자동 바이너리 신호

마지막 업데이트: 2022년 7월 7일 | 0개 댓글
  • 네이버 블로그 공유하기
  • 네이버 밴드에 공유하기
  • 페이스북 공유하기
  • 트위터 공유하기
  • 카카오스토리 공유하기
  1. 1. P. E. Pace, "Detecting and Classifying Low Probability of Intercept Radar," Artech House, pp. 3-707, 2009.
  2. 2. J. Lunden and V. Koivunen, “Automatic Radar Waveform Recognition,” IEEE Journal of Selected Topics in Signal Processing, Vol. 1, No. 1, pp. 124-136, 2007. 상세보기
  3. 3. Z. Ming, L. Lutao, and D. Ming, "LPI Radar Waveform Recognition based on Time-Frequency Distribution," Sensor, Vol. 16, No. 10, p. 1682, 2016. 상세보기
  4. 4. Gulum, Taylan Ozgur, et al., "Parameter Extraction of FMCW Modulated Radar Signals using Wigner- Hough Transform," Computational Intelligence and Informatics(CINTI), 2011 IEEE 12th International Symposium on, pp. 465-468 IEEE, 2011.
  5. 5. N. Levanon and E. Mozeson, "Radar Signals," John 자동 바이너리 신호 Wiley & Sons, pp. 53-167, 2004.
  6. 6. H.-I. Choi and W. J. Williams, “Improved Time-Frequency Representation of Multicomponent Signals using Exponential Kernels,” IEEE Transactions on Aoustics, Speech, and Signal Processing, Vol. 37, No. 6, pp. 862-871, 1989.
  7. 자동 바이너리 신호
  8. 7. Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner, “Gradient-based Learning Applied to Document Recognition,” Proceedings of the IEEE, Vol. 86, No. 11, pp. 2278-2324, 1998. 상세보기
  9. 8. R. C. Gonzalez and R. E. Woods, "Digital Image Processing," Int. ed. Englewood Cliffs, p. 598, 2002.

KOASAS

Cited 0 time in Cited 0 time in

In electronic warfare(EW), low probability of intercept(LPI) radar signal is a survival technique. Accordingly, identification techniques of the LPI 자동 바이너리 신호 radar waveform have became significant recently. In this paper, classification and extracting parameters techniques for 7 intrapulse modulated radar signals are introduced. We propose a technique of classifying intrapulse modulated radar signals using Convolutional Neural Network(CNN). The time-frequency image(TFI) obtained from Choi-William Distribution(CWD) is used as the input of CNN without extracting the extra feature of each intrapulse modulated radar signals. In addition a method to extract the intrapulse radar modulation parameters using binary image processing is introduced. We demonstrate the performance of the proposed intrapulse radar waveform identification system. Simulation results show that the classification system achieves a overall correct classification success rate of 90 % or better at SNR = -6 dB and the parameter extraction system has an overall error of less than 10 % at SNR of less than -4 dB.

계측제어 용 서지 보호기(I&C)

계측제어 용 서지 보호기(I&C)

바이드뮬러의 I&C 부문을 위한 광범위한 제품 범위는 텐션 클램프 또는 스크류 연결을 위한 2피스 플러그형 설계 및 모듈 단말기에 제품을 제공합니다. 이 제품은 바이너리 및 아날로그 신호 모두에 적합합니다. 바이드뮬러는 가스 방전관(GDT) 또는 바리스터와 같은 통합 구성 요소를 적용한 다른 설계 역시 제공합니다. 제품은 유효한 제품 표준인 IEC / EN 61643-21에 따라 테스트되었습니다. 이 서지 보호는 산업 및 프로세스 자동화의 제한된 공간과 빌딩 자동화 응용 분야에 적합하며 응용 분야 표준 IEC / EN 61643-22를 따라 설치할 수 있습니다.

한 눈에 살펴보는 장점

플러그형 서지 보호

플러그형 서지 보호

0(4) – 자동 바이너리 신호 20mA/0 – 10V 신호 및 최대 60V의 바이너리 신호를 사용하는 전류 루프를 위한 플러그형 서지 보호가 VSPC BASE 소켓에 연결됩니다.

단자대 디자인의 슬림라인

단자대 디자인의 슬림라인

단자대 블록 디자인의 컴팩트하며 공간 절약형의 서지 보호기. 손쉬운 측정을 위한 분리 나이프 또는 LED 등의 추가 기능과 함께 사용 가능한 VSSC 시리즈.

