KR101234192B1 - A system of selecting the angle between transmitter and receiver for a bistatic radar - Google Patents

A system of selecting the angle between transmitter and receiver for a bistatic radar Download PDF

Info

Publication number
KR101234192B1
KR101234192B1 KR1020110094361A KR20110094361A KR101234192B1 KR 101234192 B1 KR101234192 B1 KR 101234192B1 KR 1020110094361 A KR1020110094361 A KR 1020110094361A KR 20110094361 A KR20110094361 A KR 20110094361A KR 101234192 B1 KR101234192 B1 KR 101234192B1
Authority
KR
South Korea
Prior art keywords
angle
radar
characteristic vector
rcs
candidate
Prior art date
Application number
KR1020110094361A
Other languages
Korean (ko)
Inventor
최인식
이성준
Original Assignee
한남대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한남대학교 산학협력단 filed Critical 한남대학교 산학협력단
Priority to KR1020110094361A priority Critical patent/KR101234192B1/en
Application granted granted Critical
Publication of KR101234192B1 publication Critical patent/KR101234192B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/74—Systems using reradiation of radio waves, e.g. secondary radar systems; Analogous systems
    • G01S13/76—Systems using reradiation of radio waves, e.g. secondary radar systems; Analogous systems wherein pulse-type signals are transmitted
    • G01S13/78—Systems using reradiation of radio waves, e.g. secondary radar systems; Analogous systems wherein pulse-type signals are transmitted discriminating between different kinds of targets, e.g. IFF-radar, i.e. identification of friend or foe
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/003—Bistatic radar systems; Multistatic radar systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

PURPOSE: A transceiving angle extraction device of a biastatic radar is provided to effectively and accurately discriminate a target in a biastatic radar. CONSTITUTION: A transceiving angle extraction device(30) consists of an RCS(Radar Cross Section) generation unit(31), a characteristic vector extraction unit(32), a classification learning unit(33) and an angle extraction unit(34). The RCS generation unit classifies a side angle of radar targets at a constant interval by setting at least two radar targets of different shape. The RCS generation unit calculates a bistatic RCS of each side angle of radar targets by a receiver making a candidate angle. The characteristic vector extraction unit extracts characteristic vectors of a target using a time-frequency domain analysis method and classifies the extracted characteristic vectors into first and second characteristic vector groups. The characteristic vector extraction unit classifies characteristic vectors having a side angle of an odd number into the first characteristic vector group and characteristic vectors having a side angle of an even number into the first characteristic vector group. The classification learning unit learns a classifier classifying a target using the first characteristic vector group by a candidate angle. The angle extraction unit allows the classifier to classify a radar target using the second characteristic vector group by a candidate angle and to choose a candidate angle having the best discrimination performance as a receiver angle. [Reference numerals] (31) RCS generation unit; (32) Characteristic vector extraction unit; (33) Classification learning unit; (34) Angle extraction unit; (41) TF area analyzer; (42) Separator; (AA) Candidate angle; (BB) Radar target; (CC) Transceiving angle

Description

바이스태틱 레이더의 송수신 각도 추출 장치 { A system of selecting the angle between transmitter and receiver for a bistatic radar }A system of selecting the angle between transmitter and receiver for a bistatic radar}

본 발명은 바이스태틱 레이더에서 최적의 수신기 각도를 추출하는 바이스태틱 레이더의 송수신 각도 추출 장치에 관한 것이다.The present invention relates to an apparatus for transmitting / receiving angle of a bistatic radar for extracting an optimal receiver angle from a bistatic radar.

특히, 본 발명은 레이더 표적에 대하여 수신기의 위치를 변경하면서 바이스태틱 RCS를 계산하여 이를 기반으로 시간-주파수 영역 해석법을 이용하여 특성벡터를 추출하고, 추출된 특성벡터로 구분기를 생성하여 표적구분 성능을 평가를 통해 최적의 바이스태틱 레이더의 수신기 각도를 추출하는 바이스태틱 레이더의 송수신 각도 추출 장치에 관한 것이다.
In particular, the present invention calculates the bistatic RCS while changing the position of the receiver with respect to the radar target, extracts the feature vector using the time-frequency domain analysis method, and generates a separator using the extracted feature vector to generate the target segmentation performance. The present invention relates to a transmission and reception angle extraction device of a bistatic radar for extracting the receiver angle of the optimal bistatic radar through the evaluation.

