KR102279563B1 - 레이더 신호 처리 장치 및 레이더 신호 처리 방법 - Google Patents

Abstract

실시예에 따른 레이더 신호 처리 장치는, 합성 목표물로 송신한 가상의 송신신호를 상기 합성 목표물로부터 반사시켜 가상의 수신신호를 획득하는 가상 수신신호 획득부, 상기 합성 목표물에 대응하는 실제 목표물로 송신된 레이더 송신신호가 상기 실제 목표물로부터 반사된 레이더 수신신호를 획득하는 레이더 수신신호 획득부, 상기 가상의 수신신호와 상기 레이더 수신신호를 이용하여 상기 레이더 수신신호에 대응하는 검증신호를 생성하는 생성기 및 상기 레이더 수신신호와 상기 검증신호를 비교하여 상기 검증신호의 정확도를 판별하는 판별기를 포함할 수 있다.

Description

레이더 신호 처리 장치 및 레이더 신호 처리 방법{RADAR SIGNAL PRCESSING APPARATUS AND RADAR SIGNAL PROCESSING METHOD}

본 발명은 레이더 신호 처리 장치 및 레이더 신호 처리 방법에 대한 것으로, 보다 구체적으로 소량의 실제 레이더 신호만이 검출되도 다량의 가공된 레이더 신호를 생성함으로서 실제 목표물을 정확하게 탐지하기 위한 방법을 제공하기 위한, 레이더 신호 처리 장치 및 레이더 신호 처리 방법에 대한 것이다.

실제 환경에 대해서는 수 많은 검증 데이터를 얻을 수 없다는 한계점이 있다. 이를 해결하기 위해 소프트웨어를 통해 만들어진 모의 송수신 신호로부터 실제 환경에서의 데이터를 모의로 생성하는 모델이 필요하다. 이러한 과정에서 사용하는 모델 중 대표적인 모델이 바로 생성모델(Generative model)이다.

생성모델은 학습 데이터의 분포가 주어져 있을 때, 이와 비슷한 분포를 가지는 새로운 데이터의 분포를 만들어내는 모델을 의미한다.

이러한 생성모델들의 특징 중 하나는 학습을 위해 많은 양의 데이터가 필요하다는 것이다. 하지만, 실제 데이터가 가질 수 있는 특징이 너무 다양해(드론의 날개 개수에 따른 waveform 형태 등), 이를 전부 실제 환경 하에 데이터로 만들어 생성모델을 훈련시키기 어렵다. 즉, 많은 양의 훈련 데이터(training data)가 부족하다는 것을 의미한다.

따라서 극 소수 샘플(실제 환경 데이터)에 대한 전이학습 방식이 가능한 생성모델을 시뮬레이션 데이터 하에 학습시켜야 한다.

본 발명은 전술한 문제점을 해결하기 위해 도출된 것으로 소량의 실제 데이터가 있더라도 실제에 가까운 다량의 모의데이터를 생성하여 소량의 실제 데이터가 검출된 실제 목표물을 정확하게 식별할 수 있도록 하는 데에 그 목적이 있다.

본 발명은 특히, 생성적 적대 신경망(Generative Adversarial Networks, GAN)에 기반한 딥 러닝 학습 과정을 통해 상기 과정을 수행할 수 있도록 함으로서 정확한 목표물 식별과 함께 자동으로 빠르게 해당 목표물을 탐지할 수 있도록 하는 데에 그 목적이 있다.

실시예에 따른 레이더 신호 처리 장치는 합성 목표물로 송신한 가상의 송신신호를 상기 합성 목표물로부터 반사시켜 가상의 수신신호를 획득하는 가상 수신신호 획득부, 상기 합성 목표물에 대응하는 실제 목표물로 송신된 레이더 송신신호가 상기 실제 목표물로부터 반사된 레이더 수신신호를 획득하는 레이더 수신신호 획득부, 상기 가상의 수신신호와 상기 레이더 수신신호를 이용하여 상기 레이더 수신신호에 대응하는 검증신호를 생성하는 생성기 및 상기 레이더 수신신호와 상기 검증신호를 비교하여 상기 검증신호의 정확도를 판별하는 판별기를 포함할 수 있다.

상기 생성기는 상기 판별기로부터 생성된 상기 검증신호의 정확도 판별 결과를 기초로 최종 검증신호를 생성할 수 있다.

상기 생성기 및 상기 판별기는, 컨볼루션 신경망(Convolution Neural Network, CNN) 및 순환 신경망(Recurrent Neural Network, RNN) 중 적어도 하나를 이용하여 기계 학습을 수행할 수 있다.

상기 가상 수신신호 획득부는, 상기 합성 목표물을 포함하는 이미지 정보와 상기 이미지 정보에 대응하는 실제 환경 정보를 참조하여 상기 가상의 수신신호 획득을 수행할 수 있다.

상기 가상의 수신신호와 상기 레이더 수신신호를 분석하는 신호분석부를 더 포함하고, 상기 분석 결과를 이용하여 상기 생성기에 의한 상기 검증신호 생성 및 상기 판별기에 의한 상기 검증신호의 정확도 판별 과정을 수행할 수 있다.

상기 신호분석부는, 상기 가상의 수신신호 및 상기 레이더 수신신호 중 적어도 하나를 시간에 대응하는 주파수의 형태로 변환하여 각각에 대한 변환 신호를 생성하고, 상기 변환 신호로 상기 분석 과정을 수행할 수 있다.

실시예에 따른 레이더 신호 처리 방법은, 가상 수신신호 획득부에 의해, 합성 목표물로 송신한 가상의 송신신호를 상기 합성 목표물로부터 반사시켜 가상의 수신신호를 획득하는 가상 수신신호 획득 단계, 레이더 수신신호 획득부에 의해, 상기 합성 목표물에 대응하는 실제 목표물로 송신된 레이더 송신신호가 상기 실제 목표물로부터 반사된 레이더 수신신호를 획득하는 레이더 수신신호 획득 단계, 생성기에 의해, 상기 가상의 수신신호와 상기 레이더 수신신호를 이용하여 상기 레이더 수신신호에 대응하는 검증신호를 생성하는 생성 단계 및 판별기에 의해, 상기 레이더 수신신호와 상기 검증신호를 비교하여 상기 검증신호의 정확도를 판별하는 판별 단계를 포함할 수 있다.

