[논문]수영자 탐지 소나에서의 해상실험 데이터 분석 기반 자동 표적 추적 알고리즘 성능 분석

이해호; 권성철; 오원천; 신기철

doi:10.7776/ask.2019.38.4.415

수영자 탐지 소나에서의 해상실험 데이터 분석 기반 자동 표적 추적 알고리즘 성능 분석
Performance analysis of automatic target tracking algorithms based on analysis of sea trial data in diver detection sonar 원문보기

한국음향학회지= The journal of the acoustical society of Korea, v.38 no.4, 2019년, pp.415 - 426

이해호 (LIG넥스원 해양1연구소) , 권성철 (LIG넥스원 해양1연구소) , 오원천 (LIG넥스원 해양1연구소) , 신기철 (LIG넥스원 해양1연구소)

초록
AI-Helper

본 논문은 연안 군사시설 및 주요 기반시설에 대한 침투세력을 감시하는 수영자 탐지 소나에서의 자동 표적추적 알고리즘을 다루었다. 이를 위해 수영자 탐지 소나에서의 해상실험 데이터를 분석하였고, 클러터 환경에서 자동표적 추적을 위한 트랙평가수단으로서 트랙존재확률 기반의 알고리즘을 적용하여 시스템을 구성하였다. 특히 트랙초기화, 확정, 제거, 합병 등의 트랙관리 알고리즘과 단일표적추적 IPDAF(Integrated Probabilistic Data Association Filter), 다중표적추적 LMIPDAF(Linear Multi-target Integrated Probabilistic Data Association Filter) 등의 표적추적 알고리즘을 제시하였으며, 해상실험 데이터 및 몬테카를로 모의실험 데이터를 이용하여 성능을 분석하였다.

Abstract ▼ AI-Helper

In this paper, we discussed automatic target tracking algorithms for diver detection sonar that observes penetration forces of coastal military installations and major infrastructures. First of all, we analyzed sea trial data in diver detection sonar and composed automatic target tracking algorithms based on track existence probability as track quality measure in clutter environment. In particular, these are presented track management algorithms which include track initiation, confirmation, termination, merging and target tracking algorithms which include single target tracking IPDAF (Integrated Probabilistic Data Association Filter) and multitarget tracking LMIPDAF (Linear Multi-target Integrated Probabilistic Data Association Filter). And we analyzed performances of automatic target tracking algorithms using sea trial data and monte carlo simulation data.

주제어

표/그림 (19)

그림 Fig. 1. Detection results by thresholds.
그림 Fig. 2. Detection results by false detection elimination algorithms.
그림 Fig. 3. Diagram of automatic target tracking algorithm based on track existence probability in diver detection sonar.
표 Table 1. Speed for detection data of 2 scans.
그림 Fig. 4. Relationship map of track state.
그림 Fig. 5. A example of automatic target tracking.
그림 Fig. 6. Situation of multi-target tracking.
그림 Fig. 7. Sea trial data.
그림 Fig. 8. The number of detection data.
그림 Fig. 9. Confirmed tracks.
그림 Fig. 10. Confirmed true track.
그림 Fig. 11. The number of tentative and confirmed tracks.
그림 Fig. 12. Simulation scenario.
그림 Fig. 13. IPDAF single simulation results.
그림 Fig. 14. LMIPDAF single simulation results.
표 Table 2. Simulation conditions.
그림 Fig. 15. Confirmed true track rate.
그림 Fig. 16. Position RMSE at x - axis.
그림 Fig. 17. Position RMSE at y - axis.

