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.30 no.2, 2019년, pp.132 - 140
홍석준 (충북대학교 전자공학과) , 이연규 (충북대학교 전자공학과) , 조제일 (국방과학연구소) , 이상길 (동아방송예술대학교 방송예술융합학부) , 서보석 (충북대학교 전자공학과)
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. Thi...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
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. |
S. A. Vakin, R. H. Dunwell, and L. N. Shustov, Fundamentals of Electronic Warfare, Boston/London, Artech House, 2001.
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.
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.
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.
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.
*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.