MyMT4Book Analyzer – Instant MT4 Account Analysis

 다운로드

MyMT4Book allows you to spot top trading strategies on your MT4 account by grouping trading positions by currency pair ( symbols ), trade comments or magic numbers .

1000핍 빌더 서비스

MyMT4Book add-on for MT4 is a basic alternative to MyFxBook , but with MyMT4Book you get trade statistics fast and right on your MT4 chart window .

You can run multiple instances of MyMT4Book on the same account with different parameters . For example on one chart you can have trade statistics grouped by Magic Number while other chart might display statistics for each Symbol .

Enter your name and your best email address to receive introduction video which demonstrates MyMT4Book add-on in action . 더 읽어보기…

캠 스위치 출력 컨트롤러 바리캠®

캠 스위치 출력 컨트롤러 VARICAM 바리캠®

바리캠은 NSD의 위치 검출 센서인 압소코더의 컨트롤러 입니다. 압소코더 검출기와 결합하여 위치 정보나 캠스위치 신호를 출력합니다.
포장 기계 및 자동 조립 기계 등에 사용되는 기계식 캠 스위치의 대체에 최적의 전자식 컨트롤러 입니다.

바리캠 1회전형 압소코더 검출기 VRE가 검출 된 각도 정보를 바탕으로 캠 스위치 신호를 ON/OFF합니다. 캠 스위치 신호가 ON/OFF하는 타이밍 컨트롤러의 판넬을 조작하여 쉽게 설정 할 수 있습니다.

표준사양 VS-5F

VS-5F는 표준 사양의 바리캠입니다.
캠 스위치 신호가 ON/OFF하는 각도를 0.5° 단위로 설정 할 수 있습니다.

  • 캠 스위치 신호는 최대 24점 까지 출력 가능 (VS-5FX 사양은 최대 40점)
  • 캠 스위치 신호가 ON/OFF 하는 각도는 0.5° 단위로 설정 가능
  • 하나의 캠 스위치 신호가 ON/OFF 하는 각도는 최대 10개까지 설정 가능
  • 캠 스위치 신호의 갱신주기는 최고 0.176ms에 대응 ※
  • 각종 파라미터는 컨트롤러 패널면 또는 시리얼 통신에서 설정 가능

캠 스위치 신호의 ON/OFF 각도의 폭이 1° 이상인 경우

사진 : 표준사양 VS-5F

모델 선정

[1]프로그램수 X 스위치 출력수, 및 기타
기호 출력코드
빈칸 1 program×24 switches
D 8 programs×24 switches, 현재값 BCD 출력
X 16 programs×40 switches or 32 programs×24 switches, 현재값 BCD 출력
[2]출력방식
기호 출력방식
빈칸 싱크(NPN)타입
[3]전원전압사양
기호 사양
1 DC24V

사양선정 및 자세한 문의사항은 공식 홈페이지의 연락처로 문의바랍니다.

시스템 구성

자동 바이너리 신호
항목 사양
모델 VS-5F-1 VS-5FD-1 VS-5FX-1
전원전압 DC24V
허용전원전압변동 DC21.6 ~ 30V
소비전력 10W 이하
절연저항 20MΩ 이상(DC500V메가)
[DC전원단자와 접지사이]
내전압 AC500V 60Hz 1분간
[DC전원단자와 접지사이]
내진동 20m/s 2 10 ~ 500Hz・5분×10사이클・3방향(JIS C0040에 준거)
사용주위온도 0 ~ +55℃(결빙되지 않을 것)
사용주위습도 20 ~ 90%RH(결로하지 않을 것)
사용주위환경 부식성 가스가 없고 먼지가 심하지 않을 것
저장주변온도 -10 ~ +70℃
접지 D종 접지 (제 3종 접지)
구조 제어판 내장
마운팅2개 나사 설치, DIN 레일 설치,
패널 장착 브라켓 "VS-K-F"로 전면 설치, 어떤 방법으로든지 설치 가능
외형치수 (mm) 130(W)×81(H)×99(D)
질량 약0.7kg

시리얼(RS-232C)통신 (설정값 저장 또는 로드, 모니터, 운전 조작)

