시간-주파수 분석 기법과 딥러닝을 사용한 저피탐 레이다 식별 기술의 정확도와 시간의 Trade-Off (Time and Accuracy Trade-Off of LPI Radar Classification Technology Based on Time-Frequency Analysis and Deep Learning)

서지정보

· 발행기관 : 한국전자파학회
· 수록지 정보 : 한국전자파학회 논문지 / 34권 / 1호 / 25 ~ 32페이지
· 저자명 : 유준상, 조윤석, 김창주, 최희열, 김영식

초록

저피탐(LPI, low probability of intercept) 레이다 신호를 빠르고 정확하게 식별하는 기술은 인지통신 연구에 중요한 기술이다. 본 논문에서는 시간-주파수 분석(TFA, time-frequency analysis)과 딥러닝을 사용해 12가지 전형적인 레이다 신호를식별하는 기술을 연구하였다. 기존 CWD(Choi-Williams distribution)를 사용하는 방식은 spectrogram에 비해 500배 이상 긴TFA 생성 시간이 필요하다. 본 논문에서는 spectrogram, WVD(Wigner-Ville distribution), CWD를 딥러닝 학습 데이터로 사용하여 저피탐 신호의 식별 정확도와 검출 시간의 trade-off를 제시한다. 결과적으로, CWD 모델이 spectrogram 모델보다 정확도는 높고, 예측 시간 약 200배 이상 길었다. 두 모델이 —2 dB 이상의 SNR에서는 1 %p 미만의 정확도 차이를 보였지만, —10 dB에서 7.5 %p의 차이를 보였다. 즉, 낮은 SNR에서 TFA 모델에 따른 예측 시간과 정확도의 확연한 trade-off 관계를확인하였다.

영어초록

Technology for classifying low probability of intercept (LPI) radar signals with speed and accuracy is critical for cognitive communi- cation research. We used time-frequency analysis (TFA) and deep learning to classify 12 typical LPI radar signals. Traditional methods use the Choi-Williams distribution (CWD), which requires more than 500 times longer TFA generation time than the spectrogram method. In this paper, we show the trade-off relationship between classification accuracy and detection time using a spectrogram, Wigner -Ville distribution (WVD), and CWD as the training datasets. As a result, the CWD model showed higher accuracy than the spectrogram model, but the prediction time was more than 200 times longer. The accuracy difference was only 1 %p for an SNR over —2 dB, but it reached 7.5%p for an SNR of —10 dB. Therefore, a lower SNR shows a distinct trade-off between prediction time and accuracy, depending on the type of TFA.

참고자료

· 없음