점진적 기계학습 기반의 레이더 위협체 역추정 모델 생성 및 갱신
Managing the Reverse Extrapolation Model of Radar Threats Based Upon an Incremental Machine Learning Technique
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
다양한 전자전 상황에서 단위 위협체에 대하여 전자전 모델링과 시뮬레이션을 수행할 수 있는 통합 전자전 시뮬레이터의 개발 필요성이 대두되고 있다. 본 논문에서는 전자전 상황에서 전자정보 수집신호의 변수를 기반으로 전자파신호를 발산하는 레이더 위협을 역추정하기 위한 시뮬레이션 시스템의 구성요소를 분석하고, 역추정 모델을 점진적으로 유지할 수 있는 방법을 제안한다. 또한, 실험을 통하여 점진적 역추정 모델 갱신 기법의 유효성 및 개별 역추정결과의 통합 기법을 평가한다. 개별 역추정 모델의 생성을 위하여 의사결정트리, 베이지안 분류기, 인공신경망 및유클리디안 거리 측정방식과 코사인 유사도 측정방식을 활용하는 군집화 알고리즘을 이용하였다. 첫 번째 실험에서레이더 위협체에 대한 역추정 모델을 구축하기 위한 위협 예제의 크기를 점진적으로 증가시키면 역추정 모델의 정확도는 향상되었으며, 이러한 과정이 반복되면 역추정 모델에 대한 정확도는 일정한 값으로 수렴하였다. 두 번째 실험에서는 개별 역추정 모델의 결과를 통합하기 위하여 투표, 가중투표 및 뎀스터-쉐이퍼 알고리즘을 이용하였으며, 역추정 모델의 통합 결과는 뎀스터-쉐이퍼 알고리즘에 의한 역추정 정확도가 가장 좋은 성능을 보였다.
Abstract
Various electronic warfare situations drive the need to develop an integrated electronic warfare simulator that can perform electronic warfare modeling and simulation on radar threats. In this paper, we analyze the components of a simulation system to reversely model the radar threats that emit electromagnetic signals based on the parameters of the electronic information, and propose a method to gradually maintain the reverse extrapolation model of RF threats. In the experiment, we will evaluate the effectiveness of the incremental model update and also assess the integration method of reverse extrapolation models. The individual model of RF threats are constructed by using decision tree, naive Bayesian classifier, artificial neural network, and clustering algorithms through Euclidean distance and cosine similarity measurement, respectively. Experimental results show that the accuracy of reverse extrapolation models improves, while the size of the threat sample increases. In addition, we use voting, weighted voting, and the Dempster-Shafer algorithm to integrate the results of the five different models of RF threats. As a result, the final decision of reverse extrapolation through the Dempster-Shafer algorithm shows the best performance in its accuracy.
참고문헌 (22)
- 최상영, "국방 모델링 및 시뮬레이션 총론" (2010), 북코리아
- D. Adamy, "전자전 모델링과 시뮬레이션" (2010), 아진
- 김영민, "퍼지 알고리즘을 이용한 전자정보의 펄스 내 변조 인식", 한국정보통신학회논문지, 17(9), pp.1986~1995 (2013), 한국정보통신학회[DOI]
- 하지수, "통합 전자전에서 기계학습을 이용한 위협체 역추정 모델링", 한국차세대컴퓨팅학회 논문지, 11(5), pp.43~52 (2015), 한국차세대컴퓨팅학회
- 김철표, "비지도 학습 기법을 사용한 RF 위협의 분포 분석", 한국군사과학기술학회지, 19(3), pp.346~355 (2016), 한국군사과학기술학회[DOI]
- US DOD, "Electronic Warfare", pp.3~13.1 (2012), Joint Publication
- Shafer. G, "A mathematical theory of evidence" (1976), Prince-ton University Press
- 권순학, "Dempster-Shafer's Evidence Theory-based Edge Detection", International Journal of Fuzzy Logic and Intelligent systems, 11(1), pp.19~24 (2011), 한국지능시스템학회
- e, Vol. 2, "Artificial Intelligence:A Modern Approach, 3", pp.2015, S. Russell
- Bauer. E, "An Empirical Comparison of Voting Classification Algorithms:Bagging, Boosting, and Variants", Machine Learning, 36(1), pp.105~139 (1999)
- 이지행, "전자우편 문서의 자동분류를 위한 다중 분류기 결합", 정보과학회논문지 : 소프트웨어 및 응용, 29(4), pp.192~201 (2002), 한국정보과학회
- e, "Data Mining 3", pp.2013, I. H. Witten
- 강필성, "데이터 불균형 해결을 위한 Under-Sampling 기반 앙상블 SVMs", 대한산업공학회 춘계공동학술대회 논문집, pp.291~298 (2006)
- "Java for windows" (2017)[URL]
- "Java Platform, Standard Edition 8API Speci-fication" (2017)[URL]
- "The University of waikato" (2007)[URL]
- "The University of waikato, Downloading and installing Weka" (2017)[URL]
- 장병탁, "차세대 기계학습 기술", 정보과학회지, 25(3), pp.96~107 (2007)
- 양수연, "점진적 기계 학습에 의한 문서 분류", 한국정보과학회 학술발표논문집, pp.1~9 (1993)
- 강명수, "진동 신호의 2차원 질감 특징과 서포트 벡터 머신을 이용한 유도 전동기 다중 결함 진단", 한국차세대컴퓨팅학회 논문지, 9(6), pp.24~34 (2013), 한국차세대컴퓨팅학회
- 박병구, "베이즈 분류 기법을 이용한 레이더식별", 한국통신학회 학술대회논문집, pp.1261~1262 (2016)
- 이현규, "명암도 조절을 통한 베이스 분류기 기반 영상분할기법", 한국차세대컴퓨팅학회 논문지, 8(5), pp.73~86 (2012), 한국차세대컴퓨팅학회