[논문]가우스 요소함수 망에 기초한 재밍 파라미터 추정

황태현; 길이만; 이현구; 김정호; 고재헌; 조제일; 이정훈

doi:10.9766/kimst.2020.23.1.001

가우스 요소함수 망에 기초한 재밍 파라미터 추정
Estimation of Jamming Parameters based on Gaussian Kernel Function Networks 원문보기

韓國軍事科學技術學會誌 = Journal of the KIMST, v.23 no.1, 2020년, pp.1 - 10

황태현 (성균관대학교 수학과) , 길이만 (성균관대학교 소프트웨어대학) , 이현구 (LIG넥스원(주) 전자전연구소) , 김정호 (LIG넥스원(주) 전자전연구소) , 고재헌 (LIG넥스원(주) 전자전연구소) , 조제일 (국방과학연구소 제2기술연구본부) , 이정훈 (국방과학연구소 제2기술연구본부)

Abstract ▼ AI-Helper

Effective jamming in electronic warfare depends on proper jamming technique selection and jamming parameter estimation. For this purpose, this paper proposes a new method of estimating jamming parameters using Gaussian kernel function networks. In the proposed approach, a new method of determining the optimal structure and parameters of Gaussian kernel function networks is proposed. As a result, the proposed approach estimates the jamming parameters in a reliable manner and outperforms other methods such as the DNN(Deep Neural Network) and SVM(Support Vector Machine) estimation models.

주제어

표/그림 (8)

그림 Fig. 1. The flow chart of estimating jamming parameters
그림 Fig. 2. The structure of Gaussian kernel function networks^[9]
그림 Fig. 3. Function approximation using a GKFN^[9]
그림 Fig. 4. Computing Gaussian kernel centers and widths
그림 Fig. 5. Reestimation of jamming parameters
그림 Fig. 6. Distributions of training data and kernel centers
표 Table 1. Comparing the performances of estimating jamming parameters
표 Table 2. Comparing the performances before and after reestimating jamming parameters

AI 본문요약
AI-Helper

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

문제 정의

뿐만 아니라 GKFN 모형은 높은 비선형성을 가진 비모수적 추정방법일 뿐 아니라 커널 함수의 국소 성(Locality)을 통한 증분 학습에도 적합하기 때문에 확장성 또한 뛰어난 것으로 알려졌다^[4,5,8]. 기존의 GKFN의 파라미터를 학습하는 방법으로 [5]에서 효율적인 방법을 제시하고 있지만, 본 논문에서는 입력 값의 각 차원에 따른 분산을 고려한 Mahalanobis 거리를 사용한 GKFN을 제시하고, 출력 값에 근거한 입력공간의 군집화를 이용한 새로운 학습 알고리즘을 제시하고자 한다. 데이터의 각 차원의 분산 값을 이용한 GKFN은 다음과 같다 :
본 논문에서는 이를 해결하기 위한 방법으로 방사체로부터 수집되는 레이더 신호 패턴에 따라 적절한 특징을 추출하고, 그 특징을 입력 값으로 사용하여 재밍 파라미터 값을 출력하는 임의의 비선형 함수를 근사하는 방법을 제공하고자 한다. 이와 관련하여 본 논문에서 제시하는 재밍 파라미터 추정의 과정은 Fig.
. 본 연구는 전자전 분야에서 다양한 레이더 신호 분석(항공기, 선박 등)을 통해, 유효한 재밍 신호를 발생하기 위한 파라미터를 자율적으로 추정하는 효과적인 방법론을 구현하고자 한다. 이와 관련된 기능을 수행하기 위하여, 레이더를 이용하여 방사체의 특성들로부터 적절한 재밍 파라미터를 추정하는 부분에 있어서 우수한 성능을 갖추는 것이 전자전에서 매우 중요하다.
본 연구에서 대상 위협에 유효한 재밍 기법 및 신호 추정에 대해 현재 전자전 전문가의 경험적 판단에 의존하는 환경에서, 신뢰성 있는 대량의 데이터를 사용하여 수학적 모델을 통해 재밍 기법 및 신호를 추정 할 수 있는 알고리즘을 제시하였다. 본 연구의 방법론으로서 레이더 패턴으로부터 재밍 파라미터를 추정하기 위하여 가우스 요소함수 망(Gaussian Kernel Function Network, GKFN)의 최적화 및 학습 알고리즘을 제시하였고, 실험을 통하여 제안된 방법이 매우 효과적임을 보였다.
본 연구에서 주어진 레이더 패턴은 PDW(Pulse Description Word)형태의 데이터 단위를 사용하는데, PDW의 리스트에는 ToA(Time of Arrival), AoA(Angle of Arrival), Frequency, FMOP(Frequency Modulation On Pulse), PW(Pulse Width), PA(Pulse Amplitude), PRI(Pulse Repetition Interval) 등으로 구성되어 있다. 이 중 해당 방사체가 사용하는 주파수 대역인 Frequency와 방사체가 운용하는 Pulse의 시간간격인 PRI, 그리고 Pulse의 폭을 나타내는 PW 수치의 3차원 입력벡터와 재밍 파라미터 사이의 함수 관계를 근사하고자 한다. 미지의 비선형 함수를 근사하는 모델로 방사 기저함수 네트워크(Radial Basis Function Network, RBFN)의 하나인 GKFN을 사용하였다.

