[논문]CNN을 이용한 레이다 신호 자동 분류

홍석준; 이연규; 조제일; 이상길; 서보석

doi:10.5515/kjkiees.2019.30.2.132

CNN을 이용한 레이다 신호 자동 분류
Automatic Classification of Radar Signals Using CNN 원문보기

韓國電磁波學會論文誌 = The journal of Korean Institute of Electromagnetic Engineering and Science, v.30 no.2, 2019년, pp.132 - 140

홍석준 (충북대학교 전자공학과) , 이연규 (충북대학교 전자공학과) , 조제일 (국방과학연구소) , 이상길 (동아방송예술대학교 방송예술융합학부) , 서보석 (충북대학교 전자공학과)

초록
AI-Helper

이 논문에서는 수신된 레이다 신호의 특징 파라미터 데이터에 기계학습 방법을 적용하여 위협 형태에 따라 레이다 신호를 분류하는 방법을 제시한다. 현재 군에서는 위협 신호를 파악하기 위해 특징 파라미터값들과 위협 형태의 대응관계를 나타내는 라이브러리를 이용한다. 라이브러리를 이용한 방법은 새로운 위협이나 기존 라이브러리에 존재하지 않는 위협 형태에 대해서 레이다 신호를 분류하기 어렵고 위협 형태를 파악하는데 문제가 있다. 이 논문에서는 라이브러리 없이 특징 파라미터 데이터만을 이용하여 위협 형태에 따라 레이다 신호를 분류하는 방법을 제안하고자 한다. 분류기로는 CNN(convolutional neural network)을 사용하며, 기계학습을 적용하여 훈련시킨다. 제안 방법은 라이브러리를 사용하지 않음으로써 새로운 위협 신호나 기존의 라이브러리에 존재하지 않는 위협 신호도 적응적으로 분류할 수 있다.

Abstract ▼ AI-Helper

In this paper, we propose a classification method for radar signals depending on the type of threat by applying machine learning to parameter data of radar signals. Currently, the army uses a library of mapping relations between the parameters and the types of threat to recognize threat signals. This approach has certain limitations when classifying signals and recognizing new types of threat or types of threat that do not exist in the current libraries. In this paper, we propose an automatic radar signal classification method depending on the type of threat that uses only parameter data without a library. A convolutional neural network is used as the classifier and machine learning is applied to train the classifier. The proposed method does not use a library, and hence, can classify threat signals that are new or do not exist in the current library.

주제어

표/그림 (13)

그림 그림 1. 일반적인 펄스 레이다 신호 Fig. 1. Typical pulse radar signals.
그림 그림 2. 기존의 라이브러리를 이용하는 레이다 신호 분류방법 Fig. 2. Structure of the conventional library based radar signal classification method.
그림 그림 3. PRI의 대표적인 변화 형태 Fig. 3. Typical variation types of PRI.
그림 그림 4. 제안한 CNN 기반의 레이다 신호 분류 방법 Fig. 4. Structure of the proposed CNN based radar signal classification method.
그림 그림 5. RF 및 PRI 데이터의 영상화 결과 Fig. 5. Results of imaging of RF and PRI data.
그림 그림 6. 특성변수 PRI 값의 변화 범위 Fig. 6. Variation range of PRI.
그림 그림 7. 그림 6과 같은 변화 범위를 가지는 PRI 데이터의 영상화 결과 Fig. 7. Images for PRI data with the range of Fig. 6.
그림 그림 8. 데이터의 동적범위 정보를 반영한 영상화 결과 Fig. 8. Images reflecting the dynamic range of PRI data.
그림 그림 9. RF와 PRI의 동적 범위 정보를 반영한 영상화 결과 Fig. 9. Images reflecting the dynamic ranges of RF and PRI data.
그림 그림 10. CNN 구조 Fig. 10. Structure of the CNN.
표 표 1. CNN의 하이퍼 파라미터 설정 Table 1. Setting of hyperparameters of the CNN.
그림 그림 11. PDW 데이터의 오차에 따른 분류기의 성능 Fig. 11. Performance of the classifier with the error ratio of the PDW data.
그림 그림 12. PDW 데이터의 누락에 따른 분류기의 성능 Fig. 12. Performance of the classifier with the missing rate of the PDW data.

