파형 구조와 공진주파수 및 세 가지 특성벡터 융합 기법의 레이더 표적 구분 성능 분석 (Performance Analysis on Radar Target Classification for Waveform Structure, Resonance Frequencies and Three Feature Vector Fusions)

서지정보

· 발행기관 : 한국정보기술학회
· 수록지 정보 : 한국정보기술학회논문지 / 16권 / 7호 / 35 ~ 41페이지
· 저자명 : 이승재, 최인식

초록

본 논문에서는 총 6가지의 특성벡터 추출 기법(파형 구조, EP 기반 CLEAN 기법으로 추출한 공진주파수, Prony 기법으로 추출한 공진주파수, 파형구조와 EP 기반 CLEAN 기법의 융합, 파형구조와 Prony 기법의 융합, 파형구조와 EP 기반 CLEAN 기법 및 Prony 기법의 융합)들에 대한 레이더 표적 구분 성능을 비교 분석하였다. 표적 구분에 사용된 표적은 4개의 서로 다른 항공기 표적이며 3D 캐드 모델과 FEKO 툴을 이용하여 RCS 데이터를 획득하였다. 표적 구분 실험을 위한 구분기로는 MLP(Multi-Layered Perceptron) 신경망을 이용하였으며, 신뢰도 확보를 위해 100회의 몬테카를로 시뮬레이션을 수행하였다. 실험 결과 파형구조 특성벡터와 EP 기반 CLEAN 기법 및 Prony 기법으로 추출한 공진 주파수 특성벡터들을 모두 융합한 경우에 가장 좋은 성능을 가짐을 확인할 수 있었다.

영어초록

In this paper, we analyzed and compared the performance of radar target classification for the six feature vector sets such as waveform structure, complex natural resonance(CNR) frequency using evolutionary programming (EP)-based CLEAN, CNR frequency using Prony’s method, fusion of waveform structure and EP-based CLEAN, fusion of waveform structure and Prony’s method and fusion of waveform structure, EP-based CLEAN and Prony’s method. Four aircraft targets are used for the target classification. Monostatic radar cross section (RCS) of four targets is obtained using the 3D CAD models and FEKO simulation tools. The MLP neural network is used as classifier and 100 Monte carlo simulations are performed for the reliability of the results. The results show that the fusion of waveform structure, EP-based CLEAN and Prony’s method has the best performance among six feature vector sets.

참고자료

· 없음