1 |
1
HMM과 신경망을 이용한 레이더 신호 분류 방법에 있어서,레이더 신호 정보인 RF 데이터와 펄스반복간격(PRI) 데이터를 정규화, 특징점 추출 및 양자화하는 전처리 과정;N1개의 무선 주파수(RF)와 N2개의 펄스반복간격(PRI)의 변화 형태마다 HMM(은닉 마코프 모델, hidden Markov model)을 학습하는 HMM 학습 과정; 및상기 HMM에 따른 특징값, 상기 RF와 상기 PRI의 최소값 및 최대값을 갖는 완전연결 다층 신경망을 이용하여 M개의 특성에 대한 확률을 연산하는 완전연결 다층 신경망 구성 과정을 포함하는, HMM과 신경망을 이용한 레이더 신호 분류 방법
|
2 |
2
제1 항에 있어서,상기 전처리 과정은,상기 RF 데이터와 펄스반복간격(PRI) 데이터 값의 변화 여부는 입력 데이터의 평균()과 분산()을 이용하여 검출하고,상기 평균()과 상기 분산과 연관된 표준편차()를 비례 상수 K를 사용하여 비교하여, 상기 RF 데이터와 펄스반복간격(PRI) 데이터 값의 변화 여부를 최종적으로 판단하고,이면 상기 데이터 값이 변하지 않은 것으로 판단하고,이면 상기 데이터 값이 변하는 것으로 판단하는 것을 특징으로 하는, HMM과 신경망을 이용한 레이더 신호 분류 방법
|
3 |
3
제2 항에 있어서,상기 전처리 과정에서, 상기 데이터 값이 변하는 것으로 판단되면, 상기 입력 데이터의 최소값 및 최대값 범위를 0 내지 M으로 변환하는 정규화를 수행하고,상기 데이터 값이 변하지 않는 것으로 판단되면, 상기 입력 데이터의 최소값 및 상기 최소값의 2배의 범위를 0 내지 M으로 변환하는 정규화를 수행하고,상기 정규화를 수행한 데이터 값에 대해, [정규화된 값, 1차 차분값, 2차 차분값]을 특징벡터로 추출하고,상기 특징벡터를 미리 설정한 개수로 양자화를 수행하는 것을 특징으로 하는, HMM과 신경망을 이용한 레이더 신호 분류 방법
|
4 |
4
제2 항에 있어서,상기 HMM 학습 과정에서, 상기 RF의 변화 형태의 수가 N1개이고, 상기 PRI의 변화 형태의 수가 N2이면,(N1+N2)개의 상기 HMM의 특징값을 획득하는 것을 특징으로 하는, HMM과 신경망을 이용한 레이더 신호 분류 방법
|
5 |
5
제4 항에 있어서,상기 완전연결 다층 신경망 구성 과정에서, (N1+N2)개의 상기 HMM의 특징값과 상기 RF의 최소값 및 최대값과 상기 PRI의 최소값 및 최대값을 이용하여 (N1+N2+4)개의 값을 상기 완전연결 다층 신경망에 입력하는 것을 특징으로 하는, HMM과 신경망을 이용한 레이더 신호 분류 방법
|
6 |
6
제2 항에 있어서,상기 완전연결 다층 신경망 구성 과정에서, 상기 M개의 특성에 대한 확률을 출력값으로 출력하고, 상기 출력값이 가장 큰 특성을 상기 입력 데이터의 특성으로 분류하고,상기 출력값이 가장 큰 특성에 따라 분류된 상기 입력 데이터의 특성에 기반하여, 서로 다른 방식의 재밍을 수행하는 것을 특징으로 하는, HMM과 신경망을 이용한 레이더 신호 분류 방법
|