AI 본문요약
AI-Helper

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

문제 정의

이 논문에서는 기계학습 방법 중 CNN을 적용하여 레이다 신호를 분류하는 방법을 제시하였다. 펄스 레이다 신호를 특징짓는 특징변수로 RF와 PRI를 사용하여 CNN 입력을 위한 영상 데이터를 생성하였다.
이 논문에서는 참고문헌 [7]의 문제점을 개선한 CNN 기반의 레이다 신호 분류방법을 제시하고자 한다. 특징변수의 절대값을 영상에 반영하기 위해 전체 신호에 대한 특징변수의 최소값 및 최대값을 이용한다.

가설 설정

이 논문에서 분류하고자 하는 레이다 신호는 현대전에서 주로 사용하는 펄스 레이다의 수신 신호라고 가정한다.
제안한 레이다 신호 분류기는 그림 4와 같은 구조를 가진다. 이 논문에서는 레이다 신호를 분류하기 위해서 수신 신호로부터 추출된 특징변수 데이터를 이용하며, 특징 변수는 특정의 레이다에 대한 수신 신호로부터 추출되었다고 가정한다. 또한 여러 가지 특징변수 중에서 가장 중요한 RF와 PRI만을 고려한다.

제안 방법

CNN을 학습하기 위해서 레이다의 특성 데이터인 RF와 PRI를 반영하여 2차원으로 영상화한다. 또 영상화 전에 데이터의 범위를 제한하기 위해 정규화를 적용한다.
모의실험은 먼저 CNN을 학습시킨 후 분류성능을 평가하는 과정으로 구분된다. RF와 PRI 값만 이용하여 단순하게 영상을 형성한 경우와 최대값, 최소값을 반영하여 영상을 형성한 경우에 대한 성능을 비교한다. 레이다 모의기로부터 얻은 7,000개 레이다의 특징변수 특성을 기반으로, 각 레이다에 대해 RF와 PRI 데이터를 각각 1,000개씩 불규칙적으로 발생시킨다.
결과 중에서 가장 좋은 성능을 보인 필터개수를 고정시킨다. 그 다음 필터개수와, 은닉층의 출력 개수도 같은 방법으로 모의실험을 하여 결정한다.
CNN의 각 출력 노드는 재밍 방법에 해당하는 위협 형태의 그룹이 되며, 출력값은 입력신호에 해당하는 레이다가 그 그룹에 속할 확률에 해당된다. 따라서 제안 방법에서는 레이다 신호의 특징변수를 몇 가지의 전처리를 거친 후, 그대로 CNN에 입력하면 곧바로 재밍 방법에 해당하는 그룹이 출력된다. 즉, 기존의 라이브러리를 이용하는 방법과 다르게 특징변수의 변화 형태를 파악하는 중간 단계가 없다.
먼저 모든 콘볼루션층의 필터 개수를 제외한 나머지 파라미터들은 고정시킨 후, 필터 개수를 바꾸어가며 모의 실험을 한다. 결과 중에서 가장 좋은 성능을 보인 필터개수를 고정시킨다.
사용하는 세부구간 크기, 계단의 개수, 한 번 처리하는 데이터의 개수 및 포함되는 주기 개수 등은 레이다 신호 분류 시 실제 적용하는 상황을 반영하여 결정하였다.
저자는 참고문헌 [7]에서 특징변수 RF와 PRI를 영상화 하고 CNN을 적용하여 대응하는 재밍기법에 따라 레이다 신호를 분류하는 방법을 제시하였다. 제안 방법은 학습 데이터에 포함되어 있지 않은 전혀 새로운 레이다 신호에 대해서도 90 % 이상의 분류확률을 나타내었다.
하이퍼 파라미터는 CNN의 비선형성 때문에 해석적 방법으로 결정하기는 매우 어렵다. 제안 방식에서는 풀링층의 윈도우 크기와 폭은 고정시킨 후, 콘볼루션 층의 필터 크기, 필터개수, 은닉층의 출력 개수를 바꾸어 가며 모의 실험에 의해 경험적으로 최적의 파라미터를 구하였다.
제안한 CNN 구조는 그림 10과 같이 3개의 콘볼루션층(convolution layer)과 풀링층(pooling layer), 그리고 완전연결된 2개 은닉층을 가진 신경망으로 구성된다. 특징변수 데이터로 형성된 입력 영상은 작은 블록 단위로 동시에 입력되어 콘볼루션 계층의 한 점에 대응된다.
이 논문에서는 기계학습 방법 중 CNN을 적용하여 레이다 신호를 분류하는 방법을 제시하였다. 펄스 레이다 신호를 특징짓는 특징변수로 RF와 PRI를 사용하여 CNN 입력을 위한 영상 데이터를 생성하였다.