입출력사양

항목 VS-5F-1 VS-5FD-1 VS-5FX-1 내용
입력신호 프로그램 번호 - 3점 4/5점 외부에서 프로그램 번호를 입력합니다.
현재값 홀드 - 1점 - 현재값 출력을 PLC등으로 읽을 때 현재값의 변화를 막기위해 입력합니다.
현재값 홀드 / 외부원점 설정 - - 1점 현재 값의 변화를 막기 위해 입력합니다.
또는 원점 설정을 합니다.
이상해제 1점 1점 1점 에러 표시의 해제를 하기 위해 입력합니다.
스위치 출력허용 1점 1점 1점 이 신호를 입력 한 경우에만 스위치 신호가 출력 됩니다.
출력신호 스위치 출력 / 임의 펄스 출력 24점 24점 40/24점 스위치 출력의 설정 값에 따라 ON/OFF 신호를 출력합니다.
또는 1회전 내에서 등분 (1 ~360에서 선택)한 펄스 신호를 출력합니다.
타이밍 펄스 /
속도 검출 스위치
1점 2점 1점 1회전에 60,180,360개의 펄스 신호를 출력합니다.
또는 속도 값의 설정 값에 따라 ON/OFF 신호를 출력합니다.
장치 정상 1점 1점 1점 RUN모드에서 컨트롤러 및 검출기가 정상적인 경우에 출력합니다.
프로그램 번호 - 3점 4/5점 선택된 프로그램 No.를 출력합니다.
현재값
(BCD, 720분할 그레이) 출력/
속도 바이너리 출력
- 11점 11점 현재값 (BCD 3자리 + 0.5°표시)의 신호를 출력 합니다. 또는 회전 속도를 바이너리 코드로 출력합니다.
래치 펄스 - 1점 1점 현재 값을 안정된 상태로 읽어 들이기 위한 타이밍 신호를 출력 합니다.
항목 입력사양 항목 출력사양
입력신호 프로그램 번호
외부원점 설정
현재값 홀드
이상해제
스위치 출력허용
출력신호 스위치 출력 또는 임의 펄스
프로그램 번호
장치 정상
속도 검출 스위치 또는 타이밍 펄스 현재 값 (BCD, 720분할 그레이) 또는 속도 (바이너리)
래치펄스
입력회로 DC입력, 포토커플러 절연 출력회로 트랜지스터 오픈 콜렉터 출력, 포토 커플러 절연
입력논리 부논리 출력논리 부논리 부논리 정논리 *1
정격입력전압 DC24V 정격부하전압 DC24V (DC30V max.)
정격입력전류 10mA 최대부하전류 100mA 100mA 10mA
ON전압 DC10V 이상 ON시 최대전압강하 2.0V 1.5V 0.7V
OFF전압 DC4V 이하

*1 : 현재값/ 속도 출력은 파라미터의 설정에 의해 출력 논리를 선택 할 수 있습니다.

    VS-5F-1 VS-5FD-1 VS-5FX-1

진각・상사점 기능 추가 유형 VS-5FXG-1

VS-5FXG-1는 VS-5F에 자동 진각기능과 상사점 정지기능이 추가 된 바리캠입니다.

자동 진각 기능을 사용하면 기계의 회전 속도에 연동하여 캠 스위치 신호가 ON/OFF하는 각도가 자동으로 이동합니다.
기계의 회전 속도가 변화하는 경우에도 장치를 안정되게 가동 시킬 수 있습니다.

상사점 정지 기능을 사용하면 프레스 장비 크랭크의 회전 속도에 연동하여 브레이크를 ON각도가 자동으로 이동합니다.
프레스 장비 크랭크가 느린 때도 빠를 때도 안정되게 상사점에 정지 시킬 수 있습니다.

  • 캠 스위치 신호는 최대 40점까지 사용 가능
  • 자동 진각 기능과 상사점 정지 기능은 최대 900r/min까지의 회전 속도에 대응
  • 캠 스위치 신호의 갱신주기는 최고 0.176ms에 대응

사진 : 진각・상사점 기능 추가 타입 VS-5FXG-1

[1]출력방식
기호 출력방식
빈칸 싱크(NPN)타입

사양선정 및 자세한 문의사항은 공식 홈페이지의 연락처로 문의바랍니다.

