[논문]펄스 내 변조 저피탐 레이더 신호 자동 식별

김민준; 공승현

doi:10.9766/kimst.2018.21.2.133

펄스 내 변조 저피탐 레이더 신호 자동 식별
Automatic Intrapulse Modulated LPI Radar Waveform Identification 원문보기

韓國軍事科學技術學會誌 = Journal of the KIMST, v.21 no.2, 2018년, pp.133 - 140

김민준 (한국과학기술원 조천식녹색교통대학원) , 공승현 (한국과학기술원 조천식녹색교통대학원)

Abstract ▼ AI-Helper

In electronic warfare(EW), low probability of intercept(LPI) radar signal is a survival technique. Accordingly, identification techniques of the LPI radar waveform have became significant recently. In this paper, classification and extracting parameters techniques for 7 intrapulse modulated radar signals are introduced. We propose a technique of classifying intrapulse modulated radar signals using Convolutional Neural Network(CNN). The time-frequency image(TFI) obtained from Choi-William Distribution(CWD) is used as the input of CNN without extracting the extra feature of each intrapulse modulated radar signals. In addition a method to extract the intrapulse radar modulation parameters using binary image processing is introduced. We demonstrate the performance of the proposed intrapulse radar waveform identification system. Simulation results show that the classification system achieves a overall correct classification success rate of 90 % or better at SNR = -6 dB and the parameter extraction system has an overall error of less than 10 % at SNR of less than -4 dB.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 7가지 펄스 내 변조 레이더 신호 식별과정을 소개했다. CNN을 이용한 펄스 내 변조 신호 분류 방법과, 분류된 정보와 TFI를 바탕으로 식별 인자까지 추출하는 방법을 제안했다.

가설 설정

이 논문에서는 대략적으로 레이더 신호 펄스 부분이 탐지가 됐고, 펄스 폭을 안다고 가정한다. 또한 한 가지 종류의 레이더 신호가 수신 됐다고 가정한다.
식별 인자 추출 단계에서는 TFI와 레이더 신호 변조 방법에 대한 정보를 바탕으로 영상처리를 이용하여, 중심주파수, 대역폭, 주파수 도약 정보와 같은 식별인자(Modulation parameters)를 얻어낸다. 이 논문에서는 대략적으로 레이더 신호 펄스 부분이 탐지가 됐고, 펄스 폭을 안다고 가정한다. 또한 한 가지 종류의 레이더 신호가 수신 됐다고 가정한다.