본 발명에 따르면 소량의 실제 데이터가 있더라도 실제에 가까운 다량의 모의데이터를 생성하여 소량의 실제 데이터가 검출된 실제 목표물을 정확하게 식별할 수 있다.

본 발명은 특히, 생성적 적대 신경망(Generative Adversarial Networks, GAN)에 기반한 딥 러닝 학습 과정을 통해 상기 과정을 수행할 수 있도록 함으로서 정확한 목표물 식별과 함께 자동으로 빠르게 해당 목표물을 탐지할 수 있게 된다.

본 발명에 따르면, 군사 환경에서 적 무인기와 같이 애초에 무인기에 대한 파일럿 신호를 얻을 수 없는 상황에서, 간신히 검출된 신호를 통하여 적 무인기의 형태와 특징을 복구하여 향후에 다시 검출되었을 때 쉽게 판별해낼 수 있는 근거를 제시할 수 있게 된다.

본 발명에서는 상대적으로 범용성이 높은 대신에 정밀한 형태 추정에 약점을 보이던 자율 주행에 사용되는 신호 측정 기술 중 하나인 RADAR로 다양한 모의신호를 생성해내어, 자율주행 상황에서 발생할 수 있는 다양한 문제상황에 대한 예측과 분석을 시행할 수 있다.

도 1a는 본 발명의 실시예에 따른 레이더 신호 처리 장치(1)를 설명하기 위한 블록도이다.
도 1b는 실시예에 따른 레이더 신호 처리 방법을 설명하기 위한 순서도이다.
도 2a는 실시예에 따른 레이 트레이싱 시뮬레이션 방법을 설명하기 위해 참조되는 도면이다.
도 2b는 가상 수신신호 획득부(110)의 가상 수신신호 획득 수행 과정을 설명하기 위한 순서도이다.
도 2c는 가상의 송신기가 송신 가능한 여러 종류의 파형과 컴퓨터 프로그램을 이용하여 생성한 합성 목표물에 반사되어 가상의 수신기가 수신하는 파형의 쌍을 설명하기 위해 참조되는 도면이다.
도 3은 레이더 수신신호 획득부(120)의 동작을 설명하기 위해 참조되는 도면이다.
도 4는 실시예에 따른 신호 분석부(130)의 동작을 설명하기 위해 참조되는 도면이다.
도 5는 생성기(140) 및 판별기(150)를 이용해 가상의 수신신호에 대응하는 정확도가 높은 검증신호를 생성하는 과정을 설명하기 위해 참조되는 도면이다.
도 6 및 도 7은 임의의 목표물을 대상으로 한 신호 검증을 비교하기 위해 참조되는 도면이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

도 1a는 본 발명의 실시예에 따른 레이더 신호 처리 장치(1)를 설명하기 위한 블록도이고, 도 1b는 레이더 신호 처리 장치(1)의 레이더 신호 처리 방법을 설명하는 순서도이다.

이하, 도 1a 및 도 1b를 함께 참조하여 실시예에 따른 레이더 신호 처리 방법을 설명하고자 한다.

레이더 신호 처리 장치(1)는 중앙 제어 프로세서를 포함하는 연산 장치일 수 있으며, 개인용 컴퓨터, 워크스테이션 등을 포함할 수 있다.

도 1a에 도시한 바와 같이, 레이더 신호 처리 장치(1)는 제어부(100), 통신부(200), 및 메모리부(300)를 포함할 수 있다.

제어부(100)는 레이더 신호 처리 장치(1)를 구성하는 각 구성요소를 전반적으로 제어하는 것으로, 가상 수신신호 획득부(110), 레이더 수신신호 획득부(120), 신호 분석부(130), 생성기(140), 및 판별기(150)를 포함할 수 있다.

통신부(200)는 레이더 신호 처리 장치(1)와 다른 외부 장치(미도시)와의 데이터 통신을 수행하기 위한 것으로 유/무선 통신을 수행할 수 있다.

통신부(200)는 외부 장치로부터 가상 수신신호를 수신하여 가상 수신신호 획득부(110)로 전송할 수 있다.

통신부(200)는 외부 장치 또는 레이더 신호 처리 장치(1)에서 전송된 레이더 송신신호가 실제 목표물에 반사된 레이더 수신신호를 수신하여 레이더 수신신호 획득부(120)로 전송할 수 있다.

메모리부(300)는 제어부(100)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 레이더 신호 처리 장치(1)로 입력되거나 레이더 신호 처리 장치(1)로부터 출력되는 데이터를 저장할 수도 있다.

메모리부(300)는 신경망을 저장하며, 제어부(100)는 메모리부(300)에 저장된 신경망을 기계 학습하여 갱신시킬 수 있다.

가상 수신신호 획득부(110)는 컴퓨터 프로그램을 이용해서 만들어진 합성 목표물로부터 반사된 가상의 수신신호를 획득할 수 있다(s210). 합성 목표물로 가상의 송신신호가 송신되어 합성 목표물로부터 반사될 수 있으며, 가상의 송신신호 송신과 가상의 수신신호 획득은 가상의 환경에서 시뮬레이션이 수행되어 이루어질 수 있다.

가상의 송신신호 송신은 가상의 송신기에서 수행되고 가상의 수신신호 획득은 가상의 수신기에서 수행될 수 있다. 그리고, 가상의 송신신호와 가상의 수신신호는 실제 물리적인 전파 신호가 아니라 시뮬레이션을 위해 가상으로 생성된 신호인 것으로 정의한다.