시스템 구성

항목 사양
전원전압 DC24V
허용전원전압변동 DC21.6 ~ 30V
소비전력 10W 이하
절연저항 20MΩ 이상(DC500V 메가)
[DC전원단자와 접지 사이]
내전압 AC500V60Hz 1분간
[DC전원단자와 접지 사이]
내진동 20m/s 2 10 ~ 500Hz・5분×10사이클・3방향(JIS C0040에 준거)
사용주위온도 0 ~ +55℃(결빙되지 않을 것)
사용주위습도 20 ~ 90%RH(결로하지 않을 것)
사용주위환경 부식성 가스가 없고 먼지가 심하지 않을 것
저장주변온도 -10 ~ +70℃
접지 D종 접지 (제 3종 접지)
구조 제어판 내장
마운팅 2개 나사 설치, DIN 레일 설치,
패널 장착 브라켓 "VS-K-F"로 전면 설치, 어떤 방법으로든지 설치 가능
외형치수 (mm) 130(W)×81(H)×99(D)
질량 약0.7kg

시리얼(RS-232C)통신 (설정값 저장 또는 로드, 모니터, 운전 조작)

  • 미쓰비시 전용 프로토콜, MELSEC-A 프로토콜에 의한 연결
  • 각도 표시 장치 (NDP)에도 접속 가능
  • OMRON전용 프로토콜에 의한 연결
  • 터치판넬에 연결 가능(바리모니)
  • 외부 원점 설정 기능
  • 타이밍 펄스 기능
  • 속도 검출 스위치 출력 기능
  • 히스테리시스 기능
  • 프로텍트 기능
  • 스위치 출력 허용 기능
  • 외부이상해제 입력
  • 임의 펄스 출력 기능
  • 현재 값 출력 (BCD) / 속도 출력 바이너리
  • 자동 진각 기능
  • 상사점 정지 기능
  • 패스워드 기능
  • 강화 패스워드

입출력사양

항목 VS-5FXG-1 Description
입력신호 프로그램 번호 4점 외부에서 프로그램 번호를 입력합니다.
현재값 홀드 / 외부원점 설정 1점 현재 값의 변화를 막기 위해 입력합니다.
또는 원점 설정을 합니다.
이상해제 1점 에러 표시의 해제를 하기 위해 입력합니다.
스위치 출력 허용 1점 이 신호를 입력 한 경우에만 스위치 신호가 출력 됩니다.
슬립 보정 무효 1점 슬립 보정 (상사점 정지제어)를 해제하기 위한 입력 신호 입니다.
클러치ON 1점 상사점 정지 제어시 슬립 보정을 출력하기 위해 클러치를 개방 합니다.
출력신호 스위치 출력 / 임의 펄스 출력 40점 스위치 출력의 설정 값에 따라 ON/OFF 신호를 출력합니다. 또는 1회전 내에서 등분 (1 ~ 360에서 선택)한 펄스 신호를 출력합니다.
타이밍 펄스 / 속도 검출 스위치 1점 1회전에 60, 180, 360 개의 펄스 신호를 출력합니다.
또는 속도 값의 설정에 따라 ON/OFF 신호를 출력 합니다.
장치 정상 1점 RUN모드에서 컨트롤러 및 검출기가 정상적인 경우에 출력합니다.
프로그램 번호 4점 선택된 프로그램 No.를 출력합니다.
현재값
(BCD, 720분할 그레이) 출력/
속도 바이너리 출력
11점 현재값 (BCD 3자리 + 0.5°표시)의 신호를 출력 합니다. 또는 회전 속도를 바이너리 코드로 출력합니다.
래치 펄스 1점 현재 값을 안정된 상태로 읽어 들이기 위한 타이밍 신호를 출력 합니다.
슬립 보정 1점 상사 점 정지 제어시 클러치 ON신호가 입력됨으로써 브레이크 타이밍 신호를 출력합니다.
자동 바이너리 신호
항목 입력사양 항목 출력사양
입력신호 프로그램 번호
외부원점 설정
현재값 홀드
이상해제
스위치 출력허용
슬립 보정 무효
클러치ON
출력신호 스위치 출력 또는
임의 펄스
프로그램 번호
장치정상
슬립 보정
속도 검출 스위치 또는 타이밍 펄스 현재 값 (BCD, 720분할 그레이) 또는 속도 (바이너리)
래치펄스
래치펄스
입력회로 DC입력, 포토커플러 절연 출력회로 트랜지스터 오픈 콜렉터 출력, 포토 커플러 절연
입력논리 부논리 출력논리 부논리 부논리 정논리 *1
정격입력전압 DC24V 정격부하전압 DC24V (DC30V max.)
정격입력전류 10mA 최대부하전류 100mA 100mA 10mA
ON전압 DC10V 이상 ON시 최대전압강하 2.0V 1.5V 0.7V
OFF전압 DC4V 이하

*1 : 현재값/ 속도 출력은 파라미터의 설정에 의해 출력 논리를 선택 할 수 있습니다.