AI 본문요약
AI-Helper

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

문제 정의

앞서 해상실험에서 자동 표적 추적 알고리즘의 성능을 분석하였지만, 실제 표적은 1개이고 단일수행이었기 때문에 각 표적추적 알고리즘이 적용된 자동 표적 추적 알고리즘에 대한 성능을 분석하기에는 다소 무리가 있다. 따라서 본 장에서 추가적으로 수영자 탐지 소나에서의 자동 표적 추적 알고리즘 성능을 모의실험을 통해 분석하고자 한다. 성능분석 대상은 단일표적추적 IPDAF, 다중표적추적 LMIPDAF이다.
그러나 본 논문에서 분석한 해상실험 결과는 단일 수행 결과로 성능을 대표하기에는 다소 무리가 있기에, 추후에는 다양한 해양환경에서의 실측 데이터를 분석하고 추적성능을 분석하고자 한다. 또한 해양환경의 변화에 민감하지 않고 견실한 추적 성능을 위한 표적추적 파라미터 추정 방안에 대해 모색하고자 한다.
수영자 탐지 소나는 연안 군사시설 및 주요 기반 시설(항만, 발전소)에 설치되어 잠수부나 수영자와 같은 소형표적을 탐지, 추적 및 식별하여 위협을 판단하는데 사용된다. 본 논문에서는 수영자 탐지 소나의 해상실험 데이터를 분석하고, 수영자 탐지 소나에 적합한 자동 표적 추적 알고리즘을 제시하였다. 제시한 알고리즘은 트랙평가수단으로 트랙존재 확률을 산출하고, 이를 이용하여 트랙 초기화, 확정, 제거, 합병 등의 관리를 수행할 수 있어 자동 표적 추적 시스템을 구성하는데 적합함을 보였다.
본 장에서는 자동 표적 추적 알고리즘을 구성함에 있어서 요구되는 트랙평가수단으로 트랙존재확률 기반의 알고리즘인 IPDAF^[5,6]에 대해 다루고자 한다. IPDAF는 유효측정영역 내 모든 탐지정보들을 이용하여 이를 확률적으로 결합하여 트랙정보를 갱신하는 PDAF^[3,4]에 표적 존재유무에 대한 2가지 가설을 마르코프 연쇄(Markov Chain)로 모델링하고 각 가설에 대한 사후 확률을 산출하는 방법이다.

가설 설정

4장에서 설명한 IPDAF는 유효 탐지정보가 표적 또는 클러터로부터 발생된 것이라고만 가정한다. 즉 다른 표적들로부터 발생되었을 가능성을 전혀 고려하지 않는데, Fig.
시나리오는 Fig. 12와 같이 근접한 2개의 교차 표적이 존재하는 상황으로 2개 표적 모두 등속직선운동을 한다고 가정하였다. 총 200번의 몬테카를로 모의실험을 수행하였으며, 유사한 확정된 거짓트랙 개수를 맞춘 상황에서 각 알고리즘들의 통계적인 확정된 실제 트랙 율 및 추정오차 등을 분석하여 성능을 분석 및 검증하였다.