제안 방법

6과 같다. SVM의 경우 Penalty 파라미터와 Epsilon tube를 검증데이터로 최적화하여 사용하였다. DNN의 경우 4개의 은닉 층(각 32, 64, 32, 16개의 노드)을 구성하였고, 활성화 함수로 ReLu, 최적화는 Adam을 이용하였다.
이와 관련된 기능을 수행하기 위하여, 레이더를 이용하여 방사체의 특성들로부터 적절한 재밍 파라미터를 추정하는 부분에 있어서 우수한 성능을 갖추는 것이 전자전에서 매우 중요하다. 기존의 재밍 파라미터를 추정하는 방법은 상대측 레이더 신호로부터 적절한 특성들을 추출하여, 어떤 재밍 파라미터가 효과적인지에 대하여 전자전 관련 전문가가 데이터베이스(DB)에 저장되어있는 데이터를 바탕으로 경험적으로 선정하는 방식으로 이루어졌다. 이러한 방법의 수행을 위해서는 전자전 분야의 뛰어난 전문가가 필요할 뿐 아니라, 전자전 장비의 운용 중 신규 신호를 수신하여 실시간으로 수행되어야할 재밍의 특성상 촌각을 다투는 상황에서 전문가의 분석 및 재밍 파라미터 추정을 수행하는 것은 대단히 비효율적이다.
다음으로 데이터 측정에 있어서 생기는 노이즈의 분산을 추정하여, 재밍 파라미터의 점 추정뿐 아니라 구간추정까지 제시하였다. 또한 재밍 파라미터 허용 구간을 벗어나는 경우, 구간추정의 상∙하한 값을 이용한 신호 재 예측 방법을 제시하였고, 제안된 방법의 우수성을 확인하였다.
먼저 수집된 데이터로부터, 입∙출력 값을 포함한 한차원 높은 공간에서의 군집화를 통해 입력 데이터의 공간적 특성뿐만 아니라 출력 값의 변동성도 반영하여 군집화 함으로써 각 군집 내의 데이터는 입력 데이터의 특성도 비슷할 뿐 아니라 출력 값도 비슷하게 되는 군집화 방법을 제시하고 그 군집의 중심과 너비를 파라미터로 하는 GKFN 모델을 제시하였다. 또한 베이즈 최적화를 이용하여 커널과 너비와 관련된 초매개변수를 최적화 하였다.
결론적으로 제안된 GKFN 모델은 재밍의 적중률 면에서 매우 우수한 성능을 보였다. 또한 제안된 방법은 재밍 파라미터의 추정, 신뢰구간을 이용한 실제 파라미터 값의 범위, 그리고 재밍 실패 시 대안 추정 값을 제공함으로서 실제 환경에서 보다 유연하게 대처할 수 있는 방법론을 제시한다.
먼저 수집된 데이터로부터, 입∙출력 값을 포함한 한차원 높은 공간에서의 군집화를 통해 입력 데이터의 공간적 특성뿐만 아니라 출력 값의 변동성도 반영하여 군집화 함으로써 각 군집 내의 데이터는 입력 데이터의 특성도 비슷할 뿐 아니라 출력 값도 비슷하게 되는 군집화 방법을 제시하고 그 군집의 중심과 너비를 파라미터로 하는 GKFN 모델을 제시하였다. 또한 베이즈 최적화를 이용하여 커널과 너비와 관련된 초매개변수를 최적화 하였다.
본 연구에서 주어진 레이더 패턴은 PDW(Pulse Description Word)형태의 데이터 단위를 사용하는데, PDW의 리스트에는 ToA(Time of Arrival), AoA(Angle of Arrival), Frequency, FMOP(Frequency Modulation On Pulse), PW(Pulse Width), PA(Pulse Amplitude), PRI(Pulse Repetition Interval) 등으로 구성되어 있다. 이 중 해당 방사체가 사용하는 주파수 대역인 Frequency와 방사체가 운용하는 Pulse의 시간간격인 PRI, 그리고 Pulse의 폭을 나타내는 PW 수치의 3차원 입력벡터와 재밍 파라미터 사이의 함수 관계를 근사하고자 한다.
본 방법에서 최초의 레이더 패턴으로부터 재밍 파라미터 추정이 실패했을 경우 GKFN의 실제 재밍 파라미터의 구간추정을 이용하여 재밍 파라미터를 재예측할 수 있다. 제안된 방법은 Fig. 5와 같이 추정한 재밍 파라미터의 구간 추정의 상한 값과 하한 값 중 임의로(1/2의 확률로) 선택하여 다시 재밍을 시도한다. 이는 정보가 부족한 상황 혹은 이전에 수집되지 않은 레이더 패턴에 대한 상황에서도 추정을 할 수 있다는 의미가 있다.
제안된 신뢰구간은 실제 값이 추정 값을 기준으로 어느 정도의 범위 안에 있을 수 있는지에 대한 정보를 제공한다. 또한 재밍 파라미터가 유효하지 않은 경우 신뢰구간을 이용하여 재 추정도 가능하다.
4와 같다. 즉, 제안된 알고리즘은 자료의 입력 값의 분포뿐만 아니라 출력 값의 분포도 고려하여 GKF들을 배치하게 된다. 그 결과 자료 분포에 따라 보다 적합하게 주어진 함수를 근사하게 된다.
추정 재밍 파라미터가 재밍 허용 범위에 벗어나는 경우 제안한 재밍 재 예측 방법을 이용하여 재밍을 시도하였다. 예를 들어, 실제 재밍 파라미터(y)가 10.
1과 같다. 추정과정은 먼저 레이더 패턴을 분석하여 방사체 유형을 분류하고 각 유형에 따른 재밍 파라미터를 추정하는 시스템을 구성하였다. 여기서 레이더 유형을 분류하는 방법으로 클래스 확률을 추정하는 클래스 확률 출력 네트워크^[3]가 사용되었다.
단계 5. 측정 노이즈의 분산의 불편 추정 값을 계산하여 예측치의 구간추정을 계산한다.
현재 수집된 데이터의 레이더의 패턴을 분석하여 그에 맞는 재밍 파라미터를 추정하는데 있어 GKFN의 성능을 살펴보기 위해서는 비교되는 모델 들 또한 레이더 패턴과 재밍 파라미터 간의 사상 능력(Mapping capability)이 뛰어난 모델로 선택하였다. 이를 위하여 비교적 적은 파라미터로 우수한 사상능력을 성능을 갖는 SVM(Support Vector Machine)과 복잡한 비선형 관계의 데이터를 모델링하는데 자주 사용되는 DNN(Deep Neural Network)을 사용하였다.