바리캠 용 외부 표시기 NDP

NDP는 바리캠에 연결하여 압소코더 검출기의 각도를 룰렛 모양으로 표시하는 외부 표시장치 입니다. 표시기의 중앙부에는 각도 또는 회전 속도를 디지털 속도로 표시 할 수 있습니다.

ScienceON Chatbot

Automatic Intrapulse Modulated LPI Radar Waveform Identification

Abstract

In electronic warfare(EW), low probability of intercept(LPI) radar signal is a survival technique. Accordingly, identification techniques of the LPI radar waveform have became significant recently. In this paper, classification and extracting parameters techniques for 7 intrapulse modulated radar signals are introduced. We propose a technique of classifying intrapulse modulated radar signals using Convolutional Neural Network(CNN). The time-frequency image(TFI) obtained from Choi-William Distribution(CWD) is used as the input of CNN without extracting the extra feature of each intrapulse modulated radar signals. In addition a method to extract the intrapulse radar modulation parameters using binary image processing is introduced. We demonstrate the performance of the proposed intrapulse radar waveform identification system. Simulation results show that the classification system achieves a overall correct classification success rate of 90 % or better at SNR = -6 dB and the parameter extraction system has an overall error of less than 10 % at SNR of less than -4 dB.

본문요약 다운로드 * AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

  • 본 논문에서는 7가지 펄스 내 변조 레이더 신호 식별과정을 소개했다.

본 논문에서는 7가지 펄스 내 변조 레이더 신호 식별과정을 소개했다. CNN을 이용한 펄스 내 변조 신호 분류 방법과, 분류된 정보와 TFI를 바탕으로 식별 인자까지 추출하는 방법을 제안했다.

이 논문에서는 대략적으로 레이더 신호 펄스 부분이 탐지가 됐고, 펄스 폭을 안다고 가정한다. 또한 한 가지 종류의 레이더 신호가 수신 됐다고 가정한다.

식별 인자 추출 단계에서는 TFI와 레이더 신호 변조 방법에 대한 정보를 바탕으로 영상처리를 이용하여, 중심주파수, 대역폭, 주파수 도약 정보와 같은 식별인자(Modulation parameters)를 얻어낸다. 이 논문에서는 대략적으로 레이더 신호 펄스 부분이 탐지가 됐고, 펄스 폭을 안다고 가정한다. 또한 한 가지 종류의 레이더 신호가 수신 됐다고 가정한다.

본 논문에서는 7가지 펄스 내 변조 레이더 신호 식별과정을 소개했다. CNN을 이용한 펄스 내 변조 신호 분류 방법과, 분류된 정보와 TFI를 바탕으로 식별 인자까지 추출하는 방법을 제안했다. 또한 제안한 방법을 시뮬레이션을 통해 검증한 결과, 제안한 분류 방법은 -6 dB에서 90 % 이상의 분류 성공률을 보이고 식별인자 추출 알고리즘은 -4 dB에서 오차율이 10 % 이하로 높은 레이더 신호 분류성공률과 낮은 식별인자 추출 오차율을 보인다.

본 논문에서 펄스 내 변조 레이더 신호를 분류하기 위해서 분류기로 CNN을 사용했다. CNN은 Convolution Layer에서 자체적으로 특징을 추출하기 때문에, 펄스 내 변조 방법 마다 특징인자를 구하는 기존 방법과는 달리, 별다른 특징인자를 구하는 과정 없이 TFI만 사용하여 펄스 내 변조 레이더 신호를 분류 할 수 있다 [7] .

CNN은 구조를 결정하는 hyper-parameter에 따라 성능이 달라진다. 본 논문에서는 CNN의 입력 크기, convolution filter의 개수 및 크기, full-connected(FC) 층을 구성하는 뉴런(Neuron)의 개수와 같은 Hyper-parameter들을 바꿔가며 최적의 CNN 구조를 찾았다. 예를 들어, 입력 크기는 64×64, 128×128, 256×256, convolution filter의 개수는 20, 30, 40, 50 크기는 3×3, 5×5, 7×7, FC의 뉴런 개수는 100, 200, 300과 같이 바꿔가면서 분류 성공률이 최대가 나오는 hyper-parameters를 찾았다.