제안 방법

본 논문에서는 7가지 펄스 내 변조 레이더 신호 식별과정을 소개했다. CNN을 이용한 펄스 내 변조 신호 분류 방법과, 분류된 정보와 TFI를 바탕으로 식별 인자까지 추출하는 방법을 제안했다. 또한 제안한 방법을 시뮬레이션을 통해 검증한 결과, 제안한 분류 방법은 -6 dB에서 90 % 이상의 분류 성공률을 보이고 식별인자 추출 알고리즘은 -4 dB에서 오차율이 10 % 이하로 높은 레이더 신호 분류성공률과 낮은 식별인자 추출 오차율을 보인다.
본 논문에서 펄스 내 변조 레이더 신호를 분류하기 위해서 분류기로 CNN을 사용했다. CNN은 Convolution Layer에서 자체적으로 특징을 추출하기 때문에, 펄스 내 변조 방법 마다 특징인자를 구하는 기존 방법과는 달리, 별다른 특징인자를 구하는 과정 없이 TFI만 사용하여 펄스 내 변조 레이더 신호를 분류 할 수 있다^[7].
CNN은 구조를 결정하는 hyper-parameter에 따라 성능이 달라진다. 본 논문에서는 CNN의 입력 크기, convolution filter의 개수 및 크기, full-connected(FC) 층을 구성하는 뉴런(Neuron)의 개수와 같은 Hyper-parameter들을 바꿔가며 최적의 CNN 구조를 찾았다. 예를 들어, 입력 크기는 64×64, 128×128, 256×256, convolution filter의 개수는 20, 30, 40, 50 크기는 3×3, 5×5, 7×7, FC의 뉴런 개수는 100, 200, 300과 같이 바꿔가면서 분류 성공률이 최대가 나오는 hyper-parameters를 찾았다.
본 논문에서는 컨볼루션 신경망(CNN, Convolutional Neural Network)을 사용하여 7가지 저피탐 펄스 내 변조 방법(LFM, Costas code, Polyphase(Frank, P1, P2, P3, P4))^[1,5]을 분류하는 기술과 TFI를 영상처리하여 펄스 내 변조 레이더 신호 식별인자를 추출해 내는 방법을 제안한다. 기존 방법은 변조 방법 별로 특징인자를 찾으려는 노력이 필요하지만 TFI와 CNN을 이용한 변조 방법 분류 기술은 시간에 따른 주파수 변화의 특징을 잘 나타내는 TFI 자체를 특징인자로 사용하여 추가적으로 특징인자를 찾아낼 필요가 없다.
이번 장에서는 3장에서 얻어낸 펄스 내 변조 레이더 신호 종류에 대한 정보와 TFI를 이용하여 각 펄스 내 변조 레이더 신호의 식별인자들을 추출해 내는 과정을 소개 한다. 제안한 식별인자 추출 과정은 이진영상으로 변형 된 TFI를 사용한다.
이번 장에서는 3장에서 얻어낸 펄스 내 변조 레이더 신호 종류에 대한 정보와 TFI를 이용하여 각 펄스 내 변조 레이더 신호의 식별인자들을 추출해 내는 과정을 소개 한다. 제안한 식별인자 추출 과정은 이진영상으로 변형 된 TFI를 사용한다. 이진 영상으로 변형하는 영상 문턱처리 방법은 다음과 같다^[8].
그 중 70 %인 13,230개의 펄스 내 변조 레이더 신호는 CNN을 직접 학습하는데 사용하고 30 %인 5,670개는 학습 도중 알맞게 학습이 되고 있나 확인하는 용도로 사용하였다. 학습한 CNN을 이용하여 펄스 내 변조 레이더 신호를 잘 분류하는지 테스트를 했다. 테스트 레이더 신호로는 SNR을 -8 dB부터 2 dB씩 10 dB까지 증가시켰으며, 각 SNR당 100개씩, 한 개의 펄스 내 변조 신호를 위해 1,000개를 사용했으며, 7가지 펄스 내 변조 레이더 신호 총 7,000개를 사용하여 테스트 했다.

대상 데이터

3장에서 제안한 CNN을 이용한 펄스 내 변조 레이더 신호 분류에 대한 모의실험을 했다. Table 2는 모의실험을 위한 펄스 내 변조 레이더 신호의 변수 범위를 나타낸 것이다.
또한 U[a, b]는 최솟값이 a, 최댓값이 b인 균일 분포(uniformdistribution)를 의미한다. CNN을 학습시키기 위해, SNR이 -6 dB부터 2 dB씩 증가시켜 10 dB까지 해당하는 펄스 내 변조 레이더 신호를 각 SNR 당 300개 씩 만들어, 한 개의 펄스 내 변조 레이더 신호는 2700개의 신호가 있으며, 7개의 펄스 내 변조 레이더 신호가 있으므로 총 18,900개의 펄스 내 변조 레이더 신호를 사용했다. 그 중 70 %인 13,230개의 펄스 내 변조 레이더 신호는 CNN을 직접 학습하는데 사용하고 30 %인 5,670개는 학습 도중 알맞게 학습이 되고 있나 확인하는 용도로 사용하였다.
CNN을 학습시키기 위해, SNR이 -6 dB부터 2 dB씩 증가시켜 10 dB까지 해당하는 펄스 내 변조 레이더 신호를 각 SNR 당 300개 씩 만들어, 한 개의 펄스 내 변조 레이더 신호는 2700개의 신호가 있으며, 7개의 펄스 내 변조 레이더 신호가 있으므로 총 18,900개의 펄스 내 변조 레이더 신호를 사용했다. 그 중 70 %인 13,230개의 펄스 내 변조 레이더 신호는 CNN을 직접 학습하는데 사용하고 30 %인 5,670개는 학습 도중 알맞게 학습이 되고 있나 확인하는 용도로 사용하였다. 학습한 CNN을 이용하여 펄스 내 변조 레이더 신호를 잘 분류하는지 테스트를 했다.
학습한 CNN을 이용하여 펄스 내 변조 레이더 신호를 잘 분류하는지 테스트를 했다. 테스트 레이더 신호로는 SNR을 -8 dB부터 2 dB씩 10 dB까지 증가시켰으며, 각 SNR당 100개씩, 한 개의 펄스 내 변조 신호를 위해 1,000개를 사용했으며, 7가지 펄스 내 변조 레이더 신호 총 7,000개를 사용하여 테스트 했다. 테스트 한 결과는 SNR 별 7가지 신호의 총 분류 성공률(pcc, percentage of correct classification)을 나타낸 Fig.