대상 데이터

생성된 레이더 PDW set에 포함된 패턴(Frequency, PRI, PW)과 그에 해당하는 재밍 파라미터, 허용 범위로 이루어진 1722개의 데이터를 8:1:1의 비율로 학습 데이터, 검증데이터, 테스트데이터로 분할하여 사용하였다.
실험에 사용된 자료는 전자전 전문가의 의견을 반영한 레이더/재밍 모의신호를 토대로^[6] 진행하였다. 주어진 데이터는 다양한 방사 신호 종류의 레이더 특징에 따른 자료로서 방사체에 따른 Frequency, PRI, PW의 값을 가지는 3차원의 벡터와 그에 해당하는 재밍 파라미터를 출력 값으로 구성되어 있다.

데이터처리

제안된 GKFN 모델에 실제 데이터를 적용하여 재밍 파라미터 예측 및 실패한 데이터에 대해서 재 예측을 진행하고 그에 대한 오차분석을 진행하였다.
제안된 방법인 ‘출력 값에 근거한 k-평균 알고리즘’을 이용하여 커널을 설치할 위치와 커널의 개수를 결정하고 각 커널에 필요한 파라미터를 계산한다.
에서 제공하는 패키지를 사용하였고 비교방법은 성능평가를 위하여 주로 사용되는 10등분 교차 평가(10-Fold cross evaluation)를 이용 하였다. 즉, 데이터를 총 10등분 하여 8등분을 학습, 1등분을 검증 그리고 남은 1등분을 테스트하는 것을 반복하여 성능 척도의 평균값을 기록하였다.