제안 방법

4와 같이 초기에 임시 트랙으로 구분된다. 그 후 표적추적 알고리즘을 통해 산출된 트랙존재확률이 확정 문턱값 이상이면 확정 트랙으로 분류하여 트랙을 계속 유지하고(트랙 확정), 트랙존재확률이 제거 문턱값 미만이면 제거 트랙으로 분류하여 삭제한다(트랙 제거). 이와 같이 트랙 상태를 분류함으로써 클러터 환경과 같이 다수 트랙들이 발생되는 상황에서도 효율적으로 트랙을 관리하며 시스템의 연산량을 줄일 수 있다.
제시한 알고리즘은 트랙평가수단으로 트랙존재 확률을 산출하고, 이를 이용하여 트랙 초기화, 확정, 제거, 합병 등의 관리를 수행할 수 있어 자동 표적 추적 시스템을 구성하는데 적합함을 보였다. 또 단일 표적추적 IPDAF 및 다중표적추적 LMIPDAF을 제시하였고, 해상실험 데이터를 이용한 성능분석과 함께 모의실험을 통하여 각 표적추적 알고리즘을 적용한 자동 표적 추적 알고리즘의 성능을 비교 및 분석하였다. 그러나 본 논문에서 분석한 해상실험 결과는 단일 수행 결과로 성능을 대표하기에는 다소 무리가 있기에, 추후에는 다양한 해양환경에서의 실측 데이터를 분석하고 추적성능을 분석하고자 한다.
본 논문에서는 추적 알고리즘의 성능을 향상시키기 위해 해상실험을 통해 얻은 데이터를 분석하고 클러터 감소 알고리즘을 적용하여 노이즈 및 오탐지 정보를 제거하였다. 또한 클러터가 존재하는 수영자 탐지 소나에서의 자동 표적 추적 알고리즘을 구성함에 있어서 트랙존재확률 기반의 알고리즘을 적용하였는데, 뒷장에서 트랙존재확률을 이용하여 트랙을 관리하는 방법과 표적추적 알고리즘인 단일표적추적 IPDAF, 다중표적추적 LMIPDAF에 대해 상세히 다루었다. 그리고 해상실험 데이터를 이용한 다중표적추적 LMIPDAF 기반 자동 표적 추적 알고리즘 성능 분석과 함께 모의실험 데이터를 이용한 각 알고리즘의 성능을 비교 및 분석하여 수영자 탐지 소나에 적용하기에 적합함을 보였다.
먼저 트랙 초기화는 매 스캔마다 획득된 탐지정보 들을 이용하여 트랙의 초기치를 산출하여 트랙 궤적을 생성하는 단계로, 본 논문에서는 연속된 두 스캔에서의 탐지정보들을 이용하여 트랙의 초기 상태변수 및 오차공분산을 산출하는 Two-Points 트랙 초기화를 적용하였다. Eq.
본 논문에서는 추적 알고리즘의 성능을 향상시키기 위해 해상실험을 통해 얻은 데이터를 분석하고 클러터 감소 알고리즘을 적용하여 노이즈 및 오탐지 정보를 제거하였다. 또한 클러터가 존재하는 수영자 탐지 소나에서의 자동 표적 추적 알고리즘을 구성함에 있어서 트랙존재확률 기반의 알고리즘을 적용하였는데, 뒷장에서 트랙존재확률을 이용하여 트랙을 관리하는 방법과 표적추적 알고리즘인 단일표적추적 IPDAF, 다중표적추적 LMIPDAF에 대해 상세히 다루었다.
본 장에서는 해상실험 데이터를 이용하여 다중표적추적 LMIPDAF 기반 자동 표적 추적 알고리즘 성능을 분석하고자 한다. Fig.
수영자 탐지 소나는 잠수부나 수영자와 같은 소형표적을 탐지, 추적 및 식별하여 위협을 판단하는 목적으로 운용되는 능동 소나인데, 잠수부의 신호 특성, 항만과 천해 환경조건에 따른 제약 사항, 선박 이동소음, 해양 포유류 등으로 인한 오경보 및 오탐지와 같은 문제들로 인해 기술적인 측면에서 많은 어려움이 있다. 수영자 탐지 소나를 개발함에 있어서 빔형성, 신호처리(탐지/추적/식별) 등 다양한 핵심기술들이 요구되는데, 본 논문에서는 수영자 탐지 소나의 해상실험 데이터를 분석하였고, 분석한 내용을 토대로 클러터 환경에서 자동으로 표적에 대한 트랙을 초기화하고 관리 및 추적하는 자동 표적 추적 알고리즘에 대한 내용을 다루었으며, 해상실험 데이터를 이용하여 성능을 분석하였다.
앞서 탐지정보에 대해 거리 및 진북기준 방위로 모델링하였는데, 본 논문에서는 트랙 갱신에서 활용하는 과정에서 2차원 상에서의 위치로 변환하여 사용하며, 이에 따른 탐지정보 및 이에 대한 공분산은 다음 식을 통해 변환된다.
12와 같이 근접한 2개의 교차 표적이 존재하는 상황으로 2개 표적 모두 등속직선운동을 한다고 가정하였다. 총 200번의 몬테카를로 모의실험을 수행하였으며, 유사한 확정된 거짓트랙 개수를 맞춘 상황에서 각 알고리즘들의 통계적인 확정된 실제 트랙 율 및 추정오차 등을 분석하여 성능을 분석 및 검증하였다. 모의실험에 대한 상세한 조건은 Table 2에서 확인할 수 있다.
3은 수영자 탐지 소나에서의 트랙존재확률 기반의 자동 표적 추적 알고리즘 구조를 나타낸 것이다. 크게 트랙 초기화, 확정, 제거, 합병을 수행하는 트랙관리 알고리즘과 트랙 예측 및 갱신을 수행하는 표적추적 알고리즘으로 구성되는데, 본 장에서는 트랙관리 알고리즘을 소개하였고, 표적추적 알고리즘에 대한 내용은 4장에서 단일표적추적 IPDAF, 5장에서 다중표적추적 LMIPDAF를 상세히 다루겠다.
DBSCAN(Density-Based Spatial Clustering of Algorithm with Noise) 알고리즘은 탐지 결과의 밀도를 측정하여 동일 표적에서의 탐지 값을 그룹화하기 위한 기법으로,^[10]이를 이용하여 탐지정보의 유사도를 확인 후 그룹으로 묶어준다. 클러터, 수영자, 물고기떼, 함정 표적 등의 반사파 특성을 이용하여 그룹으로 설정한다.
트랙 존재성에 대한 정보를 제공할 수 없다는 제약을 극복하기 위해 D. Musicki는 기존 PDAF에 표적 존재유무에 대한 가설을 마르코프 연쇄(Markov Chain)로 모델링하고, 유효측정영역 내 모든 탐지정보들을 이용하여 트랙존재확률(Track Existence Probability)을 산출하여 이를 트랙 초기화, 확정, 제거 등의 트랙 관리 알고리즘에 적용할 수 있는 단일표적추적 IPDAF (Integrated Probabilistic Data Association Filter) ^[5,6]를 제안하였다. 그런데 다수의 표적들이 서로 근접한 상황에서는 단일표적추적 알고리즘을 적용 시 성능이 저하되는데, 이에 대한 해결을 위해 측정치와 트랙간 모든 결합사건들을 고려하는 최적 기법인 JIPDAF (Joint Integrated Probabilistic Data Association Filter)^[7]가 제안되었다.
그런데 다수의 표적들이 서로 근접한 상황에서는 단일표적추적 알고리즘을 적용 시 성능이 저하되는데, 이에 대한 해결을 위해 측정치와 트랙간 모든 결합사건들을 고려하는 최적 기법인 JIPDAF (Joint Integrated Probabilistic Data Association Filter)^[7]가 제안되었다. 하지만 측정치와 트랙 개수 증가에 따라 연산량이 많아진다는 단점이 있는데, 이를 보완하기 위해 LMIPDAF(Linear Multi target Integrated Probabilistic Data Association Filter)^[8,9]를 제안하였다. LMIPDAF는 트랙 주변의 다른 표적들을 클러터로 간주하는 ‘등가 클러터’ 개념을 사용하는 것이 큰 특징이다.

