최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기韓國電磁波學會論文誌 = The journal of Korean Institute of Electromagnetic Engineering and Science, v.29 no.1, 2018년, pp.68 - 76
정남훈 (포항공과대학교 전자전기공학과) , 이성현 (포항공과대학교 전자전기공학과) , 강민석 (포항공과대학교 전자전기공학과) , 구창우 (포항공과대학교 전자전기공학과) , 김철호 (국방과학연구소) , 김경태 (포항공과대학교 전자전기공학과)
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...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
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]. |
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.
10.1109/78.969499 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
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
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.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
오픈액세스 학술지에 출판된 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.