이론/모형

수신한 레이더 신호에 대하여 시간에 따른 주파수 에너지 분포 특징을 얻기 위해서, 시간 주파수 분석 단계에서는 TFA 기법을 이용하여 2D-TFI를 얻는다. 본 논문에서는 각 레이더 신호의 변조형태 특징을 잘 나타내는 TFA기법으로 CWD를 사용했다. 얻어진 TFI는 분류기 구조에 맞게 영상 크기를 줄이는 영상처리과정이 필요하다.
위상 변조(PM: phase modulation)의 경우, f[k]가 상수이고 Φ[k]가 변수이다. 수신한 레이더 신호에 대하여 시간에 따른 주파수 에너지 분포 특징을 얻기 위해서, 시간 주파수 분석 단계에서는 TFA 기법을 이용하여 2D-TFI를 얻는다. 본 논문에서는 각 레이더 신호의 변조형태 특징을 잘 나타내는 TFA기법으로 CWD를 사용했다.
저피탐 펄스 내 변조 방법을 분류하기 위해서 대표적으로 시간 주파수 분석(TFA, Time Frequency Analysis)과 인공 신경망(ANN, Artificial Neural Network) 기술이 사용됐다. 시간 주파수 분석 방법 중에 WVD(Wiger-Ville Distribution), CWD(Choi-Williams Distribution), QMFB(Quadrature Mirror Filtering Bank), CSA(Cyclostationary Spectral Analysis)이 있으며, TFA로부터 얻은 영상(TFI, Time Frequency Image)의 픽셀(pixel) 값들을 특징인자로 사용하여 다층 퍼셉트론(MLP, Multi-Layer Perceptron)으로 픽셀 값들을 입력시켜 변조 방법을 분류하는 연구가 있었다^[1].

성능/효과

CNN을 이용한 펄스 내 변조 신호 분류 방법과, 분류된 정보와 TFI를 바탕으로 식별 인자까지 추출하는 방법을 제안했다. 또한 제안한 방법을 시뮬레이션을 통해 검증한 결과, 제안한 분류 방법은 -6 dB에서 90 % 이상의 분류 성공률을 보이고 식별인자 추출 알고리즘은 -4 dB에서 오차율이 10 % 이하로 높은 레이더 신호 분류성공률과 낮은 식별인자 추출 오차율을 보인다. 제안한 기술은 향후 전자전에서 저피탐 레이더 신호 식별 알고리즘 개발에 유용하게 활용될 것으로 기대 된다.
SNR = -4 dB까지는 10 % 이하의 오차를 보이며 더 낮아 질 경우 오차가 더 큰 폭으로 증가하는 것을 확인 할 수 있다. 이진 영상로 -4 dB 이하 SNR에서 식별인자를 추출 할 경우 SNR이 낮아질수록 크게 감소하는 경향을 보였다.
7을 보면, -2 dB까지는 거의 100 %에 가까운 분류 성공률을 보이다가 SNR이 낮아질수록 분류 성공률도 낮아지는 것을 볼 수 있다. 제안한 펄스 내 변조 신호 분류 방법은 SNR이 -6 dB 일 때, 90 % 이상 성공률을 보인다. 레이더 신호와 TFI로부터 특징인자를 추출하여, 추출한 특징인자를 분류기 넣어 분류 한 방법인 [3]의 경우 -2 dB까지는 성능이 비슷하나, SNR이 더 낮아지면서 분류 성공률이 급격하게 낮아지는 것을 확인 할수 있다.