본 논문에서는 컨볼루션 신경망(CNN, Convolutional Neural Network)을 사용하여 7가지 저피탐 펄스 내 변조 방법(LFM, Costas code, Polyphase(Frank, P1, P2, P3, P4)) [1,5] 을 분류하는 기술과 TFI를 영상처리하여 펄스 내 변조 레이더 신호 식별인자를 추출해 내는 방법을 제안한다. 기존 방법은 변조 방법 별로 특징인자를 찾으려는 노력이 필요하지만 TFI와 CNN을 이용한 변조 방법 분류 기술은 시간에 따른 주파수 변화의 특징을 잘 나타내는 TFI 자체를 특징인자로 사용하여 추가적으로 특징인자를 찾아낼 필요가 없다.

이번 장에서는 3장에서 얻어낸 펄스 내 변조 레이더 신호 종류에 대한 정보와 TFI를 이용하여 각 펄스 내 변조 레이더 신호의 식별인자들을 추출해 내는 과정을 소개 한다. 제안한 식별인자 추출 과정은 이진영상으로 변형 된 TFI를 사용한다.

이번 장에서는 3장에서 얻어낸 펄스 내 변조 레이더 신호 종류에 대한 정보와 TFI를 이용하여 각 펄스 내 변조 레이더 신호의 식별인자들을 추출해 내는 자동 바이너리 신호 과정을 소개 한다. 제안한 식별인자 추출 과정은 이진영상으로 변형 된 TFI를 사용한다. 이진 영상으로 변형하는 영상 문턱처리 방법은 다음과 같다 [8] .

그 중 70 %인 13,230개의 펄스 내 변조 레이더 신호는 CNN을 직접 학습하는데 사용하고 30 %인 5,670개는 학습 도중 알맞게 학습이 되고 있나 확인하는 용도로 사용하였다. 학습한 CNN을 이용하여 펄스 내 변조 레이더 신호를 잘 분류하는지 테스트를 했다. 테스트 레이더 신호로는 SNR을 -8 dB부터 2 dB씩 10 dB까지 증가시켰으며, 각 SNR당 100개씩, 한 개의 펄스 내 변조 신호를 위해 1,000개를 사용했으며, 7가지 펄스 내 변조 레이더 신호 총 7,000개를 사용하여 테스트 했다.

3장에서 제안한 CNN을 이용한 펄스 내 변조 레이더 신호 분류에 대한 모의실험을 했다. Table 2는 모의실험을 위한 펄스 내 변조 레이더 신호의 변수 범위를 나타낸 것이다.

또한 U[a, b]는 최솟값이 a, 최댓값이 b인 균일 분포(uniformdistribution)를 의미한다. CNN을 학습시키기 위해, SNR이 -6 dB부터 2 dB씩 증가시켜 10 dB까지 해당하는 펄스 내 변조 레이더 신호를 각 SNR 당 300개 씩 만들어, 한 개의 펄스 내 변조 레이더 신호는 2700개의 신호가 있으며, 7개의 펄스 내 변조 레이더 신호가 있으므로 총 18,900개의 펄스 내 변조 레이더 신호를 사용했다. 그 중 70 %인 13,230개의 펄스 내 변조 레이더 신호는 CNN을 직접 학습하는데 사용하고 30 %인 5,670개는 학습 도중 알맞게 학습이 되고 있나 확인하는 용도로 사용하였다.

CNN을 학습시키기 위해, SNR이 -6 dB부터 2 dB씩 증가시켜 10 dB까지 해당하는 펄스 내 변조 레이더 신호를 각 SNR 당 300개 씩 만들어, 한 개의 펄스 내 변조 레이더 신호는 2700개의 신호가 있으며, 7개의 펄스 내 변조 레이더 신호가 있으므로 총 18,900개의 펄스 내 변조 레이더 신호를 사용했다. 그 중 70 %인 13,230개의 펄스 내 변조 레이더 신호는 CNN을 직접 학습하는데 사용하고 30 %인 5,670개는 학습 도중 알맞게 학습이 되고 있나 확인하는 용도로 사용하였다. 학습한 CNN을 이용하여 펄스 내 변조 레이더 신호를 잘 분류하는지 테스트를 했다.

학습한 CNN을 이용하여 펄스 내 변조 레이더 신호를 잘 분류하는지 테스트를 했다. 테스트 레이더 신호로는 SNR을 -8 dB부터 2 dB씩 10 dB까지 증가시켰으며, 각 SNR당 100개씩, 한 개의 펄스 내 변조 신호를 위해 1,000개를 사용했으며, 7가지 펄스 내 변조 레이더 신호 총 7,000개를 사용하여 테스트 했다. 테스트 한 결과는 SNR 별 7가지 신호의 총 분류 성공률(pcc, percentage of correct classification)을 나타낸 Fig.