대상 데이터

RF와 PRI 값만 이용하여 단순하게 영상을 형성한 경우와 최대값, 최소값을 반영하여 영상을 형성한 경우에 대한 성능을 비교한다. 레이다 모의기로부터 얻은 7,000개 레이다의 특징변수 특성을 기반으로, 각 레이다에 대해 RF와 PRI 데이터를 각각 1,000개씩 불규칙적으로 발생시킨다. 특징변수 값의 변화 형태에 따라 세부적으로 데이터룰 생성하는 방법은 다음과 같다.
새로운 영상은 모든 변화 형태의 데이터에 대해 본래의 RF와 PRI 데이터, 추가된 RF와 PRI의 최소값 및 최대값 반영 데이터 등 모두 6종류의 데이터로 구성된다. 이때 데이터의 종류가 2개에서 6개로 늘어나서 계산량이 증가하게 되지만, 첫 계층에만 영향을 미치므로 전체적으로 계산량의 증가는 미미하다.
특징변수의 절대값을 영상에 반영하기 위해 전체 신호에 대한 특징변수의 최소값 및 최대값을 이용한다. 제안한 분류기는 기존의 라이브러리를 바탕으로 생성한 특징변수 데이 터를 학습 데이터로 사용한다.

성능/효과

또 PRI의 경우는 반사된 펄스의 모양이 완전한 사각파가 아니라, 양옆으로 퍼지게 되어 발생한다. 그림을 보면 RF와 PRI값만 이용하여 단순하게 영상을 형성한 경우(단순 영상으로 표시)보다 최대값 및 최소값을 반영한 영상(제안 영상으로 표시)의 분류 성능이 약 6 % 정도 우수한 것을 볼 수 있다. 두 방식 모두 오차율이 증가함에 따라 분류 성능은 약간씩 감소한다.
모의실험을 통해 RF와 PRI의 특징변수 데이터만을 사용하여 영상을 형성한 방식보다 특징변수 값과 더불어 특징변수의 최소값 및 최대값을 반영하여 영상을 형성한 경우 더 우수한 성능을 나타내는 것을 확인하였다. 두 경우 모두 데이터의 오차와 누락이 증가함에 따라 분류 성능이 저하하는 것을 볼 수 있었다.
저자는 참고문헌 [7]에서 특징변수 RF와 PRI를 영상화 하고 CNN을 적용하여 대응하는 재밍기법에 따라 레이다 신호를 분류하는 방법을 제시하였다. 제안 방법은 학습 데이터에 포함되어 있지 않은 전혀 새로운 레이다 신호에 대해서도 90 % 이상의 분류확률을 나타내었다. 그러나 특징변수가 특정한 변화 패턴이 없는 경우, 즉 일정한 값을 유지하는 경우 오분류가 자주 발생하였다.
한편, 모의실험 결과, 제안 방법은 라이브러리 기반 방법에서는 그 정확성을 예측할 수 없는 학습 데이터에 포함되지 않은 새로운 레이다의 데이터에 대해서도 최고 약 98 % 이상의 성능을 나타내는 것으로 나타났다. 따라서 이것은 기존의 라이브러리 기반 분류 방법을 충분히 대체할 수 있을 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	레이다는 무엇인가?	레이다는 목표물을 향해 전파를 발사한 후 되돌아오는 반사파를 분석하여 그 목표물의 거리, 방향, 형상, 속도 등을 파악하는 전자장치를 말한다. 가장 일반적인 펄스 레이다의 경우, 그림 1과 같이 반송파로 변조된 짧은 펄스를 연속적으로 방사하여 목표물을 탐색하고, 추적 및 감시하는 기능을 수행한다[1].
	레이다의 특징변수인 RF와 PRI 데이터는 어떻게 생성되는가?	CNN을 학습시키기 위한 학습 데이터 입출력쌍은 특정 레이다 신호의 RF 및 PRI 데이터와 해당 레이다에 대응하기 위한 재밍 기법이 된다. 레이다의 특징변수 RF와 PRI 데이터는 레이다 모의기에서 생성된 펄스레이다 신호로부터 취득한 신호의 특성 데이터를 바탕으로 생성된다. PRI는 Ⅱ장에서 예를 든 8가지 형태로 발생시키며, RF는고정(stable), 고속변화(agile), 도약(hopping), 정현파, -톱니파, +톱니파, 삼각파 등 7가지의 변화 형태를 고려한다.