후속연구

또한 제안한 방법을 시뮬레이션을 통해 검증한 결과, 제안한 분류 방법은 -6 dB에서 90 % 이상의 분류 성공률을 보이고 식별인자 추출 알고리즘은 -4 dB에서 오차율이 10 % 이하로 높은 레이더 신호 분류성공률과 낮은 식별인자 추출 오차율을 보인다. 제안한 기술은 향후 전자전에서 저피탐 레이더 신호 식별 알고리즘 개발에 유용하게 활용될 것으로 기대 된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	본 논문에서 소개한, 7가지 펄스 내 변조 레이더 신호 식별과정을 통해 제안한 내용과 검증 결과는 어떠한가?	본 논문에서는 7가지 펄스 내 변조 레이더 신호 식별과정을 소개했다. CNN을 이용한 펄스 내 변조 신호 분류 방법과, 분류된 정보와 TFI를 바탕으로 식별 인자까지 추출하는 방법을 제안했다. 또한 제안한 방법을 시뮬레이션을 통해 검증한 결과, 제안한 분류 방법은 -6 dB에서 90 % 이상의 분류 성공률을 보이고 식별인자 추출 알고리즘은 -4 dB에서 오차율이 10 % 이하로 높은 레이더 신호 분류성공률과 낮은 식별인자 추출 오차율을 보인다. 제안한 기술은 향후 전자전에서 저피탐 레이더 신호 식별 알고리즘 개발에 유용하게 활용될 것으로 기대 된다.
	저피탐 펄스 내 변조 방법을 분류하기 위해 사용한 기술은 무엇인가?	저피탐 펄스 내 변조 방법을 분류하기 위해서 대표적으로 시간 주파수 분석(TFA, Time Frequency Analysis)과 인공 신경망(ANN, Artificial Neural Network) 기술이 사용됐다. 시간 주파수 분석 방법 중에 WVD(Wiger-Ville Distribution), CWD(Choi-Williams Distribution), QMFB(Quadrature Mirror Filtering Bank), CSA(Cyclostationary Spectral Analysis)이 있으며, TFA로부터 얻은 영상(TFI, Time Frequency Image)의 픽셀(pixel) 값들을 특징인자로 사용하여 다층 퍼셉트론(MLP, Multi-Layer Perceptron)으로 픽셀 값들을 입력시켜 변조 방법을 분류하는 연구가 있었다[1].
	전자전 분야에서 전자 지원은 무엇인가?	전자전(EW, Electronic Warfare) 분야에서 전자 지원(ES, Electronic Support)은 의도적 또는 비의도적으로 방사하는 각종 전자파를 수신, 탐지, 분석 및 식별하고 위치확인을 위해 취해지는 제반활동으로, 전자 지원으로부터 획득한 정보들은 전자 공격(EA, Electronic Attack) 또는 전자 보호(EP, Electronic Protection) 대책 수립에 중요한 자료가 된다. 다양한 펄스 내 변조(Intrapulse modulation) 기법을 사용하여 저피탐(LPI, Low Probability of Intercept) 능력을 갖춘 레이더들이 증가하면서, 전자전 지원 시스템에서 레이더 신호 식별은 점점 더 어려워지고 있다.

참고문헌 (8)

P. E. Pace, "Detecting and Classifying Low Probability of Intercept Radar," Artech House, pp. 3-707, 2009.
J. Lunden and V. Koivunen, “Automatic Radar Waveform Recognition,” IEEE Journal of Selected Topics in Signal Processing, Vol. 1, No. 1, pp. 124-136, 2007.

상세보기
Z. Ming, L. Lutao, and D. Ming, "LPI Radar Waveform Recognition based on Time-Frequency Distribution," Sensor, Vol. 16, No. 10, p. 1682, 2016.

상세보기
Gulum, Taylan Ozgur, et al., "Parameter Extraction of FMCW Modulated Radar Signals using Wigner- Hough Transform," Computational Intelligence and Informatics(CINTI), 2011 IEEE 12th International Symposium on, pp. 465-468 IEEE, 2011.
N. Levanon and E. Mozeson, "Radar Signals," John Wiley & Sons, pp. 53-167, 2004.
H.-I. Choi and W. J. Williams, “Improved Time-Frequency Representation of Multicomponent Signals using Exponential Kernels,” IEEE Transactions on Aoustics, Speech, and Signal Processing, Vol. 37, No. 6, pp. 862-871, 1989.

상세보기
Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner, “Gradient-based Learning Applied to Document Recognition,” Proceedings of the IEEE, Vol. 86, No. 11, pp. 2278-2324, 1998.

상세보기
R. C. Gonzalez and R. E. Woods, "Digital Image Processing," Int. ed. Englewood Cliffs, p. 598, 2002.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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