지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 발행연도
- 2020
- 저작권
- 서울대학교 논문은 저작권에 의해 보호받습니다.
이용수0
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문에서는 레이더 표적 식별에서 식별 성능에 가장 큰 영향을 주는 특징점 추출 단계에 사용되는 데이터로 표적의 산란점 (Scattering Center) 정보를 사용하는 것을 제안하였으며, 공대공 탐지와 같은 제한된 측정 데이터만 얻을 수 있는 환경에서도 원본 데이터와 유사하게 복원할 수 있는 압축 센싱 (CS : Compressive Sensing)과 설계 변수가 많은 문제를 잘 해결할 수 있는 고차원 최적화 (High-dimensional Optimization) 알고리즘을 사용하여 기존의 산란점 추출 기법보다 더 정확하며 연산 속도의 저하를 줄일 수 있는 산란점 추출 알고리즘을 제안하였다. 이에 대한 검증을 위해 수치해석적 방법을 통해 얻어진 원시 데이터에 대한 식별 성능을 확인하였으며, 실제 측정 실험을 통해 검증을 수행하였다.
먼저 표적 식별에 사용되는 레이더 수신 신호를 획득하는 과정과 모델링에 대해 설명하였으며, 다음으로 본 논문에서 제시하는 최적의 산란점 추출 알고리즘의 기반이 되는 CS 알고리즘과 고차원 최적화 알고리즘에 대한 구체적인 원리를 설명하였다. 기존의 CS 알고리즘 중 하나인 orthogonal matching pursuit (OMP) 알고리즘에서 연산 속도를 향상시킨 새로운 OMP 알고리즘을 제시하고 간단한 산란점 추출 문제에 적용하여 기존의 OMP보다 81.2%의 연산 시간을 줄이면서 동일한 산란점 정보를 추출하는 것을 확인하였다. 다음으로 본 논문에서 해결하려는 산람점 추출과 같이 설계 변수가 많은 고차원 최적화 문제의 경우에 강점을 보이는 혼합 유전 알고리즘 (Hybrid Genetic Algorithm)을 제시하였다. 나선형 교차 방식을 선택하여 고차원 문제를 잘 풀 수 있도록 하였으며, 최적 해를 잘 찾으며 수렴 속도를 증가시키기 위해 해 집단을 여러 그룹으로 나누어 각 그룹 별로 다른 교차 방식을 수행하였다. 그에 대한 검증을 위해 여러 시험 함수와 산란점 추출 문제에 적용하였으며 기존의 최적화 알고리즘과의 비교를 수행하여 제안한 알고리즘이 고차원 문제를 해결하는데 가장 뛰어남을 보였다.
최적의 산란점을 추출하기 위해 앞서 제시한 향상된 OMP 알고리즘과 혼합 유전 알고리즘을 결합하였다. 먼저 레이더 수신 신호에 향상된 OMP 알고리즘을 적용하여 산란점을 추출하였다. 추출된 산란점 정보를 초기값으로 하여 혼합 유전 알고리즘을 적용하여 보다 정확한 산란점 정보를 추출하였으며, 혼합 유전 알고리즘의 단점인 연산 시간의 증가를 64.87% 줄일 수 있었다.
획득한 산란점 정보를 이용하여 표적 식별을 수행하였는데, 식별기로 최적화가 가능한 서포트 벡터 머신 (SVM : Support Vector Machine)을 이용하였다. 검증을 위해 시뮬레이션 데이터와 실제 측정 데이터에 앞서 제시한 최적의 산란점 추출 기법을 적용하고, 최적화된 SVM을 이용한 식별 성능을 확인해 보았다. 그 결과, 3개의 관측 방위각과 같이 적은 측정 데이터에도 높은 식별 성공률을 보임을 확인할 수 있었으며, SNR 20dB의 잡음 환경에서도 성공적으로 식별됨을 확인하였다.
식별 수행에서 획득할 수 있는 표적의 관측각은 제한적이며, 획득한 산란점 정보의 정확성도 떨어지게 되는데, 이러한 제한적인 상황에서 본 논문에서 제시하는 알고리즘을 적용하면 보다 정확하게 표적을 식별하는데 도움이 될 것으로 보인다.
