논문/REGULAR PAPERS

레이다 신호의 클래스 분리도 측정을 위한 연구

정성재1,, 이승재1, 김경태1,*
Seong-Jae Jeong1,, Seung-Jae Lee1, Kyung-Tae Kim1,*
Author Information & Copyright
1포항공과대학교 전자공학과
1Department of Electrical Engineering, Pohang University of Science and Technology
*Corresponding Author: Kyung-Tae Kim (e-mail: kkt@postech.ac.kr)

© Copyright 2019 The Korean Institute of Electromagnetic Engineering and Science. This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

Received: Jan 29, 2018; Revised: Feb 20, 2018; Accepted: Feb 21, 2018

Published Online: Feb 28, 2018

요약

본 논문에서는 레이다 신호를 위한 새로운 클래스간 분리도 측정 방법을 제시한다. 제안된 방법에서는 표적과 레이다간의 상대적 각도 차이의 따른 레이다 신호의 민감도를 감소시키기 위해 RCS(radar cross section)의 경우 두 신호의 상관계수(correlation coefficient)를 구하고, 1차원 신호의 경우(i.e., high resolution range profile(HRRP)) 선형이동을 하며 상관계수를 구한다. 2차원 레이다 신호(i.e., inverse synthetic aperture radar(ISAR))의 경우 두 레이다 신호를 회전하면서 상관계수를 계산한다. 그런 다음, 두 레이다 신호가 가장 잘 배열되었을 경우의 최대 상관계수를 구하고, 이를 이용해 새로운 형태의 상관 기반 분리 행렬을 구성한다. 상관 기반 분리 행렬의 누적분포함수를 구하여 상위 확률에 응답하는 값을 구하였고, 그 값은 레이다 신호의 분리 능력을 정확하게 나타낸다. 제안한 방법을 이용한 실험 결과, 표적 분리 능력을 정확하게 추정할 수 있었다.

Abstract

In this paper, we propose a novel class separability measure for radar signals. To reduce the sensitivity of the relative aspect angle between a target and radar, to evaluate the discriminatory power of radar signals, the proposed method first calculates the correlation coefficients between two radar cross sections (RCSs) or linearly shifts one-dimensional (1D) radar signals (i.e., high-resolution range profiles (HRRPs)), or rotates two 2D radar signals (i.e., inverse synthetic aperture radar (ISAR) images). Then, it uses the maximum correlation coefficient when two radar signals are best aligned. Next, the proposed method obtains new correlation-based discriminant matrices (CDM) using maximum correlation coefficients. Finally, the cumulative distribution function (CDF) in the CDM and the value corresponding to the specific probability in the CDF are obtained, and this value represents the discriminatory power of the radar signal. Experimental results show that the proposed method can accurately measure the target separability.

Keywords: Class Separability Measure; Correlation Coefficient; Classification

Ⅰ. 서 론

클래스간 분리도 측정은 얼굴 인식, 영상 분류, 컴퓨터 비전 분야에서 특성 벡터의 구분 성능을 평가하기 위해 연구되어져 왔다. 일반적으로 클래스간 분리도 측정 방법은 분포 기반 기법(distribution-based method)과 분산 행렬 기반 기법(scatter matrix-based method)로 구분할 수 있다.

분포 기반 기법은 특성 벡터의 확률 분포도를 이용하여 특성 벡터의 성능을 평가한다. 대표적인 방법으로 다이버전스(divergence), 바타차야 거리(Bhattacharyya distance), 체르노프 바운드(Chernoff bound) 등이 있다[1][5]. 분산 행렬 기반 방법은 클래스간 분산(between-class scatter)와 클래스내 분산(within-class scatter)의 비율을 이용하는 방법으로서 대표적으로 선형 판별 분석법(linear discriminant analysis: LDA)이 있다[6][9].