일 실시예에 따르면, 가상 수신신호 획득부(110)는 직접 가상의 송신기를 통해 합성 목표물로 가상의 송신신호를 전송하고 합성 목표물로부터 반사된 가상의 수신신호를 가상의 수신기를 통해 획득할 수 있다. 또한, 다른 실시예에 따르면, 레이더 신호 처리 장치(1)와 별도의 외부 장치(미도시)가 가상의 송신신호를 전송하고 가상의 수신신호를 수신하면, 가상 수신신호 획득부(110)는 외부 장치로부터 가상의 수신신호를 수신하여 획득할 수도 있다. 후자에 따르면, 통신부(200)를 통해 외부 장치로부터 가상의 수신신호를 수신하여 획득할 수 있다.

참고로, 시뮬레이션을 통한 가상의 신호 송수신은 레이 트레이싱(RAY TRACING) 과정을 통해 수행될 수 있다.

도 2a는 실시예에 따른 레이 트레이싱 시뮬레이션 방법을 설명하기 위해 참조되는 도면이다.

도 2a를 참조하면, 하나 이상의 가상의 송신기(S1,S2,S3)로부터 송신된 가상의 송신신호 중 일부가 합성 목표물(object)로 전송되어 합성 목표물(object)로부터 반사된 가상의 수신신호(Reflective signal)를 가상의 수신기(R)가 수신하여 획득할 수 있다.

가상 수신신호 획득부(110)는 합성 목표물을 포함하는 이미지 정보와 이미지 정보에 대응하는 실제 환경 정보를 참조하여 가상의 송신신호 송신 및 상기 가상의 수신신호 획득을 수행할 수 있다.

도 2b는 가상 수신신호 획득부(110)의 가상 수신신호 획득 수행 과정을 설명하기 위한 순서도이다.

구체적으로, 도 2b에 도시한 바와 같이, 제어부(100)는 합성 목표물을 포함하는 이미지 정보를 획득할 수 있다.(s111)

제어부(100)는 2차원 이미지 정보 및 3차원 지도 정보를 획득할 수 있다. 실시 예에서 2차원 이미지 정보는 이미지에 대응하는 추가 정보를 포함할 수 있으며, 상기 추가 정보는 이미지가 촬영된 위치 정보, 방향 정보, 화각을 포함한 촬영 정보를 포함할 수 있다. 상기 추가 정보를 기반으로 2차원 이미지 정보와 대응하는 3차원 지도 정보를 판단할 수 있다. 또한 3차원 지도 정보는 위치 정보와 이에 대응하는 3차원 지도 정보를 포함할 수 있다. 이와 같은 정보는 지표 또는 수면 위에 건물, 구조물, 식물 들의 형태 정보를 포함할 수 있으며, 실시 예에 따라 가상의 송신기 후보 위치 및 가상의 수신기 후보 위치 중 적어도 하나와 관련된 정보를 포함할 수 있다.

제어부(100)는 이미지 정보에 대응하는 실제 환경 정보를 획득할 수 있다.(s112) 실제 환경 정보는 통신 경로 상에 위치하는 물체 및 물체의 특성을 포함할 수 있다. 보다 구체적으로 2차원 이미지 정보를 분석하여 이를 기반으로 통신 경로 상에 위치할 수 있는 물체들의 특성을 판단할 수 있다. 상기 물체들의 특성은 물체 표면의 재질 및 물체 외부 형태 중 적어도 하나를 포함할 수 있으며, 전파 투과가 가능한 물체의 경우 물체의 형상 및 투과시 신호 감쇠 정도와 관련된 정보를 포함할 수 있다.

제어부(100)는 이미지 정보에 상기 실제 환경 정보를 매핑하여 매핑 정보를 획득할 수 있다.(s113) 예를 들어, 3차원 지도 정보에 매핑할 때 2차원 이미지 정보에 포함된 추가 정보를 기반으로 3차원 지도 정보에 대응되는 물체에 상기 2차원 이미지 정보를 통해 획득한 추가 정보를 매핑할 수 있다.

제어부(100)의 가상 수신신호 획득부(110)는 상기 매핑 정보를 참조하여 상기 가상의 송신신호를 상기 합성 목표물로부터 반사시켜 가상의 수신신호를 획득하는 레이 트레이싱 시뮬레이션을 수행할 수 있다.(s114)

실시예에 따르면, 레이 트레이싱 시뮬레이션은 특정 방향의 빔(가상의 송신신호)를 고려하여, 순차적으로 빔 정보를 변경하면서 그에 대응하는 레이 트레이싱 시뮬레이션을 수행하거나, 가상의 송신기에서 전송할 수 있는 전 방향의 빔을 동일한 시구간 내에 전송한 경우를 가정하고 그에 대응하는 레이 트레이싱 시뮬레이션을 수행할 수 있다. 레이 트레이싱 시뮬레이션 수행 결과 가상의 송신기에서 전송된 신호가 가상의 수신기에 수신되기 위해서 거치는 경로와 상기 경로 상에 위치한 실제 환경 정보를 반영하여 가상의 수신기에서 수신할 수 있는 신호 품질을 예측하고 이를 분석할 수 있다.

다만, 전술한 바와 같이, 레이더 신호 처리 장치(1)와 별도의 외부 장치(미도시)가 가상의 송신신호를 전송하고 가상의 수신신호를 수신하면, 가상 수신신호 획득부(110)는 외부 장치로부터 가상의 수신신호를 수신하여 획득할 수도 있으며, 이 경우에는 s111 내지 s114는 외부 장치에서 수행하고 가상 수신신호 획득부(110)는 외부 장치로부터 가상의 수신신호를 수신하여 획득할 수 있다.

도 2c는 가상의 송신기가 송신 가능한 여러 종류의 파형과 컴퓨터 프로그램을 이용하여 생성한 합성 목표물에 반사되어 가상의 수신기가 수신하는 파형의 쌍을 설명하기 위해 참조되는 도면이다.

실시예에 따라, 가상의 송신기와 가상의 송신기로부터 보내진 신호를 반사시키는 합성 목표물, 그리고 가상의 수신기로 이루어진 시스템은 합성 목표물이 고정되지 않았을 때 Linear time-variant (LTV) 시스템을 이룬다. 합성 목표물이 서로 다른 S개의 점 (scatterer)으로 되어있다고 하자. 각각의 점(scatterer)의 impulse response를

라고 할 때, 가상의 수신기가 받아들이는 신호

는 다음과 같이 나타내어진다.

