본 논문에서는 레이다 신호를 위한 새로운 클래스간 분리도 측정 방법을 제시한다. 제안된 방법에서는 표적과 레이다 간의 상대적 각도 차이의 따른 레이다 신호의 민감도를 감소시키기 위해 RCS(radar cross section)의 경우 두 신호의 상관계수(correlation coefficient)를 구하고, 1차원 신호의 경우(i.e., high resolution range profile(HRRP)) 선형이동을 하며 상관계수를 구한다. 2차원 레이다 신호(i.e., inverse synthetic aperture radar(ISAR))의 경우 두 레이다 신호를 회전하면서 상관계수를 계산한다. 그런 다음, 두 레이다 신호가 가장 잘 배열되었을 경우의 최대 상관계수를 구하고, 이를 이용해 새로운 형태의 상관 기반 분리 행렬을 구성한다. 상관 기반 분리 행렬의 누적분포함수를 구하여 상위 확률에 응답하는 값을 구하였고, 그 값은 레이다 신호의 분리 능력을 정확하게 나타낸다. 제안한 방법을 이용한 실험 결과, 표적 분리 능력을 정확하게 추정할 수 있었다.
본 논문에서는 레이다 신호를 위한 새로운 클래스간 분리도 측정 방법을 제시한다. 제안된 방법에서는 표적과 레이다 간의 상대적 각도 차이의 따른 레이다 신호의 민감도를 감소시키기 위해 RCS(radar cross section)의 경우 두 신호의 상관계수(correlation coefficient)를 구하고, 1차원 신호의 경우(i.e., high resolution range profile(HRRP)) 선형이동을 하며 상관계수를 구한다. 2차원 레이다 신호(i.e., inverse synthetic aperture radar(ISAR))의 경우 두 레이다 신호를 회전하면서 상관계수를 계산한다. 그런 다음, 두 레이다 신호가 가장 잘 배열되었을 경우의 최대 상관계수를 구하고, 이를 이용해 새로운 형태의 상관 기반 분리 행렬을 구성한다. 상관 기반 분리 행렬의 누적분포함수를 구하여 상위 확률에 응답하는 값을 구하였고, 그 값은 레이다 신호의 분리 능력을 정확하게 나타낸다. 제안한 방법을 이용한 실험 결과, 표적 분리 능력을 정확하게 추정할 수 있었다.
In this paper, we propose a novel class separability measure for radar signals. To reduce the sensitivity of the relative aspect angle between a target and radar, to evaluate the discriminatory power of radar signals, the proposed method first calculates the correlation coefficients between two rada...
In this paper, we propose a novel class separability measure for radar signals. To reduce the sensitivity of the relative aspect angle between a target and radar, to evaluate the discriminatory power of radar signals, the proposed method first calculates the correlation coefficients between two radar cross sections (RCSs) or linearly shifts one-dimensional (1D) radar signals (i.e., high-resolution range profiles (HRRPs)), or rotates two 2D radar signals (i.e., inverse synthetic aperture radar (ISAR) images). Then, it uses the maximum correlation coefficient when two radar signals are best aligned. Next, the proposed method obtains new correlation-based discriminant matrices (CDM) using maximum correlation coefficients. Finally, the cumulative distribution function (CDF) in the CDM and the value corresponding to the specific probability in the CDF are obtained, and this value represents the discriminatory power of the radar signal. Experimental results show that the proposed method can accurately measure the target separability.
In this paper, we propose a novel class separability measure for radar signals. To reduce the sensitivity of the relative aspect angle between a target and radar, to evaluate the discriminatory power of radar signals, the proposed method first calculates the correlation coefficients between two radar cross sections (RCSs) or linearly shifts one-dimensional (1D) radar signals (i.e., high-resolution range profiles (HRRPs)), or rotates two 2D radar signals (i.e., inverse synthetic aperture radar (ISAR) images). Then, it uses the maximum correlation coefficient when two radar signals are best aligned. Next, the proposed method obtains new correlation-based discriminant matrices (CDM) using maximum correlation coefficients. Finally, the cumulative distribution function (CDF) in the CDM and the value corresponding to the specific probability in the CDF are obtained, and this value represents the discriminatory power of the radar signal. Experimental results show that the proposed method can accurately measure the target separability.