기존 제시된 방법의 경우, 얼굴 인식, 컴퓨터 비전 분야에서 특성 벡터의 구분 성능을 성공적으로 측정하였다. 하지만 기존 제시된 방법을 레이다 신호, 즉 레이다 반사 면적(radar cross section: RCS), 고해상도 거리 측면도(high resolution range profile: HRRP), 역합성 개구레이다 영상(inverse synthetic aperture radar image: ISAR image)에 적용하였을 경우, 레이다 신호의 내재된 특성으로 인해 잘못된 분리 성능을 제공한다.

일반적으로, 레이다 신호는 표적과 레이다간의 상대적 각도에 매우 민감하다[10],[11]. 즉, 표적과 레이다 방향의 미소변화에도 역산란된 에너지나 혹은 산란점의 공간적 분포가 상당히 많이 변한다. 따라서 표적과 레이다 각도가 광각(wide angle)의 경우, 레이다 신호의 분포는 가우시안 분포, Rayleigh 분포, Chi square 분포 등의 잘 알려진 통계적 모델 분포에 부합하지 않는다. 분포 기반 기법의 경우 특성 벡터의 가우시안 분포를 가정하였기 때문에, 레이다 신호가 통계적 모델과 부합하지 않았을 경우 잘못된 클래스 분리도를 제공하게 된다[1][5].

분산 행렬 기반 방법의 경우 데이터 크기가 훈련 데이터의 수보다 작아야 잘 동작한다. 그렇지 않을 경우, 클래스내 분산 행렬의 특이점 문제가 발생하게 되고, 잘못된 클래스 분리도를 제공하게 된다[6]. 현대 레이다 시스템의 경우 해상도를 높이기 위해 광대역 레이다를 일반적으로 사용하는데, 이는 레이다 신호의 데이터 크기가 증가하는 요인이 된다. 따라서 데이터 크기 증가로 인해 분산 행렬 기반 방법은 현대 레이다 신호의 클래스 분리도 측정에서 제한적으로 적용이 가능하다.

본 논문에서는 이러한 기존 방법의 단점을 보완하고자 레이다 신호에 적합한 상관관계에 기반한 클래스 분리 측정 방법을 제안한다. 제안된 방법에서는 1차원 레이다 신호의 경우 선형 이동을 하며 상관계수(correlation coefficient)를 계산하고, 2차원 레이다 신호의 경우 두 레이다 신호를 회전하면서 상관계수를 계산한다. 그리고 두 신호가 가장 잘 배열되었을 경우의 상관계수를 구한다. 이를 통해 제안된 방법의 경우, 레이다와 표적간의 각도 변화에 의해 발생하는 산란점 변화에 기존 방법보다 덜 민감한 장점이 있다. 또한, 제안된 방법은 최대 상관계수를 이용하여 클래스내 상관 행렬(within-correlation matrix)과 클래스간 상관 행렬(between-correlation matrix)을 각각 구한다. 그런 다음 클래스내 상관 행렬에서 클래스간 상관 행렬을 빼어 상관 기반 분리 행렬(correlation-based discriminant matrix)을 구한다. 상관 기반 분리 행렬의 경우 레이다와 표적 간의 각도 변화에 덜 민감하고, 표적 내(within-target)와 표적 간(between-target)의 상관정도를 잘 나타내기 때문에, 이를 이용하여 레이다 신호의 분리 능력을 정확하게 추정할 수 있다. 게다가 기존 분산 행렬 기반 기법의 경우 레이다 신호의 크기가 훈련 데이터의 수보다 작아야 하지만, 제안된 방법의 경우 레이다 신호 크기의 관계없이 구할 수 있다. 따라서 제안된 방법은 레이다 신호의 분리 능력 측정에 있어 더 광범위하게 활용될 수 있다.

레이다 신호의 클래스 분리도 측정 방법에 대한 연구는 다음과 같다. Ⅱ장에서는 제안한 상관기반 분리도 측정방법에 대하여 기술하고, Ⅲ장에서는 제안된 방법을 이용한 실험 및 결과를 보여주고, Ⅳ장에서는 결론을 도출한다.