대상 데이터

Fig. 8은 탐지 단에서의 클러터제거 알고리즘을 적용한 탐지정보 개수를 나타낸 것인데, 매 스캔 평균 23개의 탐지정보가 획득되었다. 자동 표적 추적 알고리즘의 결과는 Figs.
따라서 본 장에서 추가적으로 수영자 탐지 소나에서의 자동 표적 추적 알고리즘 성능을 모의실험을 통해 분석하고자 한다. 성능분석 대상은 단일표적추적 IPDAF, 다중표적추적 LMIPDAF이다.

이론/모형

IPDAF는 트랙 존재유무에 대해 해당 트랙이 존재한다는 가설 Xk와 존재하지 않는다는 가설 #를 고려하여 마르코프 연쇄(Markov Chain) 모델을 적용하는데, 스캔 k-1에서 k로 예측 시 각 가설에 대한 상태 천이확률은 다음과 같다.
DBSCAN을 통해 산출된 각 그룹은 특정 크기를 띄고 있는데, 일반적인 잠수부의 크기를 고려하여 이에 부합하는 크기의 그룹은 남기고, 이외의 값을 제거하는 디클러터링 작업을 수행한다. 디클러터링을 통해 제거된 데이터에서 노이즈에 의한 오탐지 확률을 줄이기 위해 CFAR(Constant False Alarm Rate) 탐지 알고리즘을 적용한다. CFAR는 표적 탐지 시 오탐지를 줄이기 위해 탐지된 표적과 주변의 세기를 비교하여 표적의 여부를 판단하는 알고리즘이다.
이처럼 수영자 탐지 소나와 같이 클러터가 존재하는 환경에서 자동으로 표적 탐지정보를 찾아서 추적하는 시스템을 구성하기 위해서는 트랙스코어와 같은 트랙평가수단이 요구된다. 본 논문에서는 서론에서 소개한 대표적인 트랙평가수단인 트랙존재확률 기반의 알고리즘을 적용하였다.
실제 수영자 탐지 소나에서 탐지되는 대상들이 수영자 외에도 선박, 어류, 해양 포유류, 부유물 등 다양한 종류의 표적들이 존재할 것으로 판단되며, 여러 트랙들이 서로 겹치는 다중표적추적 상황이 빈번하게 발생될 것으로 예상된다. 이에 본 논문에서는 다중표적추적 상황과 클러터가 존재하는 수영자 탐지 소나 특성을 고려하여 실시간 처리가 가능한 다중표적추적 알고리즘인 LMIPDAF를 적용하였다.