본 논문에서는 이러한 기존 방법의 단점을 보완하고자 레이다 신호에 적합한 상관관계에 기반한 클래스 분리 측정 방법을 제안한다. 제안된 방법에서는 1차원 레이다 신호의 경우 선형 이동을 하며 상관계수(correlation coefficient)를 계산하고, 2차원 레이다 신호의 경우 두 레이다 신호를 회전하면서 상관계수를 계산한다.
제안 방법
본 논문에서는 레이다 신호의 클래스 분리도 측정에 대한 연구를 수행하였다. 제안된 방법에서는 표적과 레이다간의 상대적 각도차에 의한 레이다 신호의 민감도를 감소시키기 위해 레이다 신호간의 상관계수를 이용하였다. 또한 상관계수를 이용하여 클래스간 상관행렬, 클래스내 상관행렬, 상관 기반 분리 행렬을 각각 구성하였다.
대상 데이터
제안한 방법의 클래스 분리 능력을 평가하기 위해 4개의 비행기(F16, Gripen, Mig25, YF23)를 이용하여 실험을 수행하였다(그림 5). 이들의 RCS 데이터를 얻기 위해 VIRAF(virtual aircraft framework)의 물리광학법(physical optics: PO)과 물리광학 회절이론(physical theory of diffraction: PTD)을 사용하여 계산하였다[12].
이론/모형
제안한 방법의 클래스 분리 능력을 평가하기 위해 4개의 비행기(F16, Gripen, Mig25, YF23)를 이용하여 실험을 수행하였다(그림 5). 이들의 RCS 데이터를 얻기 위해 VIRAF(virtual aircraft framework)의 물리광학법(physical optics: PO)과 물리광학 회절이론(physical theory of diffraction: PTD)을 사용하여 계산하였다[12]. 측정 고각은 90° 고정, 관측 각도는 0°～180°에 샘플 간격은 1°로 샘플 개수는 181이다.
성능/효과
또한 상관계수를 이용하여 클래스간 상관행렬, 클래스내 상관행렬, 상관 기반 분리 행렬을 각각 구성하였다. 상관 기반 분리 행렬의 누적분포함수를 구하여 상위 확률에 응답하는 값을 구하였고, 실험 결과 레이다 신호의 클래스 분리도를 정확히 추정하는 것으로 나타났다. 제안된 방법의 경우 기존 방법인 LDA에서의 특이점 문제나 바타차야 거리의 분포도 문제가 발생하지 않기 때문에 레이다 신호의 분리 능력 측정에 있어 더 광범위하게 활용될 수 있을 것으로 사료된다.
후속연구
상관 기반 분리 행렬의 누적분포함수를 구하여 상위 확률에 응답하는 값을 구하였고, 실험 결과 레이다 신호의 클래스 분리도를 정확히 추정하는 것으로 나타났다. 제안된 방법의 경우 기존 방법인 LDA에서의 특이점 문제나 바타차야 거리의 분포도 문제가 발생하지 않기 때문에 레이다 신호의 분리 능력 측정에 있어 더 광범위하게 활용될 수 있을 것으로 사료된다.
질의응답
핵심어
질문
논문에서 추출한 답변
클래스간 분리도 측정 방법은 어떻게 구분되는가?
클래스간 분리도 측정은 얼굴 인식, 영상 분류, 컴퓨터 비전 분야에서 특성 벡터의 구분 성능을 평가하기 위해 연구되어져 왔다. 일반적으로 클래스간 분리도 측정 방법은 분포 기반 기법(distribution-based method)과 분산 행렬 기반 기법(scatter matrix-based method)로 구분할 수 있다.