수신한 레이더 신호에 대하여 시간에 따른 주파수 에너지 분포 특징을 얻기 위해서, 시간 주파수 분석 단계에서는 TFA 기법을 이용하여 2D-TFI를 얻는다. 본 논문에서는 각 레이더 신호의 변조형태 특징을 잘 나타내는 TFA기법으로 CWD를 사용했다. 얻어진 TFI는 분류기 구조에 맞게 영상 크기를 줄이는 영상처리과정이 필요하다.

위상 변조(PM: phase modulation)의 경우, f[k]가 상수이고 Φ[k]가 변수이다. 수신한 레이더 신호에 대하여 시간에 따른 주파수 에너지 분포 특징을 얻기 위해서, 시간 주파수 분석 단계에서는 TFA 기법을 이용하여 2D-TFI를 얻는다. 본 논문에서는 각 레이더 신호의 변조형태 특징을 잘 나타내는 TFA기법으로 CWD를 사용했다.

저피탐 펄스 내 변조 방법을 분류하기 위해서 대표적으로 시간 주파수 분석(TFA, Time Frequency Analysis)과 인공 신경망(ANN, Artificial Neural Network) 기술이 사용됐다. 시간 주파수 분석 방법 중에 WVD(Wiger-Ville Distribution), CWD(Choi-Williams Distribution), QMFB(Quadrature Mirror Filtering Bank), CSA(Cyclostationary Spectral Analysis)이 있으며, TFA로부터 얻은 영상(TFI, Time Frequency Image)의 픽셀(pixel) 값들을 특징인자로 사용하여 다층 퍼셉트론(MLP, Multi-Layer Perceptron)으로 픽셀 값들을 입력시켜 변조 방법을 분류하는 연구가 있었다 [1] .

CNN을 이용한 펄스 내 변조 신호 분류 방법과, 분류된 정보와 TFI를 바탕으로 식별 인자까지 추출하는 방법을 제안했다. 또한 제안한 방법을 시뮬레이션을 통해 검증한 결과, 제안한 분류 방법은 -6 dB에서 90 % 이상의 분류 성공률을 보이고 식별인자 추출 알고리즘은 -4 dB에서 오차율이 10 % 이하로 높은 레이더 신호 분류성공률과 낮은 식별인자 추출 오차율을 보인다. 제안한 기술은 향후 전자전에서 저피탐 레이더 신호 식별 알고리즘 개발에 유용하게 활용될 것으로 기대 된다.

SNR = -4 dB까지는 10 % 이하의 오차를 보이며 더 낮아 질 경우 오차가 더 큰 폭으로 증가하는 것을 확인 할 수 있다. 이진 영상로 -4 dB 이하 SNR에서 식별인자를 추출 할 경우 SNR이 낮아질수록 크게 감소하는 경향을 보였다.

7을 보면, -2 dB까지는 거의 100 %에 가까운 분류 성공률을 보이다가 SNR이 낮아질수록 분류 성공률도 낮아지는 것을 볼 수 있다. 제안한 펄스 내 변조 신호 분류 방법은 SNR이 -6 dB 일 때, 90 % 이상 성공률을 보인다. 레이더 신호와 TFI로부터 특징인자를 추출하여, 추출한 특징인자를 분류기 넣어 분류 한 방법인 [3]의 경우 -2 dB까지는 성능이 비슷하나, SNR이 더 낮아지면서 분류 성공률이 급격하게 낮아지는 것을 확인 할수 있다.

또한 제안한 방법을 시뮬레이션을 통해 검증한 결과, 제안한 분류 방법은 -6 dB에서 90 % 이상의 분류 성공률을 보이고 식별인자 추출 알고리즘은 -4 dB에서 오차율이 10 % 이하로 높은 레이더 신호 분류성공률과 낮은 식별인자 추출 오차율을 보인다. 제안한 기술은 향후 전자전에서 저피탐 레이더 신호 식별 알고리즘 개발에 유용하게 활용될 것으로 기대 된다.