(t: 시간, 가상의 송신신호가 합성 목표물로 전송된 후 합성 목표물로부터 반사되기까지 경과한 시간

τ: 지연 시간, 일반적으로 가상의 수신 신호는 지연 (delay) (τ)및 도플러 천이 (Doppler shift) (ν)및 신호의 크기가 b (감쇠 계수) 만큼 곱해져서 변화된 가상의 송신 신호의 합으로 나타내진다. 여기서 사용된 τ변수는 가상의 수신 신호의 모델링을 위한 3가지 특징 중 하나를 나타낸 것이다. [참고로, b (감쇠 계수)는 scatterer의 크기와 유전율, 그리고 가상의 송신기와 scatterer 사이의 거리, scatterer와 가상의 수신기 사이의 거리에 따라서 결정되는 것으로 자세한 내용은 후술한다.]

: τ 만큼 지연된 송신 신호)

여기서 가상의 송신 신호

는 CW, FMCW, Pulse, QPSK 등의 여러 waveform 중에서 주어질 수 있다.

여기서

에 Inverse Fourier transform (IFT) 를 취하면 다음과 같다.

(참고로,

: j 번째 산란점 (scatterer)의 응답 함수로 정의할 수 있다. 그리고, 응답 함수를 정의한 이유는 다음과 같다. 전술한 바와 같이, 일반적으로 가상의 수신 신호는 지연 (τ)및 도플러 천이 (ν) 및 신호의 크기가 변화된 (b) 가상의 송신 신호의 합으로 나타낼 수 있다. 주파수 이동과 감쇠계수의 의미를 부여하면 다음과 같다. 먼저 지연이 발생하는 원리는 다음과 같다. 송신기에서 방사된 신호가 점 scatter 에 반사된 후 수신기를 통해 물리적으로 이동을 하므로 신호가 이동한 거리를 빛의 속도로 나누어준 만큼 지연이 발생한다. 도플러 천이가 발생하는 이유는 산란점이 공간상에서 움직이므로 수신 신호의 파장이 변한다. 가상의 수신 신호의 주파수 또한 변하는데 그 이유는 자유 공간에서 빛의 속도는 일정하고 주파수는 빛의 속도를 파장으로 나눈 값이기 때문이다. 마지막으로 감쇠 계수의 의미는 다음과 같다. 감쇠 계수는 수신 신호의 크기를 결정하는 변수이다. 가상의 수신 신호의 변화를 주는 요소는 가상의 송신기, 가상의 수신기, 및 산란점 간의 거리, 산란점의 물리적 특성 (유전율, 투자율 등등) 에 영향을 받는다.

앞서 산란점은 가상의 송신 신호를 지연, 도플러 천이 감쇠 모두를 일으킨다고 설명하였다. 응답함수는 이 현상을 수학적으로 정의하기 위해 고안된 것이다. 이 함수는 입력으로 지연 시간과 도플러 천이량을 받고, 출력으로 단일 숫자를 출력한다. 만약

번째 산란점이 가상의 송신 신호를

만큼 지연시키고

만큼 도플러 천이를 일으키며

만큼 신호 감쇠를 일으킨다고 가정해보자. 그러면 응답함수 식은

이다. 이 식의 의미를 서술하면 다음과 같다.

이 수식은 감쇠 계수와 두 개의 디랙 텔타 함수 (

, Dirac-delta function) 의 곱으로 표현되어 있다. 본 발명에서 정의한 함수

는 디랙 텔타 함수이며 정의는 다음과 같다. 함수의 입력이 0이면 무한대이고 0이 아닐 경우 0을 출력한다. 또한 디랙 델타 함수를 실수 전체 영역에 대해 적분했을 때 값은 1이다. 이 응답 함수를 수신 신호 식

에 대입 할 경우 수신 신호

는 정확히 지연

, 도플러 천이

와 감쇠

가 적용된 송신 신호,

이다.)

이를 위 식에 대입하면

과 같이 된다. 각각의 목표물이 S개의 점 scatterer로 되어 있고, 이러한 점 scatterer는 가상의 송신기로부터 들어오는 신호마다 (가상의 송신기로부터의 거리+가상의 수신기로부터의 거리) 에 비례하는 단일한 delay

를 가지고 (가상의 송신기 입장에서의 속도+가상의 수신기 입장에서의 속도)에 비례하는 단일한 Doppler shift

, 그리고 scatterer의 유전율과 크기에 비례하며, 송신기와 수신기에서 각각 scatterer로의 거리의 제곱에 반비례하는 감쇠 계수 (attenuation factor)

를 가진다. 이를 수식으로 나타내면 다음과 같다.

(

: 산란 물체의 응답 함수 (1,2,..S 번째 산란점 (scatterer)의 응답 함수의 합)

: j 번째 산란점 (scatterer)의 응답 함수

: 지연 시간

: 도플러 천이

j 번째 산란점의 도플러 천이

: 디랙 델타 함수)

여기서, 가상의 송신기의 위치를

, 가상의 수신기의 위치를

, s번째 scatterer의 위치를

라고 했을 때

는

(

: 빛의 속도

: 거리 함수

,

)

입력: 2개의 3차원 좌표, 출력: 두 좌표간의 거리)

로 나타내어진다. 여기서 scatterer의 위치

는 거의 변하지 않는다고 가정한다.

같은 방식으로, s번째 scatterer가 가지는 가상의 송신기로부터 멀어지는 방향의 속도를

, 가상의 수신기로부터 멀어지는 방향의 속도를

이라고 했을 때,

는

: j 번째 산란점의 도플러 천이

로 나타내어진다. 여기서

는 이 신호의 carrier frequency이다.

위의

를 적용했을 때, 가상의 수신기의 신호는 최종적으로

(

:

만큼 지연된 가상의 송신 신호

t : 시간

: 감쇠 계수

: 가상의 송신 신호 i:허수 단위 )

와 같이 된다. 최종적으로 이 수식을 적용하여 각 가상의 송신기에 대한 가상의 수신기의 수신 신호를 합성한다.