Ⅱ. 제안한 상관기반 분리도 측정 방법

2-1 상관계수(Correlation Coefficient)

상관계수는 두 변수 간에 선형적 관계를 측정하는 통계적 방법이다[9]. 상관계수의 범위는 −1에서 1이고, 두 변수의 크기와 방향이 동일하면 1, 크기는 같고 방향이 정반대면 −1이다. 제안된 방법은 RCS의 경우 두 신호의 상관계수를 구하고, 1차원 레이다 신호의 경우 선형 이동을 하며 상관계수를 계산하고, 2차원 레이다 신호의 경우 레이다 신호를 회전하면서 상관계수를 계산한다. 그리고 최대 상관 계수를 구한다. 최대 상관계수는 두 신호가 최대한 배열되었을 경우를 나타내기 때문에 이를 활용하면 레이다와 표적 간의 각도 변화로 발생하는 산란점 분포의 변화에 덜 민감하게 된다.

Np의 크기를 가지는 두 RCS 신호를 r1, r2라 하면, 상관계수는 식 (1)로 구할 수 있다.

ρ = n = 1 N p r 1 ( n ) r 2 ( n ) .
(1)

계산 효율을 높이기 위해 푸리에 변환(Fourier transform)을 식 (1)에 적용한다.

ρ = n = 1 N p I F T 1 D F T 1 D ( r 1 ) * F T 1 D ( r 2 ) ( n ) .
(2)

NL의 크기를 가진 1차원 HRRP를 x1, x2라 하면, 두 신호간의 선형 이동에 대한 상관계수는 식 (3)으로 계산할 수 있다.

C o r ( k ) = n = 1 N L x 1 ( n ) C S [ x 2 , k ] ( n ) .
(3)

여기서, k = 1,2,…,NL, CS[x2, k]은 k만큼 x2 신호를 선형 이동함으로써 구해진다. 최대 상관계수는 식 (4)로 계산한다.

ρ = max c o r ( k )
(4)

선형이동에 대한 상관계수를 구하는 것은 많은 연산을 필요로 함으로 푸리에 변환(Fourier transform)을 이용하여 이들 연산을 고속으로 수행한다.

ρ = arg max n = 1 N p I F T 1 D F T 1 D ( x 1 ) * F T 1 D ( x 2 ) ( n , k ) ,
(5)

여기서, FT1D[•]과 IFT1D[•]는 1차원 푸리에 변환과 역 푸리에 변환을 각각 나타낸다.

2차원 레이다 신호인 ISAR 영상 신호를 I1(xi, yj), I2(xi, yj)를 가정하자. 여기서, i = 1,2,…,NL j = 1,2,…, Nc, NL는 거리 방향의 픽셀 수, Nc는 수직 거리 방향의 픽셀 수이다. I1(xi, yj)과 I2(xi, yj)의 회전 중심이 같다고 가정하면, 두 ISAR 영상 간의 상관계수는 식 (4)로 구할 수 있다.

C o r ( θ m ) = i = 1 N L y = 1 N c I 1 ( x i , y j ) R o t I 2 , θ m ( x i , y j ) ,
(6)

여기서 m = 1,2,…Nθ, Rot[I2,θm]는 I2θm만큼 회전시킨 영상, Nθ는 각도 개수이다. 연산 효율성을 향상시키기 위해 식 (6)에 푸리에 변환을 적용한다.

C o r ( θ m ) = i = 1 N L y = 1 N c I F T 2 D [ F T 2 D ( I 1 ) * F T 2 D [ R o t [ I 2 , θ m ] ] ] ( x i , y j ) ,
(7)

여기서, m = 1,2,…Nθ, FT2D[•]과 IFT2D[•]는 2차원 푸리에 변환과 역 푸리에 변환을 각각 나타낸다. 최대 상관계수는 식 (8)로 계산한다.

ρ = max c o r ( θ m ) .
(8)
2-2 제안한 클래스 분리 방법

식 (2), (6), (8)을 이용해 구해진 최대 상관계수를 사용하여 클래스 내 상관 행렬(within-correlation matrix)과 클래스간 상관 행렬(between-correlation matrix)을 각각 구할 수 있다. Nθ는 각도 개수, Nt는 표적의 수일 때, p번째 표적의 클래스 내 상관 행렬은 식 (9)로 구할 수 있다.

