신경망 기법을 적용하는 경우 최급 강하법을 이용하여 신경망 알고리즘을 학습시키는 것이 더욱 적절할 것이다.
그러나 현재 레이다 자원관리의 관점에서 인공 신경망을 적용한 연구는 기본적인 인공 신경망 구조를 이용하여 개념을 제시한 수준에 그치며, 이 외에 다양한 구조를 적용하고 성능을 분석한 연구가 미비한 상태이다. 또한, 신경망 구조에 적용할 수 있는 여러 최적화 기법들이 존재하지만, 이에 대한 적용 가능성의 검토 및 성능 평가 관련 연구도 부족하다.
또한 시뮬레이션을 통해 다양한 시나리오에 대한 분석을 수행하였고, 이를 바탕으로 기존의 경사 하강법 기반의 신경망 학습 알고리즘보다 제안한 최급 강하법 기반의 신경망 학습 알고리즘이 표적 우선순위 할당에 더 적합함을 보였다. 향후 연구에서는 다중 계층 인공 신경망 등 더 발전된 신경망 구조를 MFR에 적용할 방안을 고안하고, 레이다 자원 관리를 위한 최적의 신경망 기법에 대한 분석을 목표로 할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	고정 우선순위 할당 기법의 단점은?	이와 같은 표적 우선순위 할당을 위하여 속도, 거리 등미리 정해진 단순한 기준에 따라 우선순위 할당을 수행 하는 고정 우선순위 할당 기법에서부터 퍼지 논리 기반 기법[3], 은닉 마르코프 모델(Hidden Markov Model: HMM) 을 이용하는 동적 계획법 기반 기법[4]등 다양한 측면에 서의 연구가 이루어져 왔다. 그러나 고정 우선순위 할당 기법의 경우 복잡한 전술 상황에 대처하는 능력이 떨어지고[5], 퍼지 논리 기반 기법은 각 변수에 대한 퍼지 멤버십 함수(fuzzy membership function)를 주관적으로 결정해 주어야 하는 어려움이 있다. 또한, 동적 계획법 기반 기법의 경우, 알고리즘의 계산량이 많아 실제 상황에서 실시간으로 입력을 처리하기에 적합하지 않다.
	단일 계층 인공 신경망 알고리즘은 경사 하강법 기반의 신경망 학습 알고리즘과 비교하여 어떤가?	본 논문에서는 MFR의 입력으로부터 추적 임무의 표적 우선순위 할당을 위한 단일 계층 인공 신경망 알고리즘을 구현하였다. 또한 시뮬레이션을 통해 다양한 시나리오에 대한 분석을 수행하였고, 이를 바탕으로 기존의 경사 하강법 기반의 신경망 학습 알고리즘보다 제안한 최급 강하법 기반의 신경망 학습 알고리즘이 표적 우선순위 할당에 더 적합함을 보였다. 향후 연구에서는 다중 계층 인공 신경망 등 더 발전된 신경망 구조를 MFR에 적용할 방안을 고안하고, 레이다 자원 관리를 위한 최적의 신경망 기법에 대한 분석을 목표로 할 것이다.
	동적 계획법 기반 기법의 단점은?	그러나 고정 우선순위 할당 기법의 경우 복잡한 전술 상황에 대처하는 능력이 떨어지고[5], 퍼지 논리 기반 기법은 각 변수에 대한 퍼지 멤버십 함수(fuzzy membership function)를 주관적으로 결정해 주어야 하는 어려움이 있다. 또한, 동적 계획법 기반 기법의 경우, 알고리즘의 계산량이 많아 실제 상황에서 실시간으로 입력을 처리하기에 적합하지 않다. 반면, 다양한 시나리오에 대한 학습이 완료된 인공 신경망을 이용하면 새로운 입력에 대해서도 실시간으로 우선순위 값을 산출할 수 있다[6].

참고문헌 (8)

Z. Ding, “A survey of radar resource management algorithms,” in 2008 Canadian Conference on Electrical and Computer Engineering, Niagara Falls, 2008, pp. 1559-1564.
W. Komorniczak, T. Kuczerski, and J. F. Pietrasinski, “The priority assignment for detected targets in multi-function radar,” in 13th International Conference on Microwaves, Radar and Wireless Communications. MIKON − 2000, Wroclaw, 2000, vol. 1, pp. 244-247.
10.5515/KJKIEES.2013.24.2.198 김현주, 박준영, 김동환, 김선주, “다기능 레이더의 추적 성능 개선을 위한 퍼지 추론 시스템 기반 임무 우선 순위 선정 기법 연구,” 한국전자파학회논문지, 24(2), pp. 198-206, 2013년 2월. 10.5515/KJKIEES.2013.24.2.198

원문보기 상세보기
10.1109/78.969499 V. Krishnamurthy, R. J. Evans, “Hidden Markov model multiarm bandits: A methodology for beam scheduling in multitarget tracking,” in IEEE Transactions on Signal Processing, Dec. 2001, vol. 49, no. 12, pp. 2893-2908. 10.1109/78.969499

상세보기
10.1049/iet-rsn:20050106 S. L. C. Miranda, C. J. Baker, K. Woodbridge, and H. D. Griffiths, “Fuzzy logic approach for prioritisation of radar tasks and sectors of surveillance in multifunction radar,” IET Radar, Sonar & Navigation, vol. 1, no. 2, pp. 131-141, Apr. 2007. 10.1049/iet-rsn:20050106

상세보기
10.1109/SCET.2012.6342061 L. Ma, Y. h. Wang, “The target priority determination of radar based on improved BP neural network,” in 2012 Spring Congress on Engineering and Technology, Xian, May 2012, pp. 1-4. 10.1109/SCET.2012.6342061
S. Haykin, Neural Networks: A Classroom Approach, McGraw-Hill, 2004.
E. K. Chong, S. H. Zak, An Introduction to Optimization, vol. 76, John Wiley & Sons, 2013.

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

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

최급 강하법 기반 인공 신경망을 이용한 다기능 레이다 표적 우선순위 할당에 대한 연구
Target Prioritization for Multi-Function Radar Using Artificial Neural Network Based on Steepest Descent Method 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

질의응답

참고문헌 (8)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

최급 강하법 기반 인공 신경망을 이용한 다기능 레이다 표적 우선순위 할당에 대한 연구 Target Prioritization for Multi-Function Radar Using Artificial Neural Network Based on Steepest Descent Method 원문보기

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

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

질의응답

참고문헌 (8)

이 논문을 인용한 문헌

저자의 다른 논문 :

이성현 (6) 김경태 (50)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

최급 강하법 기반 인공 신경망을 이용한 다기능 레이다 표적 우선순위 할당에 대한 연구
Target Prioritization for Multi-Function Radar Using Artificial Neural Network Based on Steepest Descent Method 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper