[논문]비행 단계별 특성벡터 융합을 통한 효과적인 탄두 식별방법

최인오; 김시호; 정주호; 김경태; 박상홍

doi:10.5515/kjkiees.2019.30.6.487

초록
AI-Helper

탄도미사일은 작은 레이다 단면적 및 빠른 기동 특성으로 인하여 탐지가 매우 힘들며, 또한 탄도미사일의 각 비행단계에서 탄두와 유사한 운동 변수로 기동하는 연료탱크 및 기만체의 존재로 인하여 탄두의 식별 및 요격이 매우 어렵다. 따라서 비행 단계에 따라 표적의 기동 및 미세운동을 이용한 특성벡터가 필요하며, 또한 이를 적절히 융합하여 비행단계에 상관없이 식별하는 방법이 요구된다. 본 연구에서는 탄도미사일의 비행단계에 따른 유용한 특성벡터를 소개하고, 이를 특성벡터 및 구분기 레벨에서 융합하는 효과적인 기법을 제안한다. CAD 모델들을 사용하여 예측된 레이다 신호들로 시뮬레이션을 수행한 결과, 구분기 레벨 융합을 통하여 잡음환경 내에서 비행단계에 상관없이 종말 단계로 갈수록 보다 향상된 탄두 식별이 가능하였다.

Abstract ▼ AI-Helper

It is very difficult to detect ballistic missiles because of small cross-sections of the radar and the high maneuverability of the missiles. In addition, it is very difficult to recognize and intercept warheads because of the existence of debris and decoy with similar motion parameters in each fligh...

It is very difficult to detect ballistic missiles because of small cross-sections of the radar and the high maneuverability of the missiles. In addition, it is very difficult to recognize and intercept warheads because of the existence of debris and decoy with similar motion parameters in each flight phase. Therefore, feature vectors based on the maneuver, the micro-motion according to flight phase are needed, and the two types of features must be fused for the efficient recognition of ballistic warhead regardless of the flight phase. In this paper, we introduce feature vectors appropriate for each flight phase and an effective method to fuse them at the feature vector-level and classifier-level. According to the classification simulations using the radar signals predicted by the CAD models, the closer the warhead was to the final destination, the more improved was the classification performance. This was achieved by the classifier-level fusion, regardless of the flight phase in a noisy environment.

주제어

표/그림 (14)

그림 그림 1. 탄도미사일 구성요소 및 비행 단계 Fig. 1. Elements and flight stage of the ballistic missile.
표 표 1. 탄두, 기만체 및 연료 탱크의 특징 Table 1. Characteristics for warhead, decoy, and debris.
그림 그림 2. 추진단계에서 탄도미사일과 연료탱크간의 변별 시나리오 Fig. 2. Discrimination scenario between ballistic missile and debris at boost phase.
그림 그림 3. 중간단계에서 탄두와 기만체간의 미세운동 Fig. 3. Micro-motion for warhead and decoy at mid-course phase.
그림 그림 4. 탄두와 기만체에 대한 I_ff(f^′, f)의 예시들^[5] Fig. 4. Examples of I_ff(f^′, f) for warhead and decoy^[5].
그림 그림 5. F₃를 위한 기저영상 B(f^′, f)^[5] Fig. 5. Basis image B(f^′, f) for F₃^[5].
그림 그림 6. 종착단계에서 탄도계수추정 알고리즘 및 예시^[4] Fig. 6. Algorithm and examples for ballistic factor estimation at terminal phase^[4].
그림 그림 7. 제안된 가중치 함수들 Fig. 7. Proposed weight functions.
그림 그림 8. 탄두와 기만체의 CAD 모델들 Fig. 8. CAD models for warhead and decoy.
표 표 2. 탄두와 기만체의 규격^[4] Table 2. Specifications for warhead and decoy^[4].
표 표 3. 기동 관련 실험 변수들^[4] Table 3. Simulation parameters for maneuver^[4].
표 표 4. 미세운동 관련 실험 변수들 Table 4. Simulation parameters for micro-motion.
그림 그림 9. 추진단계에서의 변별 결과 Fig. 9. Discrimination results at boost phase.
그림 그림 10. 중간 및 종착 단계에서의 변별 결과. Fig. 10. Discrimination results at mid-course and terminal phase.

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 기존에 저자들이 탄두와 기만체 간의 변별을 위하여 제안하였던 고유 특성벡터들(e.g. 기동기반특성벡터^[2] 및 미세운동기반 특성벡터^[3])을 사용하여, 비행 단계에 상관없이 탄두를 효과적으로 변별하기 위한 새로운 시스템을 제안한다. 이때 제안된 시스템의 가장 큰 기여도는 고도에 따라 기동기반 특성벡터와 미세운동기반 특성벡터를 특성벡터 및 구분기 레벨에서 융합하여 비행단계에 상관없이 높은 변별 성능을 달성한 것이다.
본 논문에서는 비행단계에 상관없이 탄두의 높은 식별성능을 달성하기 위한 새로운 시스템을 제안하였다. 이를 위하여 아래와 같이 각 비행단계별로 최적의 특성벡터들을 사용하였으며, 고도에 따른 새로운 융합 기법을 개발하였다.

가설 설정

이때 각 레이다 수신신호는 중심주파수 10 GHz, 대역폭 100 MHz, 관측시간1 sec 및 펄스반복주파수(pulse repetition frequency: PRF)20 Hz의 조건으로 모델링되었으며, 그 결과 그림 9(a)와 같이 HRRP들을 획득할 수 있었다. 이때 분리 시점은 T=0.5초로 가정하였으며, 그 결과 T=0.5～1초에서는 분리된 연료탱크에 의하여 정확한 탄도미사일 탐지가 어려움을 알 수 있었다. 이때 2-1에서 제안된 기법을 사용할 경우, 그림 9(b)와 같이 탄도미사일의 기동궤적만 정확히 탐지할 수 있음을 확인할 수 있었다.

제안 방법

추진 단계의 경우, HRRP에 나타나는 기동궤적 차이를 이용하여 비교적 쉽게 연료 탱크에 대한 구분이 가능하므로, 본 연구에서는 중간단계 및 종착단계에서 탄두와 기만체간의 보다 효율적인 변별을 위한 1) 특성벡터 융합및 2) 구분기 융합 기법을 제안한다.
먼저 기동 특성의 학습데이터를 구성하기 위하여 탄두의 질량은 700, 710, …, 750 kg으로, 원뿔 기만체와 원통기만체는 각각 100, 110, …, 150 kg 및 300, 310, …, 350kg으로 설정하였다.
본 연구에서는 추진 단계에서 연료탱크에 대한 구분성능 검증 실험을 3-1에서 먼저 수행한 후, 중간 및 종착단계에서 특성벡터 및 구분기 레벨 융합기법에 대한 성능 검증을 순차적으로 3-2에서 수행한다.
중간 및 종착 단계에서는 추진 단계와 달리 학습데이터 기반의 식별 과정이 필요하다. 이때 잡음 환경에서 제안된 기법의 성능 검증을 수행하기 위하여 백색 가우시안 잡음을 신호 대 잡음비(signal-to-noise ratio: SNR)에 따라 시험데이터에 추가하였으며, 본 연구에서는 SNR=10,20 dB의 조건에서 시뮬레이션을 수행하였다.
본 논문에서는 비행단계에 상관없이 탄두의 높은 식별성능을 달성하기 위한 새로운 시스템을 제안하였다. 이를 위하여 아래와 같이 각 비행단계별로 최적의 특성벡터들을 사용하였으며, 고도에 따른 새로운 융합 기법을 개발하였다.
추진 단계에서 탄도미사일의 기동 궤적 모델링은 표 2및 표 3의 조건으로 수행되었으며, 연료탱크의 경우는 원통 기만체의 조건으로 모델링되었다. 이때 각 레이다 수신신호는 중심주파수 10 GHz, 대역폭 100 MHz, 관측시간1 sec 및 펄스반복주파수(pulse repetition frequency: PRF)20 Hz의 조건으로 모델링되었으며, 그 결과 그림 9(a)와 같이 HRRP들을 획득할 수 있었다.

대상 데이터

95로 설정하였다. 반면에 시험데이터는 학습데이터를 구성하기 위한 변수 범위의 최대, 최소 값사이에서 임의로 표적 당 50개씩 선택하여 구성된다.
특히, 특성벡터 및 구분기 레벨에서의 융합 기법은 최근 다양한 레이다 분야에서 매우 활발히 사용되는 추세이다^[7],[8]. 본 논문에서는 제안된 시스템의 성능 검증을 위하여 탄두 및 기만체의 computer-aided design(CAD) 모형들에 대한 물리광학(physical optics: PO) 및 물리회절학(physicaltheory of diffraction: PTD) 기반의 전자기 수치해석 데이터를 사용하였다. 이를 사용한 시뮬레이션 결과, 구분기레벨 융합을 통해 비행단계에 상관없이 향상된 구분 성능을 달성할 수 있었다.

이론/모형

본 논문에서는 이러한 차이를 효율적으로 추출하기 위하여 최근 본 저자들에 의해서 제안된 3DFV(3-dimensional feature vector)[5] 을 사용한다.
탄두와 기만체 간의 변별 성능은 전체 시험데이터 개수와 정확히 클래스를 변별한 시험데이터 개수의 비(i.e.probability of correct classification: Pc)로 판단되며, 보다 신뢰성 있는 결과 분석을 위해 50번의 Monte Carlo 시뮬레이션을 통한 Pc들의 평균값을 성능 검증 도구로 사용하였다.

성능/효과

CAD 모델 및 전자기 수치해석 도구를 사용한 시뮬레이션 결과, 제안된 구분기 레벨 융합을 수행할 경우, 비행단계에 상관없이 향상된 구분성능을 달성할 수 있었다.
따라서 σr=225 m 이하의 값을 설정할 경우, 추진 단계에서 HRRP에 나타나는 기동궤적 차이를 이용하여 비교적 쉽게 연료 탱크에 대한 구분이 가능함을 확인할 수 있었다.
45～400초)에서 기동(maneuver), 미세운동(micro-motion), 특성벡터 융합(feature-level fusion) 및 구분기 융합(classifier-level fusion)에 따른 실시간 Pc들을 보여준다. 먼저 검은색 선의 탄도계수를 사용한 기동기반의 구분 성능은 종착단계(e.g. t=370～400초)에서 급격히 성능이 향상됨을 볼 수 있다. 이는 고도가 낮아짐에 따라 대기밀도가 증가하고, 그 결과탄두와 기만체간의 항력가속도 차이가 증가하기 때문이다.
본 논문에서는 제안된 시스템의 성능 검증을 위하여 탄두 및 기만체의 computer-aided design(CAD) 모형들에 대한 물리광학(physical optics: PO) 및 물리회절학(physicaltheory of diffraction: PTD) 기반의 전자기 수치해석 데이터를 사용하였다. 이를 사용한 시뮬레이션 결과, 구분기레벨 융합을 통해 비행단계에 상관없이 향상된 구분 성능을 달성할 수 있었다.
이러한 이유는 모든 관측각도에서 데이터베이스를 구성하여, 탄두와 기만체간의 유사한 일부 레이다 수신신호들이 존재하게 되고, 이 신호들이 미세운동기반의 변별 성능을 떨어뜨리기 때문이다. 하지만 파란색 선의 제안된 특성벡터 융합기법의 경우, 그림 10에서 보는 바와 같이 기동및 미세운동 특성에 기반한 결과들보다 성능이 향상됨을 보였다. 게다가 초록색 선의 구분기 융합기법은 SNR= 10및 20 dB 환경에서 고도 100 km 부근(e.

질의응답

핵심어	질문	논문에서 추출한 답변
	탄도미사일의 비행 단계는 어떻게 구성되는가?	탄도미사일의 비행 단계는 크게 1) 추진(boost) 단계, 2)중간(mid-course) 및 3) 종착(terminal) 단계로 구성된다[2](그림 1(b)). 먼저 추진 단계는 탄도미사일 내 추진체의 연료 소모 및 발사각도 조절을 통한 상승 단계이다.
	탄도미사일이 요격이 매우 어렵기에 어떤 방법이 요구되는가?	탄도미사일은 작은 레이다 단면적 및 빠른 기동 특성으로 인하여 탐지가 매우 힘들며, 또한 탄도미사일의 각 비행단계에서 탄두와 유사한 운동 변수로 기동하는 연료탱크 및 기만체의 존재로 인하여 탄두의 식별 및 요격이 매우 어렵다. 따라서 비행 단계에 따라 표적의 기동 및 미세운동을 이용한 특성벡터가 필요하며, 또한 이를 적절히 융합하여 비행단계에 상관없이 식별하는 방법이 요구된다. 본 연구에서는 탄도미사일의 비행단계에 따른 유용한 특성벡터를 소개하고, 이를 특성벡터 및 구분기 레벨에서 융합하는 효과적인 기법을 제안한다.
	탄도미사일의 식별과 요격이 어려운 이유는?	탄도미사일은 작은 레이다 단면적 및 빠른 기동 특성으로 인하여 탐지가 매우 힘들며, 또한 탄도미사일의 각 비행단계에서 탄두와 유사한 운동 변수로 기동하는 연료탱크 및 기만체의 존재로 인하여 탄두의 식별 및 요격이 매우 어렵다. 따라서 비행 단계에 따라 표적의 기동 및 미세운동을 이용한 특성벡터가 필요하며, 또한 이를 적절히 융합하여 비행단계에 상관없이 식별하는 방법이 요구된다.

참고문헌 (11)

G. N. Lewis, T. A. Postol, "Future challenges to ballistic missile defence," IEEE Spectrum, vol. 34, no. 9, pp. 60-68, Sep. 1997.
A. R. Persico, C. Clemente, D. Gaglione, C. V. Ilioudis, J. Cao, and L. Pallotta, et al., "On model, algorithms, and experiment for micro-Doppler-based recognition of ballistic targets," IEEE Transactions on Aerosapce and Electronic Systems, vol. 53, no. 3, pp. 1088-1108, Jun. 2017.

상세보기
Y. J. Choi, I. S. Choi, J. Shin, and M. Chung, "Classification of the front body of a missile and debris in boosting part separation phase using periodic and statistical properties of dynamics RCS," Journal of Korean Institute of Electromagnetic Engineering and Science, vol. 29, no. 7, pp. 540-549, Jul. 2018.
I. O. Choi, K. B. Kang, S. H. Kim, J. H. Jung, K. T. Kim, and S. H. Park, "Performance analysis of the discrimination between space-targets using the maneuvering," Journal of Korean Institute of Information Technology, vol. 15, no. 11, pp. 55-63, Nov. 2017.

상세보기
I. O. Choi, J. H. Jung, K. T. Kim, L. Riggs, S. H. Kim, and S. H. Park, "Efficient 3DFV for improved discrimination of ballistic warhead," Electronics Letters, vol. 54, no. 25, pp. 1452-1454, Dec. 2018.

상세보기
I. O Choi, S. H. Kim, J. H. Jung, K. T. Kim, and S. H. Park, "An efficient method to extract the micro-motion parameter of the missile using the time-frequency image," Journal of Korean Institute of Electromagnetic Engineering and Science, vol. 27, no. 6, pp. 557-565, Jun. 2016.

원문보기 상세보기
C. Guo, H. Wang, T. Jian, Y. He, and X. Zhang, "Radar target recognition based on feature Pyramid fusion lightweight CNN," IEEE Access, vol. 7, pp. 51140-51149, Apr. 2019.

상세보기
Y. J. Choi, I. S. Choi, and D. Y. Chae, "Decision-level fusion scheme of SVM and naive Bayes classifier for radar target recognition," in 2018 International Symposium on Antennas and Propagation(ISAP), Busan, Oct. 2018, pp. 1-2.
S. H. Kim, S. I. Lee, and D. Y. Chae, "Aircraft classification with fusion of HRRP and JEM based on the confidence of a classifier," Journal of Korean Institute of Electromagnetic Engineering and Science, vol. 28, no. 3, pp. 217-224, Mar. 2017.

원문보기 상세보기
H. Gao, L. Xie, S. Wen, and Y. Kuang, "Micro-Doppler signature extraction from ballistic target with micro-motions," IEEE Transactions on Aerospace and Electronic Systems, vol. 46, no. 4, pp. 1969-1982, Oct. 2010.

상세보기
L. Liu, D. McLernon, M. Ghogho, W. Hu, and J. Huang, "Ballistic missile detection via micro-Doppler frequency estimation from radar return," Digital Signal Processing, vol. 22, no. 1, pp. 87-95, Jan. 2012.

상세보기

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

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

비행 단계별 특성벡터 융합을 통한 효과적인 탄두 식별방법
Efficient Recognition Method for Ballistic Warheads by the Fusion of Feature Vectors Based on Flight Phase 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (14)

표/그림 (14)

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

질의응답

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

비행 단계별 특성벡터 융합을 통한 효과적인 탄두 식별방법 Efficient Recognition Method for Ballistic Warheads by the Fusion of Feature Vectors Based on Flight Phase 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (14) 모든 표/그림 보기

표/그림 (14) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

질의응답

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

최인오 (3) 김시호 (4) 정주호 (3) 김경태 (50) 박상홍 (13)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

비행 단계별 특성벡터 융합을 통한 효과적인 탄두 식별방법
Efficient Recognition Method for Ballistic Warheads by the Fusion of Feature Vectors Based on Flight Phase 원문보기

초록
AI-Helper

표/그림 (14)

표/그림 (14)

AI 본문요약
AI-Helper