이렇게 합성된 수신 신호는 장치에 저장되어야 하므로 일정한 sampling rate

마다 값을 가지는 수열로 저장되는데 수열로 저장되는 형태의 수신 신호는 다음과 같다.

(

: 가상의 송신 신호

: 신호 샘플링 주기

: 이 수식은 컴퓨터에서 처리하는 신호는 모두 디지털이기 때문에 시간에 따라 연속인 수신 신호를 일정 시간 간격으로 샘플링하는 과정이 필요하기 때문에 도입되었다. 여기서

은 가상의 수신 신호를

시간 간격으로 샘플링 했을 때 샘플링 시점을 나타낸 것이다.)

최종적으로 이와 같은 알고리즘이 설계된 가상 수신신호 획득부(110)에서는 충분히 많은 종류의 송신 waveform 설계와 scatterer 설계를 통해서 레이더의 검증에 일차적으로 필요한 다량의 가상의 수신신호를 생성해낸다.

도 3은 레이더 수신신호 획득부(120)의 동작을 설명하기 위해 참조되는 도면이다.

레이더 수신신호 획득부(120)는 합성 목표물에 대응하는 실제 목표물로 송신된 레이더 송신신호가 상기 실제 목표물로부터 반사된 레이더 수신신호를 획득할 수 있다(s220).

레이더 수신신호 획득부(120)는 가상 수신신호 획득부(110)와 다르게, 가상의 수신신호를 획득하는 것이 아닌 실제 물리적인 전파 신호인 레이더 수신신호를 획득할 수 있다.

실시예에 따라 레이더 신호 처리 장치(1)와 별도의 외부 송신기(예> 도 3의 신호 전송 장치 및 RF 신호 생성 장치)를 통해 레이더 송신신호가 생성되고, 송신 안테나를 통해 실제 목표물로 레이더 송신신호가 송신되면, 실제 목표물로부터 반사된 레이더 수신신호를 수신 안테나를 통해 RF 신호 수신 장치에서 수신하여 신호 수신/저장 장치에 저장할 수 있다. 즉, 도 3a의 RF 신호 수신 장치 및/또는 신호 수신/저장 장치가 본 발명의 레이더 수신신호 획득부(120)에 대응될 수 있다.

다만, 다른 실시예에 따르면, 레이더 수신신호 획득부(120)에서 레이더 송신신호를 생성하고 실제 목표물로 레이더 송신신호를 전송하여 실제 목표물로부터 반사된 레이더 신호를 수신하는 일련의 과정을 모두 수행하도록 구현할 수도 있다.

실시예에 따라 레이더 송신신호를 송신 및 레이더 수신신호를 수신하는 일련의 과정은 물리적으로 구성해놓은 변조/복조 회로를 소프트웨어적으로 처리하는 통신 기술인 SDR(Software Defined Radio) 을 활용하여 수행될 수 있다.

도 3은 신호 전송 장치, RF 신호 생성 장치와 이를 전송하는 송신 안테나, 수신하는 수신 안테나, RF 신호 수신 장치 및 수신한 신호를 저장하는 장치로 구성되어 있다. 수신하는 신호가 실제 신호라는 점을 제외하면 수식은 도 2c에서 소개한 바와 같다. RF 신호 생성 장치는 신호 전송 장치로부터 수신한 가상의 송신 신호에 대응하는 RF 신호를 생성할 수 있다.

도 4는 실시예에 따른 신호 분석부(130)의 동작을 설명하기 위해 참조되는 도면이다.

신호 분석부(130)는 가상의 수신신호와 레이더 수신신호를 분석하고, 분석 결과를 이용하여 생성기(140)에 의한 검증신호 생성 및 판별기(150)에 의한 검증신호의 정확도 판별 과정이 수행되도록 할 수 있다.(s230) 예를 들어, 수신신호를 기저대역으로 복조하여 복조된 신호를 자기 상관 함수(Auto Correction funciton)을 이용하여 자기 상관을 수행하는 과정을 포함할 수 있다.

실시예에 따라 신호 분석부(130)에 의한 신호 분석은 생성된 신호의 파형 자체를 분석할 수 있고, 다른 실시예에 따라 생성된 신호를 스펙트로그램 형태로 변환하여 이루어질 수도 있다. 후자의 경우, 물체가 주기적인 움직임을 가질 경우, 수신 신호 또한 주기성을 가질 수 있다, 수신 신호에 주기성을 가질 경우, 수신 신호를 스펙트로그램으로 변환 할 경우 스펙트로그램이 희소한 형태를 가진다. (변환된 수신 신호는 소수의 신호의 크기가 큰 부분 (또는 중요한 부분)과 다수의 신호의 크기가 작은 부분 (또는 중요하지 않은 부분)들로 표현됨). 따라서 신호를 스펙트로그램으로 수신 신호의 중요 부분을 강조할 수 있으므로 생성기 및 판별기가 학습하는데 도움을 줄 수 있다.

후자의 경우, 구체적으로 신호 분석부(130)는 가상의 수신신호 및 레이더 수신신호 중 적어도 하나를 시간에 대응하는 주파수의 형태로 변환하여 각각에 대한 변환 신호를 생성할 수 있다.

구체적으로, 스펙트로그램은 시간에 따라 신호의 주파수 요소가 변화하는 양상을 시각적으로 또는 벡터/행렬 형태로 나타낸 것이다. 이는 시간에 따라서 목표물과 환경의 양상이 변화할 때 그 변화 형태를 표현하기에 적합하다.

즉, 스펙트로그램 (spectrogram) 은 신호를 여러 시간으로 나누어 각 시간에서의 주파수 성분을 모두 기록한 것으로, 시간 축과 주파수 축으로 이루어진다. 가장 기본적인 스펙트로그램의 예시로는 Short-time Fourier transform (STFT) 가 있다. STFT는 주어진 샘플링 신호를 여러 시간 간격에 대해서 Fourier transform을 취한 것이다.

