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
- 지도교수
- 남해운
- 발행연도
- 2023
- 저작권
- 한양대학교 논문은 저작권에 의해 보호받습니다.
이용수4
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
최근 딥 러닝은 특징 추출과 효과적인 분류기 학습을 위해 다양한 분야에서 활용되고 있으며, 특히 CNN(Convolutional Neural Network)은 시간-주파수 분석(Time-Frequency Analysis, TFA) 기법에 의해 생성된 시간-주파수 이미지(Time-Frequency Image, TFI)를 기반으로 레이더 파형을 인식하기 위해 널리 채택되고 있다. 하지만 딥러닝 기반의 레이더 파형 인식 기술을 실제 무기체계에 적용하는 데 있어, 양질의 학습 데이터 확보에 대한 이슈가 존재한다. 실제 군사용 레이더에 대한 신호 수집 및 저장(보관)이 힘들어 실측 데이터를 사용하는 점에 있어서는 한계가 있기 때문에 실 환경에서는 양질의 데이터를 이용한 신호 분류 모델 학습에 어려움이 따른다. 전이 학습(transfer learning) 방식을 이용하면 이러한 학습 데이터 부족의 문제점을 보완할 수 있다. 본 논문에서는 전이 학습을 이용하여 낮은 SNR 환경에서도 레이더 신호 분류 성능을 향상시키는 방법을 연구하였다. 딥 러닝 모델은 ResNet-18 기반의 CNN 모델을 설계하였다. 저피탐 레이더 신호 영상의 전처리 기법으로 Gabor Filtering, Wiener Filtering, Gabor와 Wiener Filtering을 합성한 3가지 형태를 적용하였으며, 전처리 기법에 따른 저피탐 레이더 분류 성능을 비교하였다. 추가적으로, 모든 레이어를 학습하는 방식, 일부 레이어만 학습하는 방식, 완전 연결 계층만 학습하는 방식, 전이 학습의 3가지 방식을 비교 및 분석하였다. 저피탐 레이더 데이터는 9 종류의 신호를 사용하였으며, SNR(Signal to Noise Ratio)는 –14 dB부터 4 dB 의 환경을 고려하여, SNR에 따른 신호 분류 성능을 비교하였다.
목차
제1장 서론 1제1절 연구의 필요성 1제2절 선행 연구 3제3절 연구 목표 4제2장 저피탐 레이더 신호 모델링 및 필터링 기법 5제1절 저피탐 레이더 신호 모델링 5제2절 저피탐 레이더 신호 필터링 기법 11제3장 딥러닝 기반 저피탐 레이더 신호 분류 모델 16제1절 전이 학습 16제2절 저피탐 레이더 신호 분류 모델 19제4장 시뮬레이션 결과 및 성능 분석 21제1절 필터링 방식에 따른 신호 분류 결과 21제2절 전이 학습 방식에 따른 신호 분류 결과 26제5장 결론 및 후속 과제 38제1절 요약 38제2절 결론 39참고 문헌 40Abstract 42감사의 글 43
최근 본 자료
댓글(0)
0