CNN을 이용한 펄스 내 변조 신호 분류 방법과, 분류된 정보와 TFI를 바탕으로 식별 인자까지 추출하는 방법을 제안했다. 또한 제안한 방법을 시뮬레이션을 통해 검증한 결과, 제안한 분류 방법은 -6 dB에서 90 % 이상의 분류 성공률을 보이고 식별인자 추출 알고리즘은 -4 dB에서 오차율이 10 % 이하로 높은 레이더 신호 분류성공률과 낮은 식별인자 추출 오차율을 보인다

본 논문에서는 7가지 펄스 내 변조 레이더 신호 식별과정을 소개했다. CNN을 이용한 펄스 내 변조 신호 분류 방법과, 분류된 정보와 TFI를 바탕으로 식별 인자까지 추출하는 방법을 제안했다. 또한 제안한 방법을 시뮬레이션을 통해 검증한 결과, 제안한 분류 방법은 -6 dB에서 90 % 이상의 분류 성공률을 보이고 식별인자 추출 알고리즘은 -4 dB에서 오차율이 10 % 이하로 높은 레이더 신호 분류성공률과 낮은 식별인자 추출 오차율을 보인다. 제안한 기술은 향후 전자전에서 저피탐 레이더 신호 식별 알고리즘 개발에 유용하게 활용될 것으로 기대 된다.

저피탐 펄스 내 변조 방법을 분류하기 위해서 대표적으로 시간 주파수 분석(TFA, Time Frequency Analysis)과 인공 신경망(ANN, Artificial Neural Network) 기술이 사용됐다. 시간 주파수 분석 방법 중에 WVD(Wiger-Ville Distribution), CWD(Choi-Williams Distribution), QMFB(Quadrature Mirror Filtering Bank), CSA(Cyclostationary Spectral Analysis)이 있으며, TFA로부터 얻은 영상(TFI, Time Frequency Image)의 픽셀(pixel) 값들을 특징인자로 사용하여 다층 퍼셉트론(MLP, Multi-Layer Perceptron)으로 픽셀 값들을 입력시켜 변조 방법을 분류하는 연구가 있었다[1].

전자전(EW, Electronic Warfare) 분야에서 전자 지원(ES, Electronic Support)은 의도적 또는 비의도적으로 방사하는 각종 전자파를 수신, 탐지, 분석 및 식별하고 위치확인을 위해 취해지는 제반활동으로, 전자 지원으로부터 획득한 정보들은 전자 공격(EA, Electronic Attack) 또는 전자 보호(EP, Electronic Protection) 대책 수립에 중요한 자료가 된다. 다양한 자동 바이너리 신호 펄스 내 변조(Intrapulse modulation) 기법을 사용하여 저피탐(LPI, Low Probability of Intercept) 능력을 갖춘 레이더들이 증가하면서, 전자전 지원 시스템에서 레이더 신호 식별은 점점 더 어려워지고 있다.

저자의 다른 논문

참고문헌 (8)

  1. 1. P. E. Pace, "Detecting and Classifying Low Probability of Intercept Radar," Artech House, pp. 3-707, 2009.
  2. 2. J. Lunden and V. Koivunen, “Automatic Radar Waveform Recognition,” IEEE Journal of Selected Topics in Signal Processing, Vol. 1, No. 1, pp. 124-136, 2007. 상세보기
  3. 3. Z. Ming, L. Lutao, and D. Ming, "LPI Radar Waveform Recognition based on Time-Frequency Distribution," Sensor, Vol. 16, No. 10, p. 1682, 2016. 상세보기
  4. 4. Gulum, Taylan Ozgur, et al., "Parameter Extraction of FMCW Modulated Radar Signals using Wigner- Hough Transform," Computational Intelligence and Informatics(CINTI), 2011 IEEE 12th International Symposium on, pp. 465-468 IEEE, 2011.
  5. 5. N. Levanon and E. Mozeson, "Radar Signals," John Wiley & Sons, pp. 53-167, 2004.
  6. 6. H.-I. Choi and W. J. Williams, “Improved Time-Frequency Representation of Multicomponent Signals using Exponential Kernels,” IEEE Transactions on Aoustics, Speech, and Signal Processing, Vol. 37, No. 6, pp. 862-871, 1989.
  7. 7. Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner, “Gradient-based Learning Applied to Document Recognition,” Proceedings of the IEEE, Vol. 86, No. 11, pp. 2278-2324, 1998. 상세보기
  8. 8. R. C. Gonzalez and R. E. Woods, "Digital Image Processing," Int. ed. Englewood Cliffs, p. 598, 2002.

이 논문을 인용한 문헌

궁금한 사항이나 기타 의견이 있으시면 남겨주세요.

  • DOI : 10.9766/KIMST.2018.21.2.133 [무료]

원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다. (원문복사서비스 안내 바로 가기)


0 개 댓글

답장을 남겨주세요