샘플링된 신호

에 대해서, window 크기 K, 중첩 샘플 L이라고 하고 window 함수를

으로 놓았을 때 STFT 식은 다음과 같다.

위 수식은 샘플링한 수신 신호를 스펙트로그램으로 변환하는 과정을 수식화 한 것이다.

: 어떤 이산 시간 n, 이산 주파수 k에 대한 스펙트로그램. 각 이산 시간 n (실제 시간은

) 에서의 푸리에 변환 값을 저장한다.

: 이산 시간 n에서의 샘플링된 이후의 수신 신호. 여기서도 실제 시간은

이다.

: window 함수. 시간

주변에서의 일정 영역에서만 양수값을 가지고 그 밖의 영역에서는 0 값을 가진다. 아래의 Hann window 함수 그래프가 그 예시다. 왼쪽의 시간에 따른 amplitude 그래프에 따르면 일정 시간 영역에서만 양수값을 가지고, 이는 주어진 샘플링된 신호 x 중에서 일부분만이 spectrogram

를 형성하는 데에 쓰이도록 한다.

n: 이산 시간 <실제 시간은 n x (샘플링 주기 or

) 이다. 시간에 대한 물리적인 의미를 담아 스펙트로그램 식을 쓸려면

으로 쓰는게 바람직하나 보통 STFT 에대해 수식을 쓸 때 편의상

을 생략 한다 >

: 윈도우 길이. 위의 window 함수의 정의에 따라 window 함수의 값이 0이 아닌 영역의 크기를 의미한다.

L: 시간 축에서 중첩할 샘플

exp: 자연로그의 밑을 밑으로 갖는 지수함수

k: 이산 주파수 <실제 주파수는 k x (샘플링 주파수 or 1/(

) )이다. 주파수에 대한 물리적인 의미를 담아 스펙트로그램 식을 쓸려면

으로 쓰는게 바람직하나 보통 STFT 에 대해 수식을 쓸 때 편의상 1/(

) 을 생략 한다 >

: nL~nL+(K-1) 까지의 숫자가 될 수 있으며, 이러한 이유는 window function이 해당 영역에서만 0이 아닌 값을 가지기 때문이다.

예를 들면, 100 Hz에서 시작하여 200 Hz를 넘어서는 quadratic chirp (시간에 따라서 주파수가 2차함수를 따라서 증가하는 사인파 형태의 신호) 를 설계했을 때, 이를 sampling rate 1 kHz, window 크기 128, 중첩 샘플 길이 (인접한 window마다 겹치는 샘플 개수) 120으로 놓고 STFT를 취하면 도 4와 같은 스펙트로그램이 나타난다.

다만, 이는 일 실시예이며 다른 실시예에 따라 STFT로부터 추출한 주파수 변화가 얼마나 주기적으로 변하는지를 측정하는 Candence-Velocity Diagram(CVD)를 더 이용하여 신호의 형태를 변환하여 활용할 수도 있다.

도 5는 생성기(140) 및 판별기(150)를 이용해 가상의 수신신호에 대응하는 정확도가 높은 검증신호를 생성하는 과정을 설명하기 위해 참조되는 도면이다.

실제 목표물로부터 반사된 레이더 수신신호는 일반적으로 소량이므로 그 정체를 정확하게 판별하기 어렵다. 따라서, 소량의 레이더 수신신호에 대응하는 가공 신호를 다량으로 생성해놓고 다량의 가공 신호가 실제 레이더 수신신호와 같은 실제 참 신호인지 여부를 판별함으로서, 생성된 다량의 가공된 레이더 신호의 정확도를 향상시키도록 하는 것이다. 여기서 다량의 가공된 레이더 신호가 후술할 검증신호이다.

이러한 생성기(140) 및 판별기(150)를 통한 검증신호 생성 및 판별은 생성적 적대 신경망(Generative Adversarial Networks, GAN)에 기반한 딥 러닝 학습 과정을 통해 수행될 수 있다.

생성적 적대 신경망(Generative Adversarial Networks, GAN)은 가상의 데이터 샘플을 생성하는 생성기(140)와 입력된 데이터 샘플이 실제 데이터인지 여부를 판별하는 판별기(150)로 구성되고, 생성기(140)와 판별기(150)간의 적대적 트레이닝(adversarial training)을 통해 구축되는 기계 학습 모델을 의미한다.

실시예에 따르면, 생성기(140)는 가상의 수신신호와 레이더 수신신호를 이용하여 레이더 수신신호에 대응하는 검증신호를 생성할 수 있다.(s240)

생성기(140)는 입력 노드로 가상의 수신신호와 레이더 수신신호를 입력받아 출력 노드로 레이더 수신신호에 대응하는 검증신호를 출력하는 기계 학습을 반복적으로 수행하여 제작되는 생성 모델일 수 있다. 즉, 생성기(140)는 가상의 수신신호로부터 검증신호를 생성하는 과정에서 레이더 수신신호를 함께 참조할 수 있다. 구체적으로, 가상의 수신신호와 레이더 수신신호를 결합하여 검증신호를 생성할 수 있다.

실시예에 따르면, 판별기(150)는 레이더 수신신호와 검증신호를 비교하여 검증신호의 정확도를 판별할 수 있다.(s250)

판별기(150)는 입력 노드로 레이더 수신신호와 검증신호를 입력받아 출력 노드로 검증신호의 정확도 판별 결과를 출력하는 기계 학습을 반복적으로 수행하여 제작되는 학습 모델일 수 있다. 즉, 판별기(150)는 검증신호가 레이더 수신신호와 같은 참(real) 신호인지 아니면 거짓(fake) 신호인지를 판별하는 기계 학습을 반복적으로 수행함으로서 정확도 판별 결과를 출력할 수 있다. 예를 들어, 참(real)일 경우 '0'을 출력하고, 거짓(fake)일 경우 '1'로 출력할 수 있다.