성능/효과

또한 클러터가 존재하는 수영자 탐지 소나에서의 자동 표적 추적 알고리즘을 구성함에 있어서 트랙존재확률 기반의 알고리즘을 적용하였는데, 뒷장에서 트랙존재확률을 이용하여 트랙을 관리하는 방법과 표적추적 알고리즘인 단일표적추적 IPDAF, 다중표적추적 LMIPDAF에 대해 상세히 다루었다. 그리고 해상실험 데이터를 이용한 다중표적추적 LMIPDAF 기반 자동 표적 추적 알고리즘 성능 분석과 함께 모의실험 데이터를 이용한 각 알고리즘의 성능을 비교 및 분석하여 수영자 탐지 소나에 적용하기에 적합함을 보였다. 또한 적용한 자동 표적 추적 알고리즘은 수영자 탐지 소나, 기뢰회피 소나와 같은 능동센서를 사용하는 다양한 분야에서 활용할 수 있을 것으로 기대된다.
9와 11을 통해 실제 표적에 대한 트랙 외에 클러터로 인한 거짓 트랙들도 생성 및 확장된 것을 볼 수 있는데, 이러한 거짓 트랙들을 최소화하기 위한 연구는 추후에 계속 진행되어야 할 것이다. 마지막으로 연산시간을 분석해본 결과 매 스캔 당 트랙관리 뿐만 아니라 표적추적 알고리즘까지 모두수행한 시간은 평균 0.24 s로 실시간 측면에서도 다중표적추적 알고리즘을 적용하는 데에 문제없을 것으로 사료된다.
먼저 Fig. 10에서 실제 표적에 대한 탐지확률은 분석 결과 약 70 %정도로 표적을 탐지하였지만, 본 논문에서 적용한 자동 표적 추적 알고리즘 수행 시 트랙존재확률을 통해 트랙을 관리하기 때문에 효율적으로 트랙을 잘 유지하며 추적하는 것을 확인할 수 있다. 또 Figs.
15는 몬테카를로 모의실험 결과 중 확정된 실제트랙 율이다. 먼저 IPDAF와 LMIPDAF 결과를 비교해보면, 표적 교차 구간에서 확연히 성능 차이가 나타나는 것을 볼 수 있다. IPDAF는 교차 구간에서 트랙을 소실하면서 확정된 실제트랙 율이 거의 50 % 가까이 낮아지지만, LMIPDAF는 유효 탐지정보가 클러터, 현재 표적 그리고 다른 표적들로부터까지 발생되었을 경우를 고려하기 때문에 IPDAF에 비해 트랙을 소실하지 않고 잘 유지한다.
좌측 그림에서 수치가 없는 점은 클러터, 수치가 있는 점은 표적 탐지정보 그리고 수치는 각 정보의 스캔을 나타내는데, 스캔 0과 1의 탐지 정보를 연결하여 Two-Points 트랙 초기화로 트랙이 생성된 후 근방의 탐지 정보들을 이용하여 트랙정보를 쇄신하게 된다. 쇄신 과정 중 트랙 위치/속력 정보뿐만 아니라 우측 그래프의 트랙존재확률을 함께 산출하게 되는데, 만약 매 스캔 유효한 탐지정보 존재 시 트랙존재확률은 계속 증가하여 지속적으로 트랙을 유지하면서 추적하는 것을 볼 수 있다. 산출된 트랙존재확률은 트랙 확정 또는 제거와 같은 트랙관리를 수행하는데 사용된다.
본 논문에서는 수영자 탐지 소나의 해상실험 데이터를 분석하고, 수영자 탐지 소나에 적합한 자동 표적 추적 알고리즘을 제시하였다. 제시한 알고리즘은 트랙평가수단으로 트랙존재 확률을 산출하고, 이를 이용하여 트랙 초기화, 확정, 제거, 합병 등의 관리를 수행할 수 있어 자동 표적 추적 시스템을 구성하는데 적합함을 보였다. 또 단일 표적추적 IPDAF 및 다중표적추적 LMIPDAF을 제시하였고, 해상실험 데이터를 이용한 성능분석과 함께 모의실험을 통하여 각 표적추적 알고리즘을 적용한 자동 표적 추적 알고리즘의 성능을 비교 및 분석하였다.