Z w i t h i n p = ρ p 1 , p 1 ρ p 1 , p 2 ρ p 1 , p N θ ρ p 2 , p 1 ρ p 2 , p 2 ρ p N θ , p 1 ρ p N θ , p N θ
(9)

여기서, p = 1,2,…,Nt, ρpi,pjp 표적의 각도 ij 간의 최대 상관계수를 나타낸다. 다음으로 표적 p와 표적 q 사이의 클래스간 상관 행렬은 식 (10)으로 구할 수 있다.

Z b e t w e e n p q = ρ p 1 , q 1 ρ p 1 , q 2 ρ p 1 , q N θ ρ p 2 , q 1 ρ p 2 , q 2 ρ p N θ , q 1 ρ p N θ , q N θ
(10)

여기서, p = 1,2,…,Nt, q = 1,2,…,Nt, pq, ρpi,qj는 표적 p의 각도 i와 표적 q의 각도 j 간의 최대 상관계수를 나타낸다.

그림 1은 F16의 HRRP를 이용하여 계산된 클래스 내 상관 행렬을 나타낸다. 클래스 내 상관 행렬의 주대각(main diagonal) 성분은 두 신호 x1, x2간의 병진 이동 성분을 제외하고는 동일함으로 단위원(unity)이 된다.

jkiees-29-2-128-g1
그림 1. | Fig. 1. HRRP를 이용한 F16에 대한 클래스내 상관 행렬 | Winthin-correlation matrix of F16 using HRRP.
Download Original Figure

그림 2는 F16과 YF23간의 HRRP를 이용하여 계산한 클래스간 상관 행렬을 나타낸다. 여기서, HRRP가 우수한 식별성능이 나타낸다면 클래스 내 상관 행렬의 상관계수의 값들은 크고, 반면 클래스간 상관 행렬의 상관계수들은 작은 값을 가진다. 이러한 클래스 내 상관 행렬과 클래스간 상관 행렬의 성질을 이용하여 클래스 내 상관 행렬에서 클래스간 상관 행렬을 빼어 새로운 상관 기반 분리 행렬(correlation-based discriminant matrix)을 다음과 같이 구할 수 있다.

Z C D M p q = z i j N θ × N θ = Z w i t h i n p Z b e t w e e n p q
(11)
jkiees-29-2-128-g2
그림 2. | Fig. 2. F-16과 YF23간의 HRRP를 이용한 클래스간 상관행렬 | Between-correlation matrix between F16 and YF23 using HRRP.
Download Original Figure

여기서, p = 1,2,…,Nt, q = 1,2,…,Nt, pq, i = 1,2,…,Nθ, j = 1,2,…,Nθ이다.

그림 3은 클래스 내 상관 행렬과 클래스간 상관 행렬을 이용하여 구성된 상관 기반 분리 행렬을 나타낸다. 상관 기반 분리 행렬의 각 요소를 상관 기반 분리 비율(correlation-based discriminant ratio)라 하고, 이를 이용하면 HRRP의 클래스 분리 능력을 측정할 수 있다. 즉, 상관 기반 분리 행렬이 큰 값을 많이 포함하고 있다면, HRRP는 식별 성능이 높게 나타난다.

jkiees-29-2-128-g3
그림 3. | Fig. 3. 그림 1에서 그림 2를 각 요소별로 뺀 다음 구해진 상관 기반 분리 행렬 | Correlation based discriminant matrix by subtracting Fig. 2 from Fig. 1 in terms of each element.
Download Original Figure

상관 기반 분리 행렬 값들의 분포를 확인하기 위해 그림 3에 대응하는 누적 분포 함수(cumulative distribution function)를 그림 4에 나타내었다. 누적 분포 함수는 확률분포에서 확률 변수가 특정 값보다 작거나 같은 확률을 나타내고, 이를 이용하여 상위 확률 F(x)에 응답하는 x식 (12)로 구할 수 있다.