이후, 생성기(140)는 판별기(150)의 검증신호에 대한 정확도 판별 결과를 기초로, 거짓(fake)일 경우가 도출되는 경우, 판별기(150)가 모든 검증신호를 참(real) 신호인 것으로 착각할 수 있도록 하는 방향으로 검증신호의 생성 작업을 반복할 수 있다. 그리고, 이에 따라서, 생성기(140)와 판별기(150)와의 적대적 과정 수행을 반복함으로서, 결과적으로 최종적으로 생성된 검증신호가 참(real) 신호인 확률 분포가 높아지게 되는 것이다.

전술한 과정에서 생성기(140)와 판별기(150)를 구성하는 각 신경망의 각 변수들이 갱신될 수 있다.

실시예에 따른 생성기(140) 및 판별기(150)는, 컨볼루션 신경망(Convolution Neural Network, CNN) 및 순환 신경망(Recurrent Neural Network, RNN) 중 적어도 하나를 이용하여 기계 학습을 수행하도록 구현할 수 있다. 다만, 이는 일 실시예이며 다른 종류의 신경망들을 이용하는 경우에도 본원 발명이 동일/유사하게 적용될 수 있다.

이하에서는, 생성기(140)와 판별기(150)를 훈련시키기 위한 알고리즘을 설명한다.

일단, 가상의 수신신호는 x로 설정하고, 검증신호는 G(x)로 설정하며, 레이더 수신신호는 y로 설정한다.

그리고, 생성기(140, G)의 loss function은 다음과 같다.

(1)

(2)

여기서,

생성기

입력: 가상의 수신 신호

출력: 검증 신호

분류기

입력: 검증 신호

또는 레이더 수신 신호

출력: 판별 결과 (단일 숫자)

가상의 수신신호의 확률 분포

레이더 수신신호의 확률 분포

가상의 수신신호의 확률에 대한 평균값

가상의 수신신호와 레이더 수신신호의 결합확률분포

: 가상의 수신신호와 레이더 수신신호의 결합확률분포에 대한 평균값

제 1 제약 조건: 레이더 수신신호와 검증 신호가 같아야한다

제 2 제약 조건: 가상의 수신신호와 검증 신호가 같아야한다

제 1 제약 조건을 만족시키기 위한 라그랑지승수

제 2 제약 조건을 만족시키기 위한 라그랑지승수

시그모이드 함수

L1 norm

L2 norm

생성기의 목적 함수

판별기가 검증 신호를 '참'이라고 판단하고, 제 1 제약 조건 및 제 2 제약 조건을 만족하는지를 측정

3가지 조건을 모두 만족하기 위해서는 생성기의 목적 함수를 최소화해야함

또, 판별기(150, D)의 loss function은 다음과 같다.

(

판별기에 레이더 수신신호를 입력으로 넣었을 때 판단 결과 (단일 숫자)

판별기의 목적함수

판별기가 검증 신호를 '거짓'이라고 판단하고, 레이더 수신신호를 '참'이라고 판단하는지를 측정

2가지 조건을 모두 만족하기 위해서는 생성기의 목적 함수를 최소화해야함)

이는 이미지 자료의 국소 정보의 복구에 대해서 특화된 생성모델인 LSGAN을 기반으로, style transfer를 위한 regularizer term을 추가한 것이다. L1-term(1)은 sparse한 레이더 수신신호 y와 검증 신호 G(x)의 유사점을 훈련시키기 위해서 도입되었고, L2-term(2)은 가상의 수신신호 x와 검증 신호G(x)가 국소적으로 같은 성질을 갖게 하기 위하여 도입되었다. 참고로, 본 발명에서는 전술한 바와 같이 생성기가 달성해야 할 3가지 목표를 잡았고, 의미와 함수 식에 대해 상세히 서술하였다. 여기서 LSGAN 에 대한 서술은 기존 기술 내용이며, 생성기는 오직 판별기가 검증 신호를 '참'이라고 판단하게끔만 목적 함수가 설계되었다. 그런데 위의 방법으로는 생성기의 목표인 가상의 수신 신호를 검증신호로 스타일 변환 (Style transfer) 을 완전히 달성하지 못한다. 따라서, 본 발명은 생성기가 스타일 변환을 하고 있는지 직접적으로 측정할 수 있는 제약조건을 2가지를 설계했습니다. 또한 라그랑지 승수를 이용하여 기존 LSGAN에서 사용한 목적함수와 제약 조건을 만족하는지를 측정하는 함수를 결합시켰다. 결과적으로 본 발명에서 제안한 생성기의 목적함수를 통해 학습된 생성기는 기존 LSGAN 방식 보다 가상의 수신 신호를 검증 신호로 변환을 더 잘 할 여지가 있다.

실시예에 따라 생성기(140)와 판별기(150)를 포함하는 제어부(100)는 적어도 하나의 하드웨어 칩 형태로 제작되어 레이더 신호 처리 장치(1)에 탑재될 수 있다. 예를 들어, 제어부(100)는 인공지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 레이더 신호 처리 장치(1)에 탑재될 수도 있다.

도 6은 일례로 임의의 드론에 대한 가상의 수신신호, 레이더 수신신호, 및 검증 신호의 형태를 비교한 결과를 도시한다. 도 6에 도시한 바와 같이, 가상의 수신신호 x로부터 생성된 검증신호 G(x)는 레이더 수신신호 y를 참조하여 생성되었기 때문에 레이더 수신신호 y와 형태가 거의 유사한 것을 알 수 있다.

도 7은 서로 다른 3가지의 목표물이 존재하는 상황에서 레이더를 통하여 목표물을 탐지해야 할 때, (더하여 목표물이 존재하지 않는 상황에 대해서도) 올바른 물체를 탐지할 확률을 GAN으로 생성된 데이터가 더해졌을 때 (GANAug) 와 그렇지 않을 때 (STFT) 비교한 것이다.

비교 결과, 도 7의 그래프에서는 데이터 양이 적은 mavic drone에서 데이터를 생성한 뒤에 성능을 비교한 결과 검출 정확도가 높아짐을 볼 수 있었다. 이는 GAN이 mavic drone에 대한 데이터를 성공적으로 생성하여 STFT로 변환했음을 의미한다.