이론/모형

SVM의 경우 Penalty 파라미터와 Epsilon tube를 검증데이터로 최적화하여 사용하였다. DNN의 경우 4개의 은닉 층(각 32, 64, 32, 16개의 노드)을 구성하였고, 활성화 함수로 ReLu, 최적화는 Adam을 이용하였다. 각 모델의 성능은 Table 1에 요약하였다.
군집화 후 각 군집내의 너비를 적절하게 보정해주는 초 매개변수 β는 베이즈 최적화(Bayesian optimization)을 이용하여 결정한다.
또한 재밍 파라미터를 추정하기 위하여 방사체 유형에 따라 레이더 특징 자료를 재구성하여 레이더 특징 공간과 재밍 파라미터 사이의 사상 관계를 비선형 회귀모형으로 가우스 요소함수 망(Gaussian Kernel Function Network, GKFN)을 이용하여 추정하였다. 기존의 알려진 GKFN은 예측 오차에 따라 커널 함수를 만드는 방법을 사용한 반면^[4,5], 본 논문에서는 출력 값에 근거한 입력 공간의 군집화를 이용한 모델파라미터를 추정하는 새로운 방법과 입력 값의 각 차원의 분산을 고려한 Mahalanobis 거리를 이용하였다. 그 결과 재밍 파라미터 추정에 있어 전자전 전문가와 비견될 정도로 일관된 추정 성능을 발휘 할 뿐 아니라 함수 근사에 있어서 대표적으로 사용되는 DNN(Deep Neural Network), SVM(Support Vector Machine)과 비교하여 제안된 방법이 우수한 성능을 보임을 확인할 수 있었다.
이 방법은 각 방사체 유형에 따른 레이더 패턴의 주요 특징에 대한 확률 분포를 베타분포로 변환한 후 이를 모델링하여 각 방사체 유형에 대한 확률을 추정하여 분류하는 방법이다. 또한 재밍 파라미터를 추정하기 위하여 방사체 유형에 따라 레이더 특징 자료를 재구성하여 레이더 특징 공간과 재밍 파라미터 사이의 사상 관계를 비선형 회귀모형으로 가우스 요소함수 망(Gaussian Kernel Function Network, GKFN)을 이용하여 추정하였다. 기존의 알려진 GKFN은 예측 오차에 따라 커널 함수를 만드는 방법을 사용한 반면^[4,5], 본 논문에서는 출력 값에 근거한 입력 공간의 군집화를 이용한 모델파라미터를 추정하는 새로운 방법과 입력 값의 각 차원의 분산을 고려한 Mahalanobis 거리를 이용하였다.
이 중 해당 방사체가 사용하는 주파수 대역인 Frequency와 방사체가 운용하는 Pulse의 시간간격인 PRI, 그리고 Pulse의 폭을 나타내는 PW 수치의 3차원 입력벡터와 재밍 파라미터 사이의 함수 관계를 근사하고자 한다. 미지의 비선형 함수를 근사하는 모델로 방사 기저함수 네트워크(Radial Basis Function Network, RBFN)의 하나인 GKFN을 사용하였다.
실험은 Scikit-learn^[12]에서 제공하는 패키지를 사용하였고 비교방법은 성능평가를 위하여 주로 사용되는 10등분 교차 평가(10-Fold cross evaluation)를 이용 하였다. 즉, 데이터를 총 10등분 하여 8등분을 학습, 1등분을 검증 그리고 남은 1등분을 테스트하는 것을 반복하여 성능 척도의 평균값을 기록하였다.
추정과정은 먼저 레이더 패턴을 분석하여 방사체 유형을 분류하고 각 유형에 따른 재밍 파라미터를 추정하는 시스템을 구성하였다. 여기서 레이더 유형을 분류하는 방법으로 클래스 확률을 추정하는 클래스 확률 출력 네트워크^[3]가 사용되었다. 이 방법은 각 방사체 유형에 따른 레이더 패턴의 주요 특징에 대한 확률 분포를 베타분포로 변환한 후 이를 모델링하여 각 방사체 유형에 대한 확률을 추정하여 분류하는 방법이다.
현재 수집된 데이터의 레이더의 패턴을 분석하여 그에 맞는 재밍 파라미터를 추정하는데 있어 GKFN의 성능을 살펴보기 위해서는 비교되는 모델 들 또한 레이더 패턴과 재밍 파라미터 간의 사상 능력(Mapping capability)이 뛰어난 모델로 선택하였다. 이를 위하여 비교적 적은 파라미터로 우수한 사상능력을 성능을 갖는 SVM(Support Vector Machine)과 복잡한 비선형 관계의 데이터를 모델링하는데 자주 사용되는 DNN(Deep Neural Network)을 사용하였다. 입력데이터가 3차원으로 이루어진 특성상 CNN(Convolution Neural Network)의 적용이 어렵고, 시계열의 형태가 아니기 때문에 RNN(Recurrent Neural Network)은 사용하지 않았다.
입력 변수와 출력 값으로 구성된 데이터에 대해 ‘출력 값에 근거한 k-평균 알고리즘’을 이용하여 커널 함수의 개수를 결정한다.