F ( x ) = P [ X x ]
(12)
jkiees-29-2-128-g4
그림 4. | Fig. 4. 그림 3에 응답하는 확률 분포도 | PDF(probability density function) corresponding to Fig. 3.
Download Original Figure

x는 상관 기반 분리 행렬의 큰 수의 양을 정량적으로 분석할 수 있게 해준다. 즉, x의 값이 크면 상관 기반 분리 행렬에 큰 값이 많다는 것을 의미하고, 클래스 분리 능력이 높다.

총 표적의 수가 Nt이면, 한 개의 표적에서 Nt-1개 의 클래스간 상관행렬과 상관 기반 행렬을 각각 구할 수 있다. 따라서 총 표적에 대한 상관 기반 행렬의 개수는 Nt×(Nt-1)이고, 모든 표적에 대한 확률 x의 평균은 식 (13)을 이용하여 구할 수 있다.

X c o e f f = 1 N t ( N t 1 ) i = 1 N t j = 1 N t 1 [ x ] i , j .
(13)

여기서, i는 표적의 인덱스이고, ji번째 표적에서 x¯ 에 상응하는 인덱스가 된다. Xcoeff의 크기가 크다면, 높은 클래스 분리 능력을 나타내기 때문에 Xcoeff를 이용 하여 레이다 신호의 분리 능력 추정할 수 있다.

Ⅲ. 실험 및 결과

3-1 실험 환경

제안한 방법의 클래스 분리 능력을 평가하기 위해 4개의 비행기(F16, Gripen, Mig25, YF23)를 이용하여 실험을 수행하였다(그림 5). 이들의 RCS 데이터를 얻기 위해 VIRAF (virtual aircraft framework)의 물리광학법(physical optics: PO)과 물리광학 회절이론(physical theory of diffraction: PTD)을 사용하여 계산하였다[12]. 측정 고각은 90° 고정, 관측각도는 0°~180°에 샘플 간격은 1°로 샘플 개수는 181이다. 주파수 대역은 14.75~15.25 GHz이고, 대역폭은 500 MHz, 주파수 샘플 간격은 0.005 GHz, 샘플 개수는 101이다. 이를 기반으로 레이다 단면적, 고해상도 거리측면도, ISAR 영상에 대한 데이터를 식 (14)식 (16)으로 구성하였다.

R C S ,
(14)
H R R P
(15)
I S A R
(16)
jkiees-29-2-128-g5
그림 5. | Fig. 5. 표적의 3D CAD 모델 | 3D CAD models of targets.
Download Original Figure

여기서, ∪는 합집합, υ는 F16, Gripen, Mig25, YF23순서로 대응하는 표적을 나타낸다. RCSNp×Nθυυ번째 표적과 관련된 RCS 서브 데이터베이스이고, Np는 주파수 개수로써 101개, Nθ는 고각 개수로 181개이다. HRRPNL×Nθυυ번째 표적과 관련된 HRRP 서브 데이터이고, NL은 거리 방향의 픽셀수로 101개이다. ISARNc×NLNθυυ번째 표적의 ISAR 영상에 대한 서브 데이터이고, Nc는 수직 거리 방향의 픽셀수로 101개이다. 따라서 ISARNc×NLNθυ의 크기는 101×18281이다.

3-2 실험 결과

식 (9)(10)을 이용하여 RCS, HRRP, ISAR 영상에 대한 클래스내 상관행렬과 클래스간 상관행렬을 구하고, 식 (11)을 이용하여 상관기반 분리 행렬을 구한다. 대표적인 상관기반 분리 행렬을 그림 6그림 8에 나타내었다. 그런 다음 식 (13)을 이용하여 Xcoeff를 구하였다. 표 1은 RCS, HRRP, ISAR 영상에 대한 Xcoeff를 나타내었고, Xcoeff는 0.132, 0.3319, 0.4326으로써 RCS, HRRP, ISAR 영상 순서로 커진다.