먼저 표적 식별에 사용되는 레이더 수신 신호를 획득하는 과정과 모델링에 대해 설명하였으며, 다음으로 본 논문에서 제시하는 최적의 산란점 추출 알고리즘의 기반이 되는 CS 알고리즘과 고차원 최적화 알고리즘에 대한 구체적인 원리를 설명하였다. 기존의 CS 알고리즘 중 하나인 orthogonal matching pursuit (OMP) 알고리즘에서 연산 속도를 향상시킨 새로운 OMP 알고리즘을 제시하고 간단한 산란점 추출 문제에 적용하여 기존의 OMP보다 81.2%의 연산 시간을 줄이면서 동일한 산란점 정보를 추출하는 것을 확인하였다. 다음으로 본 논문에서 해결하려는 산람점 추출과 같이 설계 변수가 많은 고차원 최적화 문제의 경우에 강점을 보이는 혼합 유전 알고리즘 (Hybrid Genetic Algorithm)을 제시하였다. 나선형 교차 방식을 선택하여 고차원 문제를 잘 풀 수 있도록 하였으며, 최적 해를 잘 찾으며 수렴 속도를 증가시키기 위해 해 집단을 여러 그룹으로 나누어 각 그룹 별로 다른 교차 방식을 수행하였다. 그에 대한 검증을 위해 여러 시험 함수와 산란점 추출 문제에 적용하였으며 기존의 최적화 알고리즘과의 비교를 수행하여 제안한 알고리즘이 고차원 문제를 해결하는데 가장 뛰어남을 보였다.
최적의 산란점을 추출하기 위해 앞서 제시한 향상된 OMP 알고리즘과 혼합 유전 알고리즘을 결합하였다. 먼저 레이더 수신 신호에 향상된 OMP 알고리즘을 적용하여 산란점을 추출하였다. 추출된 산란점 정보를 초기값으로 하여 혼합 유전 알고리즘을 적용하여 보다 정확한 산란점 정보를 추출하였으며, 혼합 유전 알고리즘의 단점인 연산 시간의 증가를 64.87% 줄일 수 있었다.
획득한 산란점 정보를 이용하여 표적 식별을 수행하였는데, 식별기로 최적화가 가능한 서포트 벡터 머신 (SVM : Support Vector Machine)을 이용하였다. 검증을 위해 시뮬레이션 데이터와 실제 측정 데이터에 앞서 제시한 최적의 산란점 추출 기법을 적용하고, 최적화된 SVM을 이용한 식별 성능을 확인해 보았다. 그 결과, 3개의 관측 방위각과 같이 적은 측정 데이터에도 높은 식별 성공률을 보임을 확인할 수 있었으며, SNR 20dB의 잡음 환경에서도 성공적으로 식별됨을 확인하였다.
식별 수행에서 획득할 수 있는 표적의 관측각은 제한적이며, 획득한 산란점 정보의 정확성도 떨어지게 되는데, 이러한 제한적인 상황에서 본 논문에서 제시하는 알고리즘을 적용하면 보다 정확하게 표적을 식별하는데 도움이 될 것으로 보인다.
목차
제 1 장 서 론 11.1 연구의 배경 11.2 논문 구성 8제 2 장 레이더 수신 신호 모델링 102.1 수신 신호 모델링 102.2 시뮬레이션 결과 13제 3 장 최적의 산란점 추출 알고리즘 153.1 Compressive sensing 기반의 산란점 추출 알고리즘 153.1.1 Compressive sensing 153.1.2 향상된 CS 알고리즘 183.1.3 시뮬레이션 결과 203.2 최적화 알고리즘 기반의 산란점 추출 283.2.1 혼합 유전 알고리즘 293.2.2 시뮬레이션 결과 36제 4 장 최적의 산란점 추출 및 식별 444.1 최적의 산란점 추출 기법 444.1.1 산란점 추출 기법 474.1.2 시뮬레이션 결과 514.2 식별 알고리즘 574.2.1 식별기 연구 574.2.2 Support vector machine을 이용한 식별 584.3 시뮬레이션 및 실험 결과 714.3.1 시뮬레이션 결과 714.3.2 측정 실험 결과 76제 5 장 결론 및 향후 연구 계획 955.1 결론 955.2 향후 연구계획97참고문헌 98Abstract 106
최근 본 자료
댓글(0)
0