성능/효과

결론적으로 제안된 GKFN 모델은 재밍의 적중률 면에서 매우 우수한 성능을 보였다. 또한 제안된 방법은 재밍 파라미터의 추정, 신뢰구간을 이용한 실제 파라미터 값의 범위, 그리고 재밍 실패 시 대안 추정 값을 제공함으로서 실제 환경에서 보다 유연하게 대처할 수 있는 방법론을 제시한다.
기존의 알려진 GKFN은 예측 오차에 따라 커널 함수를 만드는 방법을 사용한 반면^[4,5], 본 논문에서는 출력 값에 근거한 입력 공간의 군집화를 이용한 모델파라미터를 추정하는 새로운 방법과 입력 값의 각 차원의 분산을 고려한 Mahalanobis 거리를 이용하였다. 그 결과 재밍 파라미터 추정에 있어 전자전 전문가와 비견될 정도로 일관된 추정 성능을 발휘 할 뿐 아니라 함수 근사에 있어서 대표적으로 사용되는 DNN(Deep Neural Network), SVM(Support Vector Machine)과 비교하여 제안된 방법이 우수한 성능을 보임을 확인할 수 있었다.
또한 재밍 파라미터 허용 구간을 벗어나는 경우, 구간추정의 상∙하한 값을 이용한 신호 재 예측 방법을 제시하였고, 제안된 방법의 우수성을 확인하였다. 그 결과 제안된 방법은 재밍 파라미터 추정에 있어 전자전 전문가와 비견될 정도로 일관된 추정 성능을 발휘 할 뿐 아니라 함수 근사에 있어서 대표적으로 사용되는 DNN(Deep Neural Network), SVM(Support Vector Machine)과 비교하여도 제안된 방법이 우수한 성능을 제공함을 보였다.
다음으로 데이터 측정에 있어서 생기는 노이즈의 분산을 추정하여, 재밍 파라미터의 점 추정뿐 아니라 구간추정까지 제시하였다. 또한 재밍 파라미터 허용 구간을 벗어나는 경우, 구간추정의 상∙하한 값을 이용한 신호 재 예측 방법을 제시하였고, 제안된 방법의 우수성을 확인하였다. 그 결과 제안된 방법은 재밍 파라미터 추정에 있어 전자전 전문가와 비견될 정도로 일관된 추정 성능을 발휘 할 뿐 아니라 함수 근사에 있어서 대표적으로 사용되는 DNN(Deep Neural Network), SVM(Support Vector Machine)과 비교하여도 제안된 방법이 우수한 성능을 제공함을 보였다.
본 방법에서 최초의 레이더 패턴으로부터 재밍 파라미터 추정이 실패했을 경우 GKFN의 실제 재밍 파라미터의 구간추정을 이용하여 재밍 파라미터를 재예측할 수 있다. 제안된 방법은 Fig.
본 연구에서 대상 위협에 유효한 재밍 기법 및 신호 추정에 대해 현재 전자전 전문가의 경험적 판단에 의존하는 환경에서, 신뢰성 있는 대량의 데이터를 사용하여 수학적 모델을 통해 재밍 기법 및 신호를 추정 할 수 있는 알고리즘을 제시하였다. 본 연구의 방법론으로서 레이더 패턴으로부터 재밍 파라미터를 추정하기 위하여 가우스 요소함수 망(Gaussian Kernel Function Network, GKFN)의 최적화 및 학습 알고리즘을 제시하였고, 실험을 통하여 제안된 방법이 매우 효과적임을 보였다. 본 연구의 결과는 다음과 같이 정리할 수 있다 :