	CNN을 사용한 레이터 신호 분류기의 장점은?	분류기로는 CNN(convolutional neural network)을 사용하며, 기계학습을 적용하여 훈련시킨다. 제안 방법은 라이브러리를 사용하지 않음으로써 새로운 위협 신호나 기존의 라이브러리에 존재하지 않는 위협 신호도 적응적으로 분류할 수 있다.

참고문헌 (9)

S. A. Vakin, R. H. Dunwell, and L. N. Shustov, Fundamentals of Electronic Warfare, Boston/London, Artech House, 2001.
장재원, 안태남, 이광일, "전자보호 및 사이버 방어와 함께 진화하는 전자전 기술의 발전방향," 전자파기술, 24(6), pp. 3-13, 2013년 11월.

원문보기 상세보기
R. G. Wiley, ELINT: The Interception and Analysis of Radar Signals, Artech House, Boston/London, 2006.
한연희, "기계학습 기반 네트워크 지능화," 한국전자파학회논문지, 28(5), pp. 17-22, 2017년 9월.
Y. LeCun, Y. Bengio, and G. Hinton, "Deep learning," Nature, vol. 521, pp. 436-444, May 2015.

상세보기
S. H. Kong, M. Kim, L. M. Koang, and E. Kim, "Automatic LPI radar waveform recognition using CNN," IEEE Access, vol. 6, pp. 4207-4219, 2018.

상세보기
S. J. Hong, Y. G. Yi, J. Jo, and B. S. Seo, "Classification of radar signals with convolutional neural networks," in 2018 Tenth International Conference on Ubiquitous and Future Networks(ICUFN), Prague, Jul. 2018, pp. 894-896.
I. S. Kim, S. Y. Hwang, "An effective online training algorithm by partitioning bounding box for visual object tracking using convolutional neural network," The Journal of Korean Institute of Communications and Information Sciences, vol. 42, no. 6, pp. 1117-1128, Jun. 2017.

상세보기
S. M. Yang, W. J. Song, I. S. Choi, and S. J Yoo, "Implementation of deep learning-based motion classification system for IoT device control in ultrasonic sound environments," The Journal of Korean Institute of Communications and Information Sciences, vol. 42, no. 9, pp. 1796-1805, Sep. 2017.

상세보기

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