후속연구

또 Figs. 9와 11을 통해 실제 표적에 대한 트랙 외에 클러터로 인한 거짓 트랙들도 생성 및 확장된 것을 볼 수 있는데, 이러한 거짓 트랙들을 최소화하기 위한 연구는 추후에 계속 진행되어야 할 것이다. 마지막으로 연산시간을 분석해본 결과 매 스캔 당 트랙관리 뿐만 아니라 표적추적 알고리즘까지 모두수행한 시간은 평균 0.
또 단일 표적추적 IPDAF 및 다중표적추적 LMIPDAF을 제시하였고, 해상실험 데이터를 이용한 성능분석과 함께 모의실험을 통하여 각 표적추적 알고리즘을 적용한 자동 표적 추적 알고리즘의 성능을 비교 및 분석하였다. 그러나 본 논문에서 분석한 해상실험 결과는 단일 수행 결과로 성능을 대표하기에는 다소 무리가 있기에, 추후에는 다양한 해양환경에서의 실측 데이터를 분석하고 추적성능을 분석하고자 한다. 또한 해양환경의 변화에 민감하지 않고 견실한 추적 성능을 위한 표적추적 파라미터 추정 방안에 대해 모색하고자 한다.
그리고 해상실험 데이터를 이용한 다중표적추적 LMIPDAF 기반 자동 표적 추적 알고리즘 성능 분석과 함께 모의실험 데이터를 이용한 각 알고리즘의 성능을 비교 및 분석하여 수영자 탐지 소나에 적용하기에 적합함을 보였다. 또한 적용한 자동 표적 추적 알고리즘은 수영자 탐지 소나, 기뢰회피 소나와 같은 능동센서를 사용하는 다양한 분야에서 활용할 수 있을 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	수영자 탐지 소나의 목적은 무엇인가?	연안 군사시설 및 주요 기반시설(항만, 발전소 등) 에 대한 수상 및 수중 침투세력의 비대칭 공격으로 인해 수영자 탐지 소나에 대한 중요성은 나날이 증가하고 있다. 수영자 탐지 소나는 잠수부나 수영자와 같은 소형표적을 탐지, 추적 및 식별하여 위협을 판단하는 목적으로 운용되는 능동 소나인데, 잠수부의 신호 특성, 항만과 천해 환경조건에 따른 제약 사항, 선박 이동소음, 해양 포유류 등으로 인한 오경보 및 오탐지와 같은 문제들로 인해 기술적인 측면에서 많은 어려움이 있다. 수영자 탐지 소나를 개발함에 있어서 빔형성, 신호처리(탐지/추적/식별) 등 다양한 핵심기술들이 요구되는데, 본 논문에서는 수영자 탐지 소나의 해상실험 데이터를 분석하였고, 분석한 내용을 토대로 클러터 환경에서 자동으로 표적에 대한 트랙을 초기화하고 관리 및 추적하는 자동 표적 추적 알고리즘에 대한 내용을 다루었으며, 해상실험 데이터를 이용하여 성능을 분석하였다.
	표적추적 알고리즘을 분석하는 NNF, SNF, PDAF 등의 방법들의 한계점은?	클러터 환경에서 일반적인 표적추적 알고리즘은 예측된 트랙 위치를 중심으로 유효측정영역을 설정하여, 유효측정영역 내 존재하는 가장 가까운 정보를 사용하는 NNF(Nearest Neighbor Filter),[1] 가장 신호세 기가 높은 정보를 사용하는 SNF(Strongest Neighbor Filter),[2] 유효측정영역 내 모든 정보들에 대해 확률적 가중치를 부여하여 사용하는 PDAF (Probabilistic Data Association Filter)[3,4] 등이 있다. 그러나 이 방법 들은 현존하는 트랙들이 표적에 대한 것인지 아닌지를 판별하기 위한 트랙 스코어와 같은 수단을 제공 하지 않아서 효율적으로 표적을 추적하기에는 무리가 있다.
	수영자 탐지 소나을 사용하는데 있어서 어려움은 무엇인가?	연안 군사시설 및 주요 기반시설(항만, 발전소 등) 에 대한 수상 및 수중 침투세력의 비대칭 공격으로 인해 수영자 탐지 소나에 대한 중요성은 나날이 증가하고 있다. 수영자 탐지 소나는 잠수부나 수영자와 같은 소형표적을 탐지, 추적 및 식별하여 위협을 판단하는 목적으로 운용되는 능동 소나인데, 잠수부의 신호 특성, 항만과 천해 환경조건에 따른 제약 사항, 선박 이동소음, 해양 포유류 등으로 인한 오경보 및 오탐지와 같은 문제들로 인해 기술적인 측면에서 많은 어려움이 있다. 수영자 탐지 소나를 개발함에 있어서 빔형성, 신호처리(탐지/추적/식별) 등 다양한 핵심기술들이 요구되는데, 본 논문에서는 수영자 탐지 소나의 해상실험 데이터를 분석하였고, 분석한 내용을 토대로 클러터 환경에서 자동으로 표적에 대한 트랙을 초기화하고 관리 및 추적하는 자동 표적 추적 알고리즘에 대한 내용을 다루었으며, 해상실험 데이터를 이용하여 성능을 분석하였다.

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