각 모델의 성능은 Table 1에 요약하였다. 실험 결과를 통해 제안된 GKFN 모델이 SVM, DNN보다 재밍 파라미터 자체를 추정하는데 있어서 뿐만 아니라 재밍 허용 구간에 적중률도 더 뛰어남을 확인할 수 있었다.
제안된 GKFN을 직관적으로 살펴보면, Fig. 3에서 보인바와 같이 정의역 공간에서 적절한 위치에 커널 함수를 건설한 후 이를 적절하게 결합하여 함수를 근사하는 방식이기 때문에 GKFN의 성능은 어떤 위치에 어떤 너비를 가지는 커널 함수를 건설하며 어떻게 결합하는지에 따라 성능이 크게 달라진다. 따라서 커널 함수와 함수의 개수를 최적화하는 학습 방법이 GKFN 성능의 중요한 요소로 작용한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	전자전에서의 중요한 요소는?	현대전에서는 전자전(EW: Electronic Warfare)이 전쟁의 승패를 좌우하는 매우 중요한 요인이 되고 있으며 전자전에서는 특히 실시간 및 정확한 정보처리가 필수적인 요소로 부각되고 있다[1,2]. 본 연구는 전자전 분야에서 다양한 레이더 신호 분석(항공기, 선박 등)을 통해, 유효한 재밍 신호를 발생하기 위한 파라미터를 자율적으로 추정하는 효과적인 방법론을 구현하고자 한다.
	기존의 재밍 파라미터를 추정하는 방법은 어떻게 이루어졌나?	이와 관련된 기능을 수행하기 위하여, 레이더를 이용하여 방사체의 특성들로부터 적절한 재밍 파라미터를 추정하는 부분에 있어서 우수한 성능을 갖추는 것이 전자전에서 매우 중요하다. 기존의 재밍 파라미터를 추정하는 방법은 상대측 레이더 신호로부터 적절한 특성들을 추출하여, 어떤 재밍 파라미터가 효과적인지에 대하여 전자전 관련 전문가가 데이터베이스(DB)에 저장되어있는 데이터를 바탕으로 경험적으로 선정하는 방식으로 이루어졌다. 이러한 방법의 수행을 위해서는 전자전 분야의 뛰어난 전문가가 필요할 뿐 아니라, 전자전 장비의 운용 중 신규 신호를 수신하여 실시간으로 수행되어야할 재밍의 특성상 촌각을 다투는 상황에서 전문가의 분석 및 재밍 파라미터 추정을 수행하는 것은 대단히 비효율적이다.
	기존의 재밍 파라미터를 추정하는 방법이 비효율적인 이유는?	기존의 재밍 파라미터를 추정하는 방법은 상대측 레이더 신호로부터 적절한 특성들을 추출하여, 어떤 재밍 파라미터가 효과적인지에 대하여 전자전 관련 전문가가 데이터베이스(DB)에 저장되어있는 데이터를 바탕으로 경험적으로 선정하는 방식으로 이루어졌다. 이러한 방법의 수행을 위해서는 전자전 분야의 뛰어난 전문가가 필요할 뿐 아니라, 전자전 장비의 운용 중 신규 신호를 수신하여 실시간으로 수행되어야할 재밍의 특성상 촌각을 다투는 상황에서 전문가의 분석 및 재밍 파라미터 추정을 수행하는 것은 대단히 비효율적이다. 또한 탐지된 레이더 신호가 기존에 탐지된 적 없는 즉, 데이터베이스에 존재하지 않는 신호인 경우 재밍 파라미터 회귀 자체가 불가능하다.