이상 설명된 실시 형태는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터로 판독가능한 기록매체에 기록될 수 있다. 상기 컴퓨터로 판독가능한 기록매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.

상기 컴퓨터로 판독가능한 기록매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.

컴퓨터로 판독가능한 기록매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 실행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

본 명세서의 양상들은 전체적으로 하드웨어, 전체적으로 소프트웨어 (펌웨어, 상주 소프트웨어, 마이크로 코드 등을 포함 함) 또는 컴퓨터 판독 가능 프로그램 코드가 구현 된 하나 이상의 컴퓨터 판독 가능 매체에 구현 된 컴퓨터 프로그램 제품의 형태를 취할 수 있다.

이상에서 실시예들에 설명된 특징, 구조, 효과 등은 본 발명의 하나의 실시예에 포함되며, 반드시 하나의 실시예에만 한정되는 것은 아니다. 나아가, 각 실시예에서 예시된 특징, 구조, 효과 등은 실시예들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시예들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

또한, 이상에서 실시예를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시예에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (13)

1. 합성 목표물로 송신한 가상의 송신신호를 상기 합성 목표물로부터 반사시켜 가상의 수신신호를 획득하는 가상 수신신호 획득부;
   상기 합성 목표물에 대응하는 실제 목표물로 송신된 레이더 송신신호가 상기 실제 목표물로부터 반사된 레이더 수신신호를 획득하는 레이더 수신신호 획득부;
   상기 가상의 수신신호와 상기 레이더 수신신호를 이용하여 상기 레이더 수신신호에 대응하는 검증신호를 생성하는 생성기; 및
   상기 레이더 수신신호와 상기 검증신호를 비교하여 상기 검증신호의 정확도를 판별하는 판별기;를 포함하고,
   상기 가상 수신신호 획득부는,
   상기 합성 목표물을 포함하는 이미지 정보와 상기 이미지 정보에 대응하는 실제 환경 정보를 참조하여 상기 가상의 수신신호 획득을 수행하는,
   레이더 신호 처리 장치.
   
2. 제 1항에 있어서,
   상기 생성기는 상기 판별기로부터 생성된 상기 검증신호의 정확도 판별 결과를 기초로 최종 검증신호를 생성하는,
   레이더 신호 처리 장치.
   
3. 제 1항에 있어서,
   상기 생성기 및 상기 판별기는,
   컨볼루션 신경망(Convolution Neural Network, CNN) 및 순환 신경망(Recurrent Neural Network, RNN) 중 적어도 하나를 이용하여 기계 학습을 수행하는,
   레이더 신호 처리 장치.
   
4. 삭제
5. 제 1항에 있어서,
   상기 가상의 수신신호와 상기 레이더 수신신호를 분석하는 신호분석부;를 더 포함하고,
   상기 분석 결과를 이용하여 상기 생성기에 의한 상기 검증신호 생성 및 상기 판별기에 의한 상기 검증신호의 정확도 판별 과정을 수행하는,
   레이더 신호 처리 장치.
   
6. 제 5항에 있어서,
   상기 신호분석부는,
   상기 가상의 수신신호 및 상기 레이더 수신신호 중 적어도 하나를 시간에 대응하는 주파수의 형태로 변환하여 각각에 대한 변환 신호를 생성하고,
   상기 변환 신호로 상기 분석 과정을 수행하는,
   레이더 신호 처리 장치.
   
7. 가상 수신신호 획득부에 의해, 합성 목표물로 송신한 가상의 송신신호를 상기 합성 목표물로부터 반사시켜 가상의 수신신호를 획득하는 가상 수신신호 획득 단계;
   레이더 수신신호 획득부에 의해, 상기 합성 목표물에 대응하는 실제 목표물로 송신된 레이더 송신신호가 상기 실제 목표물로부터 반사된 레이더 수신신호를 획득하는 레이더 수신신호 획득 단계;
   생성기에 의해, 상기 가상의 수신신호와 상기 레이더 수신신호를 이용하여 상기 레이더 수신신호에 대응하는 검증신호를 생성하는 생성 단계; 및
   판별기에 의해, 상기 레이더 수신신호와 상기 검증신호를 비교하여 상기 검증신호의 정확도를 판별하는 판별 단계;를 포함하고,
   상기 가상 수신신호 획득 단계는,
   상기 합성 목표물을 포함하는 이미지 정보와 상기 이미지 정보에 대응하는 실제 환경 정보를 참조하여 상기 가상의 수신신호 획득을 수행하는,
   레이더 신호 처리 방법.
   
8. 제 7항에 있어서,
   상기 판별기로부터 생성된 상기 검증신호의 정확도 판별 결과를 기초로 최종 검증신호를 생성하는 단계;를 더 포함하는,
   레이더 신호 처리 방법.
   
9. 제 7항에 있어서,
   상기 생성 단계 및 상기 판별 단계는,
   컨볼루션 신경망(Convolution Neural Network, CNN) 및 순환 신경망(Recurrent Neural Network, RNN) 중 적어도 하나를 이용하여 기계 학습을 수행하는,
   레이더 신호 처리 방법.
   
10. 삭제
11. 제 7항에 있어서,
    신호분석부에 의해, 상기 가상의 수신신호와 상기 레이더 수신신호를 분석하는 분석 단계;를 더 포함하고,
    상기 분석 결과를 이용하여 상기 생성기에 의한 상기 검증신호 생성 및 상기 판별기에 의한 상기 검증신호의 정확도 판별 과정을 수행하는,
    레이더 신호 처리 방법.
    
12. 제 11항에 있어서,
    상기 분석 단계는,
    상기 가상의 수신신호 및 상기 레이더 수신신호 중 적어도 하나를 시간에 대응하는 주파수의 형태로 변환하여 각각에 대한 변환 신호를 생성하고, 상기 변환 신호로 상기 분석 과정을 수행하는,
    레이더 신호 처리 방법.
    
13. 제 7항 내지 제 9항, 제 11항 및 제 12항 중 어느 한 항에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록하기 위한 컴퓨터 판독 가능한 기록 매체.
    

Images