jkiees-29-2-128-g6
그림 6. | Fig. 6. RCS를 사용한 상관기반 분리 행렬 | Correlation based discriminant matrix using RCS.
Download Original Figure
jkiees-29-2-128-g7
그림 7. | Fig. 7. HRRP를 이용한 상관기반 분리 행렬 | Correlation based discriminant matrix using HRRP.
Download Original Figure
jkiees-29-2-128-g8
그림 8. | Fig. 8. ISAR 영상를 이용한 상관기반 분리 행렬 | Correlation based discriminant matrix using ISAR images.
Download Original Figure
표 1. | Table 1. 제안한 클래스 분리 측정 결과 | Proposed class separability measures.
Within class Between class RCS HRRP ISAR
F16 F16/Gripen 0.1536 0.2935 0.4483
F16/Mig25 0.1215 0.2815 0.4322
F16/YF23 0.1366 0.2612 0.4551
Gripen Gripen/F16 0.1322 0.3412 0.4233
Gripen/Mig25 0.0921 0.3711 0.4412
Gripen/YF23 0.1725 0.3728 0.4332
Mig25 Mig25/F16 0.1319 0.3211 0.4012
Mig25/Gripen 0.1298 0.3855 0.4111
Mig25/YF23 0.1331 0.3511 0.4477
YF23 YF23/F16 0.1274 0.3321 0.4198
YF23/Gripen 0.1312 0.3711 0.4579
YF23/Mg25 0.1221 0.3012 0.4211
X coeff 0.132 0.3319 0.4326
Download Excel Table

제안한 방법과 비교하기 위해 기존 방법인 선형판별 분석법(linear discriminant analysis: LDA)과 바타차야 거리(Bhattacharyya distance)를 적용하였다. LDA를 이용하여 클래스 분리 능력(J1, J2)을 구하였고, 표 2에 나타내었다. 그 결과, J1, J2는 RCS가 16.26과 13.16으로 가장 컸고, ISAR 영상은 10.12, 6.19로 가장 작았다. 표 3은 바타차야 거리를 이용한 클래스 분리 능력을 나타낸다. 그 결과, RCS, HRRP, ISAR 영상은 731, 4210, 765이고, RCS, ISAR 영상, HRRP 순으로 클래스 분리 능력이 커진다. 제안한 방법과 기존 방법의 경우, 클래스 분리 능력을 측정하는데 있어 차이가 있다. 제안한 방법의 유효함을 증명하기 위해 최근접 구분기(nearest-neighbor classifier)를 사용하여 표적 식별 과정을 수행하였다. 식 (14)식 (16)의 전체 데이터에서 훈련 데이터는 각도를 0°~180°까지 10° 간격으로 증가시켜 식 (17)식 (19)로 구성한다.

표 2. | Table 2. LDA을 사용한 J1, J2 | J1 and J2 using LDA.
RCS HRRP ISAR
J 1 16.26 12.22 10.12
J 2 13.16 11.23 6.19
Download Excel Table
표 3. | Table 3. 바타차야 거리를 이용한 D | D using Bhattacharyya distances.
RCS HRRP ISAR
D 731 4210 765
Download Excel Table
R C S t r a i n = R C S N p × N s υ ,
(17)
H R R P t r a i n = H R R P N L × N s υ ,
(18)
I S A R t r a i n = I S A R N c × N L N s υ ,
(19)

여기서, υ는 F16, Gripen, Mig25, F117 순서로 대응하는 표적을 나타내고, Ns는 고각 샘플 개수로 19이다. RCSNp×Nsυ,HRRPNL×Nsυ,ISARNc×NLNsυ, 는 RCS, HRRP, ISAR 영상 관련한 서브 훈련 데이터이다. 나머지 데이터는 테스트 데이터로 식 (20)식 (22)에 저장한다.

R C S t e s t = R C S N p × N t e s t υ ,
(20)
H R R P t e s t = H R R P N L × N t e s t υ ,
(21)
I S A R t e s t = I S A R N c × N L N t e s t υ ,
(22)

여기서, Ntest는 테스트를 위한 고각 갯수로 162이다. RCSNp×Nsυ,HRRPNL×Nsυ,ISARNc×NLNsυ는 RCS, HRRP, ISAR 영상 관련한 서브 테스트 데이터이다.