참고문헌 (12)

D. Schleher, "Introduction to Electronic Warfare," Eaton Corp, AIL Div., Deer Park, NY, 1986.
D. Schleher, "Electronic Warfare in the Information Age," Artech House Publishers, 1999.
S. Lee, H. Bae, R. Kil, and C. Jo, "Classification of the Trained and Untrained Emitter Types based on Class Probability Output Networks," Neurocomputing, Vol. 248, pp. 67-75, 2017.

상세보기
S. Lee and R. Kil, “A Gaussian Potential Function Network with Hierarchically Self-Organizing Learning,” Neural Networks, Vol. 4, No. 2, pp. 207-224, 1991.

상세보기
R. Kil, “Function Approximation based on a Network with Kernel Functions of Bounds and Locality: an Approach of Non-Parametric Estimation,” ETRI Journal, Vol. 15, No. 2, pp. 35-51, 1993.

원문보기 상세보기
R. Wiley, "ELINT: The Interception and Analysis of Radar Signals," Artech House Publishers, 2006.
M. D. Buhmann, "Radial Basis Functions: Theory and Implementations," Volume 12, Cambridge University Press, 2013.
E. Parzen, "On the Estimation of a Probability Density Function and Mode," Annals of Mathematical Statistics, Vol. 33, pp. 1065-1076, 1962.
T. Hwang, "Combination of Gaussian Kernel Function Networks for Traffic Flow Prediction," Sungkyunkwan University, Thesis, 2018.
E. Brochu, V. M. Cora, N. Freitas, "A Tutorial on Bayesian Optimization of Expensive Cost Functions, with Application to Active User Modeling and Hierarchical Reinforcement Learning," eprint arXiv: 1012.2599, arXiv.org, 2010.
J. Snoek, H. Larochelle, R. P. Adams, "Practical Bayesian Optimization of Machine Learning Algorithm," eprint arXiv:1021.2599, arXiv.org, 2012.
Pedregosa, F. et al., "Scikit-Learn: Machine Learning in Python," Journal of Machine Learning Research, Vol. 12, pp. 2825-2830, 2011.

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