[논문]변이형 오토인코더를 이용한 탄도미사일 궤적 증강기법 개발

이동규; 홍동욱

doi:10.14248/jkosse.2023.19.2.145

변이형 오토인코더를 이용한 탄도미사일 궤적 증강기법 개발
Development of Augmentation Method of Ballistic Missile Trajectory using Variational Autoencoder 원문보기

시스템엔지니어링학술지 = Journal of the Korean Society of Systems Engineering, v.19 no.2, 2023년, pp.145 - 156

이동규 (한화시스템) , 홍동욱 (한화시스템)

Abstract ▼ AI-Helper

Trajectory of ballistic missile is defined by inherent flight dynamics, which decided range and maneuvering characteristics. It is crucial to predict range and maneuvering characteristics of ballistic missile in KAMD (Korea Air and Missile Defense) to minimize damage due to ballistic missile attacks, Nowadays, needs for applying AI(Artificial Intelligence) technologies are increasing due to rapid developments of DNN(Deep Neural Networks) technologies. To apply these DNN technologies amount of data are required for superviesed learning, but trajectory data of ballistic missiles is limited because of security issues. Trajectory data could be considered as multivariate time series including many variables. And augmentation in time series data is a developing area of research. In this paper, we tried to augment trajectory data of ballistic missiles using recently developed methods. We used TimeVAE(Time Variational AutoEncoder) method and TimeGAN(Time Generative Adversarial Networks) to synthesize missile trajectory data. We also compare the results of two methods and analyse for future works.

주제어

표/그림 (11)

그림 [Figure 1] General Ballistic Missile Trajectory Simulation Results
그림 [Figure 2] Low Altitude Glide Maneuvering Trajectory Simulation Results
그림 [Figure 3] The Structure of a Basic Autoencoder[15]
그림 [Figure 4] Block diagram of components in Base TimeVAE[6]
그림 [Figure 5] Block Diagram of Component Function and Objectives in TimeGAN[7]
표 Specifications of Simulated Trajectory
그림 [Figure 6] Normalized Specifications of Simulated Signals
표 Discriminative(disc.) and Predictive(pred.) Scores of Synthesized Data
그림 [Figure 7] PCA Plots of synthesized trajectory
그림 [Figure 8] t-SNE Plots of synthesized trajectory
표 Training Times for Both Models

참고문헌 (21)

권용수, 최봉식, 탄도미사일의 비행궤적 특성 해석, 한국국방경영분석학회지, Vol. 32, No. 1, p.176-187, 2006.？
오주호, 강동수, LSTM을 이용한 탄도미사일 사거리 예측, 정보과학회 컴퓨팅의 실제 논문지, Vol. 28, No. 8, p.405-412, 2022.8.？
Qingsong Wen, Liang Sun, Fan Yang, Xiaomin Song, Jingkun Wang, Huan Xu, Time Series Data Augmentation for Deep Learning: A Survey, Proceedings of the 30 International Joint Conference on Arificial Intelligence (IJCAI-21) Survey Track, 2020.？
Brian Kenji Iwana, Seiichi Uchida, An empirical survey of data augmentation for time series classification with neural netwokrs, PLOS ONE, July 15, 2021.？
김수희, 이기용, 기계학습 성능 향상을 위한 효과적인 시계열 데이터 증강 기법, 한국정보과학회 학술발표 논문집, p. 703-705, 2021.？
Abhyuday Desai, Cynthia Freeman, Ian Beaver, Zuhui Wang, Timevae: A variational auto-encoder for multivariate time series generation, arXiv preprint arXiv:2111.08095, 2021.？
Jinsung Yoon, Daniel Jarrett, Mihaela van der Schaar, Time-series Generative Adversarial Networks, 33rd Conference on Neural Information Processing Systems (NeurIPS), 2019.？
박인희, 이창진, 정찬호, 시계열 생성적 적대 신경망을 이용한 비행체 궤적 합성 데이터 생성 및 비행체 궤적 예측에서의 활용에 관한 연구, 전기전자학회 논문지, Vol. 25, No. 4, p. 766-769, December 2021.？
박지연, 서동호, 최병찬, 남해운, 시계열 데이터 분류 알고리즘 성능 비교 및 분석, 한국통신학회 학술대회 논문집, p. 111-112, 2021.？
Hassan Ismail Fawaz, Germain Forestier, Jonathan Weber, Lhassane Idoumghar, Pierre-Alain Muller, Deep learning for time series classification: a review, Data mining and Knowledge Discovery, Vol. 33, No. 4, p. 917-963, 2019.？

상세보기
Hong Yang, Travis Desell, Robust Augmentation for Multivariate Time Series Classification, arXiv preprint arXiv:2201.11739, 2022.？
김수희, 이기용, 시계열 분류 모델의 성능 향상을 위한 시계열 데이터 증강 및 대조 학습 기반 사전 훈련 기법, 정보과학회 컴퓨팅의 실제 논문지, Vol.28, No.11, p.550-556, 2022.？
이창현, 신동훈, 전호석, 정진우, 권기원, 임태호, 생성적 적대 신경망(GAN)을 이용한 시계열 데이터 증강 기법 적용 및 성능 평가에 관한 연구, 한국통신학회 학술대회 논문집, p. 1076-1077, 2021.？
Francisco J. Bald n, Jos M.Ben tez, Multivariate times series classification through an interpretable representation, Information Sciences 569, p.596-614, 2021.？

상세보기
Kasra Babaei, ZhiYuan Chen, Tomas Maul, Data augmentation by AutoEncoders for Unsupervised Anomaly Detection, arXiv: 1912.13384v1, 21 Dec, 2019.？
이수형, 김범성, 이희성, 오토인코더 기반의 데이터 증강과 초기 게임 행동을 이용한 구매 예측 시스템, 한국지능시스템학회 논문지, Vol. 32, No. 4, p. 286-291, 2022.？
김승환, 전성해, 변이형 오토인코더를 이용한 영과잉 특허 데이터 분석, 한국지능시스템학회 논문지, Vol. 32, No. 1, p.44-50, 2022.？
오현식, 김윤식, 이순주, 노성규, 궤적 성형을 통한 극초음속 활강 비행체 모델링 및 시뮬레이션, 한국항공우주학회 학술발표회 초록집, p.314-315, 2022.？
홍동욱, 탄도미사일 궤적 시뮬레이션을 이용한 방어영역 산출 및 응용, 박사학위 논문, 한남 대학교, 2019.？
김지원, 권용수, 항력을 고려한 탄도미사일 비행궤적 특성 해석, 한국항행학회 논문지, 20(2), p.134-140, 2016.？
홍승후, 이강윤, 연합학습시스템에서의 MLOps 구현방안 연구, 한국인터넷정보확회 논문지, 23(3), 2022.

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