R C S t e s t = R C S N p × N t e s t υ ,
(23)
H R R P t e s t = H R R P N L × N t e s t υ ,
(24)
I S A R t e s t = I S A R N c × N L N t e s t υ ,
(25)

각 표적의 식별 성능은 전체 시험 데이터 중에서 올바르게 구분할 수의 비율로 식 (26)으로 구한다.

P c = 올바르게구분한수 전체시험데이터수 × 100 [ % ]
(26)

표적 식별 성능 결과는 표 4표 6에 혼동 행렬(confusion matrix)로 나타내었다. RCS, HRRP, ISAR 영상에 대한 표적 식별 성능 Pc는 각각 24.84%, 53.86%, 69.28%이다. 즉, RCS, HRRP, ISAR 영상 순으로 높다. 이러한 결과는 제안한 방법의 결과와 잘 일치한다. 하지만, 기존의 LDA와 바타차야 거리의 경우 신뢰성 있는 결과를 보여주지 못한다. LDA의 경우, ISAR 영상의 크기는 101(i.e., 거리 방향 샘플 수)×101(i.e., 수직 거리 방향 샘플 수)= 10212다. 이것은 테스트 샘플 수(i.e., 181)의 비해 훨씬 크기 때문에 클래스내 분산 행렬(within-class scatter matrix) 이 특이점(singulairy) 문제를 야기하고, 클래스간 분리 능력을 잘못 추정하게 된다. 바타차야 거리의 경우 레이다 신호의 가우시안 분포를 가정하게 되는데, 넓은 각도의 레이다 신호의 경우 가우시안 분포에 부합하지 않기 때문에 정확한 분리 능력을 추정하는 것이 어렵다.

표 4. | Table 4. RCS을 사용한 표적의 혼동 행렬 | Confusion matrix of targets using RCS.
RCS
Aircraft F16 Gripen Mig25 YF23 Pc(%)
F16 37 43 48 34 22.83
Gripen 42 49 39 32 25.92
Mig25 39 38 44 41 24.07
YF23 43 33 39 47 26.54
Total 161 163 170 154 24.84
Download Excel Table
표 5. | Table 5. HRRP을 사용한 표적의 혼동 행렬 | Confusion matrix of targets using HRRP.
HRRP
Aircraft F16 Gripen Mig25 YF23 Pc(%)
F16 91 42 14 15 56.17
Gripen 41 95 18 8 58.64
Mig25 25 36 84 16 51.85
YF23 30 25 28 79 48.76
Total 187 198 144 118 53.86
Download Excel Table
표 6. | Table 6. ISAR 영상에 대한 혼동 행렬 | Confusion matrix of targets using ISAR image.
ISAR
Aircraft F16 Gripen Mig25 YF23 Pc(%)
F16 116 15 19 12 71.6
Gripen 25 102 21 14 62.96
Mig25 11 22 109 20 67.28
YF23 21 8 11 122 75.3
Total 173 147 160 168 69.28
Download Excel Table

결과론적으로, 제안한 방법의 경우 레이다 신호의 크기나 혹은 분포에 상관없이 정확하게 클래스간 분리 능력을 추정할 수 있다.

Ⅳ. 결 론

본 논문에서는 레이다 신호의 클래스 분리도 측정에 대한 연구를 수행하였다. 제안된 방법에서는 표적과 레이다간의 상대적 각도차에 의한 레이다 신호의 민감도를 감소시키기 위해 레이다 신호간의 상관계수를 이용하였다. 또한 상관계수를 이용하여 클래스간 상관행렬, 클래스내 상관행렬, 상관 기반 분리 행렬을 각각 구성하였다. 상관 기반 분리 행렬의 누적분포함수를 구하여 상위 확률에 응답하는 값을 구하였고, 실험 결과 레이다 신호의 클래스 분리도를 정확히 추정하는 것으로 나타났다. 제안된 방법의 경우 기존 방법인 LDA에서의 특이점 문제나 바타차야 거리의 분포도 문제가 발생하지 않기 때문에 레이다 신호의 분리 능력 측정에 있어 더 광범위하게 활용될 수 있을 것으로 사료된다.

