CNN-LSTM을 사용한 긴 주기 펄스 레이다 신호 속성 분류 (Attribute Classification of Long-Period Pulsed Radar Signals Using CNN-LSTM Networks)

서지정보

· 발행기관 : 한국전자파학회
· 수록지 정보 : 한국전자파학회 논문지 / 33권 / 1호 / 76 ~ 82페이지
· 저자명 : 서보석, 전중남, 주영관, 심홍석, 강희석

초록

이 논문에서는 펄스 레이다 신호의 특성을 나타내는 무선주파수와 펄스 반복 간격이 시간에 따라 긴 주기를 가지고변하는 경우, CNN-LSTM(convolutional neural network-long short-term memory) 기계학습을 적용하여 속성을 분류하는 방법을 제시한다. CNN은 데이터의 특징(features)을 추출하는 기능이 있고, LSTM은 순서열 데이터의 상관관계가 클 때 좋은분류 특성을 나타낸다. 그러나 LSTM은 입력 데이터의 길이가 길 때 오히려 성능이 저하하는 문제점을 가지고 있다. 제안 방법에서는 CNN을 적용하여 긴 주기 데이터로부터 압축된 특징을 추출함으로써 LSTM에 입력되는 데이터의 길이를 축소하였다. 모의실험 결과, 제안 방법은 전체적으로 182,516개의 레이다 신호 속성 조합에 대해 데이터 누락률이10 %일 때 95 % 이상의 식별률을 나타내었다.

영어초록

In this paper, we propose a classification method of pulsed radar signal attributes by applying machine learning to a convolutional neural network and a long short-term memory(CNN-LSTM) network when the radio frequency and pulse repetition interval of the signal changes with a long period. CNN has a function to extract data features, and LSTM shows good classification performance when sequen tial data are highly correlated. However, LSTM has a problem that performance is degraded when the length of the input data is long.
In the proposed method, CNN is applied to extract compressed features from long-period data to reduce the length of inputs to LSTM.
In simulation results, the proposed method shows more than 95% correct classification rate when the data drop rate is 10% for 182,516 total radar signal attribute combinations.

참고자료

· 없음