분포 기반 기법의 대표적 방법에는 무엇이 있는가?
분포 기반 기법은 특성 벡터의 확률 분포도를 이용하여 특성 벡터의 성능을 평가한다. 대표적인 방법으로 다이버전스(divergence), 바타차야 거리(Bhattacharyya distance), 체르노프 바운드(Chernoff bound) 등이 있다[1]～[5]. 분산 행렬 기반 방법은 클래스간 분산(between-class scatter)와 클래스내 분산(within-class scatter)의 비율을 이용하는 방법으로서 대표적으로 선형 판별 분석법(linear discriminant analysis: LDA)이 있다[6]～[9].
클래스간 분리도 측정의 연구 목적은?
클래스간 분리도 측정은 얼굴 인식, 영상 분류, 컴퓨터 비전 분야에서 특성 벡터의 구분 성능을 평가하기 위해 연구되어져 왔다. 일반적으로 클래스간 분리도 측정 방법은 분포 기반 기법(distribution-based method)과 분산 행렬 기반 기법(scatter matrix-based method)로 구분할 수 있다.
참고문헌 (12)
E. Choi, C. Lee, “Feature extraction based on the Bhattacharyya distance,” in IGARSS 2000, IEEE 2000 International Geoscience and Remote Sensing Symposium, Honolulu, Jul. 2000, vol. 5, pp. 2146-2148.
10.1109/TCOM.1967.1089532 T. Kailath, “The divergence and Bhattacharyya distance measures in signal selection,” IEEE Transactions on Communication Technology, vol. 15, no. 1, pp. 52-60, Feb. 1967. 10.1109/TCOM.1967.1089532
10.1109/34.481557 J. Novovicova, P. Pudil, and J. Kittler, “Divergence based feature selection for multimodal class densities,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 18, no. 2, pp. 218-223, Feb. 1996. 10.1109/34.481557
10.1109/TASL.2010.2064308 K. A. Lee, C. H. You, H. Li, T. Kinnunen, and K. C. Sim, “Using discrete probabilities with Bhattacharyya measure for SVM-based speaker verification,” IEEE Transactions on Audio, Speech, and Language Processing, vol. 19, no. 4, pp. 861-870, May 2011. 10.1109/TASL.2010.2064308
10.1109/LSP.2013.2288355 R. Nielsen, R. Nock, “On the Chi square and higher-order Chi distances for approximating f-divergences,” IEEE Signal Processing Letters, vol. 21, no. 1, pp. 10-13, Jan. 2014. 10.1109/LSP.2013.2288355
10.1109/34.598228 P. N. Belhumeur, J. P. Hespanha, and D. J. Kriegman, “Eigenfaces vs. fisherfaces: Recognition using class specific linear projection,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 19, no. 7, pp. 711-720, Jul. 2013. 10.1109/34.598228
10.1016/B978-0-08-047865-4.50007-7 M. Fukunaga, Introduction to Statistical Pattern Recognition, 2nd ed. New York, Academic Press, 1990. 10.1016/B978-0-08-047865-4.50007-7, 2169829
S. Theodoridis, K. Koutroumbas, Pattern Recognition, New York, Elsevier Academic Press, 1999.
R. O. Duda, P. E. Hart, and D. G. Stork, Pattern Classification, 2nd ed. New York, John Wiley & Sons, 2001.
10.1049/SBRA504E V. C. Chen, M. Martorella, Inverse Synthetic Aperture Radar Imaging: Principles, Algorithms and Applications (Electromagnetics and Radar), IET/Scitech, 2014. 10.1049/SBRA504E
10.1002/9781118178072 C. Ozdemir, Inverse Synthetic Aperture Radar Imaging with MATLAB Algorithms, New York, John Wiley & Sons, 2012. 10.1002/9781118178072
Virtual Aircraft Framework for RCS/IR analysis and mitigation(VIRAF). Available: http://www.idscorporation.com.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.