Acknowledgements

이 연구는 2016학년도 정부(미래창조과학부)의 재원으로 한국연구재단의 지원을 받아 수행된 기초연구사업임(No. NRF-2015R1A2A2A01003645)

References

[1].

E. Choi, C. Lee, “Feature extraction based on the Bhattacharyya distance,” in IGARSS 2000, IEEE 2000 International Geoscience and Remote Sensing Symposium, Honolulu, Jul. 2000, vol. 5, pp. 2146-2148.

[2].

T. Kailath, “The divergence and Bhattacharyya distance measures in signal selection,” IEEE Transactions on Communication Technology, vol. 15, no. 1, pp. 52-60, Feb. 1967.

[3].

J. Novovicova, P. Pudil, and J. Kittler, “Divergence based feature selection for multimodal class densities,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 18, no. 2, pp. 218-223, Feb. 1996.

[4].

K. A. Lee, C. H. You, H. Li, T. Kinnunen, and K. C. Sim, “Using discrete probabilities with Bhattacharyya measure for SVM-based speaker verification,” IEEE Transactions on Audio, Speech, and Language Processing, vol. 19, no. 4, pp. 861-870, May 2011.

[5].

R. Nielsen, R. Nock, “On the Chi square and higher-order Chi distances for approximating f-divergences,” IEEE Signal Processing Letters, vol. 21, no. 1, pp. 10-13, Jan. 2014.

[6].

P. N. Belhumeur, J. P. Hespanha, and D. J. Kriegman, “Eigenfaces vs. fisherfaces: Recognition using class specific linear projection,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 19, no. 7, pp. 711-720, Jul. 2013.

[7].

M. Fukunaga, Introduction to Statistical Pattern Recognition, 2nd ed. New York, Academic Press, 1990.
,

[8].

S. Theodoridis, K. Koutroumbas, Pattern Recognition, New York, Elsevier Academic Press, 1999.

[9].

R. O. Duda, P. E. Hart, and D. G. Stork, Pattern Classification, 2nd ed. New York, John Wiley & Sons, 2001.

[10].

V. C. Chen, M. Martorella, Inverse Synthetic Aperture Radar Imaging: Principles, Algorithms and Applications (Electromagnetics and Radar), IET/Scitech, 2014.

[11].

C. Ozdemir, Inverse Synthetic Aperture Radar Imaging with MATLAB Algorithms, New York, John Wiley & Sons, 2012.

[12].

Virtual Aircraft Framework for RCS/IR analysis and mitigation(VIRAF). Available: http://www.idscorporation.com.

Author Information

정 성 재

jkiees-29-2-128-i1

  • 2010년 2월: 동국대학교 전자공학과 (공학사)

  • 2012년 2월: 동국대학교 전자전기공학과 (공학석사)

  • 2015년 9월~현재: 포항공과대학교 전자공학과 박사과정

  • [주 관심분야] 다중 편파 ISAR 영상 및 표적 식별, 다중편파 보상 알고리즘

이 승 재

jkiees-29-2-128-i2

  • 2012년 2월: 한양대학교 전자및통신공학과 (공학사)

  • 2014년 2월: 포항공과대학교 전자전기공학과 (공학석사)

  • 2014년 3월~현재: 포항공과대학교 전자전기공학과 박사과정

  • [주 관심분야] 레이다 표적 인식, 레이다 영상, 레이다 신호처리, 패턴인식

김 경 태

jkiees-29-2-128-i3

  • 1994년 2월: 포항공과대학교 전자전기공학과 (공학사)

  • 1996년 2월: 포항공과대학교 전자전기공학과 (공학석사)

  • 1999년 2월: 포항공과대학교 전자전기공학과 (공학박사)

  • 2002년 3월~2011년 2월: 영남대학교 전자공학과 교수

  • 2011년 3월~현재: 포항공과대학교 전자전기공학과 교수

  • 2012년 9월~현재: 레이다/IR 표적식별 특화연구실 실장

  • [주 관심분야] 레이다 표적인식, 레이다 영상, 레이다 신호처리, 패턴인식, 전자기수치해석 및 RCS 측정