인공지능(머신러닝)을 활용한 대함 무기효과 추정방안 연구
A Study on Estimation of Naval Weapon Effects Using Artificial Intelligence (Machine learning)
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
본 논문은 미국 합동탄약효과 기술조정사무국(JTCG/ME)이 개발한 합동무기 추천체계(JWS)에서 도출된 무기효과 데이터를 기반으로 머신러닝을 이용하여 대함 무기효과를 추정하기 위한 연구이다. 머신러닝 학습에는 합동무기추천체계(JWS)에 포함된 수상함피해효과산출도구(SWET)를 통해 산출된 함대함 및 공대함 무기체계 제원, 교전조건 등의 데이터 2,498건을 활용하였다. 데이터 분석에 주로 쓰이는 머신러닝 방법론 6가지를 선정하여 각각의 방법론을 활용한 예측모델을 생성하였고, 그 결과 ‘Extra Trees’ 방법론이 가장 높은 정확도를 나타내었다.
Abstract
This paper is a study of estimating naval weapon effects using machine learning based on weapon effect data derived from the JMEM Weaponeering System(JWS) de- veloped by the U.S. Joint Technical Coordinating Group for Munitions Effectiveness (JTCG/ME). Machine learning was applied using 2,498 data points including specifications of anti-ship systems within the JWS, as well as engagement conditions. The data obtained through Ship Weaponeering Estimation Tool(SWET) integrated in the JWS. Six machine learning methodologies, commonly used in data analysis, were selected and predictive models were developed using each of them. The results indicated that the Extra Trees methodology demonstrated the highest level of accuracy.
참고문헌 (31)
- 국방인공지능(AI) 전략, "국방부", ~ (2022)
- 국방부, "국방전력발전업무훈령", ~ (2022)
- 국방부, "AI 기술의 이해 – 지휘관들을 위한 인공지능 가이드", ~ (2022)
- 문형곤, "미 JMEM을 활용한 한국형 탄약효과교범 개발방향", 육군전투실험, ~ (2004)
- 박진우, "무기체계 효과분석을 위한 ROK-JWS 도입과 활용방안", 합참지, (74) (2018)
- 손영환, "미 합동탄약효과교범(JMEM)발전추세와 활용방안", 주간국방논단, (890) (2002)
- 인공지능(머신러닝)을 활용한 대함 무기효과 추정방안 연구, "심광신", 221~, pp.KIDA Brief No. 2019-군사-2 (2019)
- 이경희, "머신러닝을 이용한 기업의 생존 결정요인 분석", 산업연구원 (2022)
- 이상진, "국방 시뮬레이션에서 무기효과 데이터 획득을 위한 MSDL의 확장", 한국시뮬레이션학회 (2021)
- 이승우, "합동무기추천체계(JWS) 활용 및 발전 방안", 국방논단, (1732), pp.18~31 (2018)
- 이정만, "국내개발 무기체계의 탄약효과 산출 방법론", 한국국방경영분석학회지 (2018)
- 국방M&S 체계의 표준화 방법론 및 적용방안, "정상윤", 한국국방연구원, ~, pp.연구보고서(군15-3717) (2016)
- 조규표, "국방분야 인공지능 영상감시체계의 시험평가 발전방안 연구", 신뢰성응용연구, 23(1) (2023)
- 장상철, "국방 M&S 표준자료체계 구축방안", 국방정책연구, 통권 : 68, pp.37~65 (2005)
- 전장지능화센터 중심의 무기체계 유형별 지능화를 위한 데이터 수집 체계, "송기섭", 한국국가전력연구원, ~ (2021)
- 민홍기, "지대지 직사화기 살상확률 산출방안 연구: 교전급 모델을 중심으로", pp.2015
- 한현진, "국방M&S 표준자료를 활용한 표적피해산출도구 개발", 합참지, (83) (2020)
- 황진하, "M&S를 활용한 무기체계 효과분석에 관한 연구", pp.2019
- Driels, "Advanced Weaponeering, Vol. 2" (2019)
- 황진하, "Weaponeering and introduction, Vol. 1" (2019)
- Ensembles on Random Patches, "G. Louppe", Machine Learning and Knowledge Discovery in Databases, 346~361 (2012)
- Improving Regressors using Boosting Techniques, "H. Drucker", ~ (1997)
- J. Friedman, "Stochastic Gradient Boosting" (1999)
- J. Friedman., "Greedy Function Approximation : A Gradient Boosting Machine", The Annals of Statistics, 29(5) (2001)
- L. Breiman., "Bagging predictors", Machine Learning, 24(2), pp.123~140 (1996)
- L. Breiman., "Pasting small votes for classification in large databases and on-line", Machine Learning, 36(1), pp.85~103 (1999)
- L. Breiman., "Random Forests", Machine Learning, 45(1), pp.5~32 (2001)
- P. Geurts, "Extremely randomized trees", Machine Learning, 63(1), pp.3~42 (2006)
- T. Hastie, "Elements of Statistical Learning" (2009), Springer
- T. Ho., "The random subspace method for constructing decision forests", Pattern Analysis and Machine Intelligence, 20(8), pp.832~844 (1998)
- A Decision-Theoretic Generalization of on-Line Learning and an Application to Boosting, "Y. Freund", ~ (1995)