딥 러닝 기법을 이용한 레이더 신호 분류 모델 연구

https://scienceon.kisti.re.kr/commons/util/originalView.do?cn=JAKO201923233204235&oCn=JAKO201923233204235&dbt=JAKO&journal=NJOU00294285 

원문보기 - ScienceON

레이더 신호 특성 - 주파수 변조 형태는 아래와 같은 형태를 띰.

PRI 변조형태는 아래와 같은 형태를 띰.

안테나로 수신된 레이더 신호의 펄스는 디지털화되어 PDW(Pulse Description Word) 형태 데이터로 생성됨. 이는 아래의 단일펄스에 대한 정보를 포함함.

Item	Description
TOA	도착시간(Time of Arrival)
Frequency	주파수
PW	펄스의 너비
PA	펄스의 진폭
AOA	도착 각도(Angle of Arrival)

PRI는 펄스 간의 TOA차에 의해서 계산 되는 특성으로, 펄스의 반복 주기를 나타냄.

PDW는 펄스열 추출 과정을 거쳐 여러 개의 펄스열로 구분되며, 각각의 펄스열에 대해 주파수/PRI 범위 및 변조 특성이 분석됨. 

 

이와 같은 "전통적인 레이더 신호 분류 방법"은 각 레이더 신호의 고유한 변조 특성 및 변경 범위 등을 분석하여 위협을 판별하는 방식으로, 분석된 결과를 사전에 입력된 위협 제원 DB정보와 매칭해 일치하는 것을 위협으로 식별하기에, 위협 식별 과정 에서 사용되는 위협 제원 라이브러리의 신뢰성 및 완성도에 따라 시스템의 성능이 좌우됨.

 

CNN의 발전형태인 LSTM이나 GRU구조가 새로운 레이더 신호 분류모델 구현에 이용됨.

CNN은 이미지처리에 특화된 만큼, 레이더 신호를 이미지 데이터와 유사하게 다루게 됨. 

즉, 데이터 전처리를 통해 생성된 주파수 정보의 배열이 이미지 데이터처럼 입력되도록 설계하면, 신호의 변조 특성에 따라 주파수 값에 해당하는 픽셀의 위치가 레이더 별로 특징적인 모습을 나타낼 것이므로 같은 레이더 신호 간에는 유사하고 다른 레이더 신호와는 구분되는 형상 특성이 학습되도록 할 수 있다.

 

위의 논문에서는 컨볼루션 레이어를 [3,3,1]의 크기를 4개 설정하고, 필터가 이동하는 간격인 stride는 [1,1,1,1]로 설정.

활성함수는 ReLu를, 풀링은 max pooling을 씀. 

최종적으로 100차원 벡터 출력값이 생성되는데, 이중 가장 높은 값 갖는 요소가 "100개의 레이더 신호 중 어떤 신호인지"를 나타내는 수치가 됨.

 

RNN계열 모델은 시계열 데이터를 처리하므로, 입력데이터가 시간의 흐름에 따라 레이더에서 발생시킨 펄스의 주파수 정보인 레이더 신호를 처리하는 데 적합함. 이 때, LSTM과 GRU모델은 은닉층의 셀 내부 구조의 차이에 따라 구별된다.

만일 CNN과 유사하게 입력데이터를 [64,64]로 받고 출력데이터를 레이더 신호 클래스 크기만큼 출력하도록 설정하고, 

RNN의 은닉층 셀 개수 및 각 셀에 입력되는 데이터 벡터의 크기를 64로 설정해 입력 데이터가 처리될 수 있도록 하면, 

레이더 신호 별로 보유중인 주파수값의 특징적 순서 형태가 학습됨. 다른 신호와 구분되는 분류모델이 만들어지는 셈.

 

데이터 전처리 - PDW셋은 상술한 PRI포함 6개의 속성을 갖는데, 이중 주파수(Frequency)와 PRI(펄스의 반복 주기)는 외부요인에 큰 영향을 받지 않기에, 레이더 신호 구분에 적합함. 따라서 이를 추출해 입력 데이터로 활용한다.

다음 식으로 주파수를 0~1로 정규화한다.

 

PRI는 배열 한 칸의 길이를 10마이크로초로 설정해, 펄스가 존재하는 위치는 정규화된 주파수값을 넣고, 그렇지 않은 구간엔 0을 넣는다. 그 경우, 각 레이더 신호마다 주파수 정보 배열을 생성해 레이더 신호의 고유 주파수 및 PRI특성이 반영되는데, 가령 30us 고정 PRI를 갖는 신호는 아래와 같은 주파수 배열이 생성된다.

 

[F1, 0, 0, 0, F2, 0, 0, 0, F3, ..., Fn, 0, 0, 0, Fn+1, ...]

 

이렇게 생성된 배열을 학습 모델의 입력 데이터 형태인 64*64 크기로 변환해 입력하게 됨.