RCS는 주파수, 입사와 산란의 방향, 편파와 같이 다양한 파라미터들로 이루어진 함수이다. 특히, RCS 는 송수신기 위치에 따라 모노스태틱 RCS와 바이스태틱 RCS로 분류된다. 송수신기의 위치가 동일한 위치에 있어서 입사 방향과 산란의 방향이 같은 경우에 얻어지는 것이 모노스태틱 RCS이며, 송수신기가 서로 다른 위치에 위치하여 입사 방향과 산란의 방향이 다른 경우에 얻어지는 것이 바이스태틱 RCS이다.RCS is a function composed of various parameters such as frequency, direction of incidence and scattering, and polarization. In particular, the RCS is classified into a monostatic RCS and a bistatic RCS according to the transceiver position. The monostatic RCS is obtained when the incidence direction and the scattering direction are the same at the same position of the transceiver, and the bistatic RCS is obtained when the transceiver is located at different positions and the incident direction and the scattering direction are different.

바이스태틱 레이더는 새로운 개념이 아니다. 왜냐하면 레이더는 본래 바이스태틱으로 시작되었으며, 듀블렉서(duplexer)의 발달 이후 모노스태틱이 레이더의 전반적인 추세가 되었기 때문이다. 그래서 일반적으로 레이더 라고 하면 모노스태틱 레이더를 일컬었다고 해도 과언이 아닐 정도로 모노스태틱 레이더가 널리 응용되고 있다.Bistatic radar is not a new concept. Because radar originally started as bistatic, and since the development of duplexers, monostatic has become a general trend for radar. So, in general, it is no exaggeration to say that the radar is called monostatic radar.

하지만, 최근 바이스태틱 레이더를 이용한 TV 방송 송신기, SAR 영상 획득 및 표적 구분, 항공 레이더, 침입 감지 센서 등 여러 분야에 걸쳐 바이스태틱 레이더가 활발히 연구되어지고 있다. 게다가 스텔스(stealth)형 표적이 등장함에 따라 스텔스형 표적을 탐지하기 위한 레이더로 바이스태틱 레이더가 관심을 받고 있다. 기존의 표적 인식 기술들은 주로 모노스태틱 레이더를 이용하였기 때문에 스텔스 디자인은 역산란(back-scattering) 신호를 최소화시키는 역할을 하도록 설계되어있다. 그렇기 때문에 스텔스 표적과 같이 역산란 신호가 작은 경우에는 모노스태틱 레이더에 비해 바이스태틱 레이더가 탐지에 더욱 효과적일 수 있다.Recently, however, bistatic radars have been actively studied in various fields such as TV broadcast transmitters using bistatic radars, SAR image acquisition and target classification, aviation radars, and intrusion detection sensors. In addition, with the advent of stealth-type targets, bistatic radars are gaining attention as radars for detecting stealth-type targets. Since existing target recognition techniques mainly use monostatic radar, stealth design is designed to minimize back-scattering signal. Therefore, when the backscatter signal is small, such as a stealth target, the bistatic radar may be more effective for detection than the monostatic radar.

RCS는 표적에 대한 중요한 정보들을 가지고 있으며, RCS를 해석함으로써 그러한 정보를 추출해낼 수 있다. 표적의 중요한 정보에는 산란점과 공진 주파수가 있으며, 표적 인식에 사용될 수 있는 특성들이다. 산란점은 표적의 산란파의 크기가 큰 점을 가리키며, 공진 주파수란 표적의 물리적인 크기에 의해서 결정되는 고유한 주파수를 말한다. 전자파가 표적을 지나가는 동안의 시간인 초기 시간 영역에서는 산란점을 관찰할 수 있으며, 표적을 통과한 후의 후기 시간 영역에서는 공진 주파수를 관찰할 수 있다. 이 두 가지 정보는 시간-주파수 영역 해석법(time-frequency analysis)을 이용하면 동시에 추출해낼 수 있다.The RCS has important information about the target and can extract that information by interpreting the RCS. Important information about the target includes scattering points and resonant frequencies, which are characteristics that can be used for target recognition. The scattering point refers to the point where the scattering wave of the target is large, and the resonant frequency refers to a unique frequency determined by the physical size of the target. The scattering point can be observed in the initial time domain, which is the time the electromagnetic wave passes through the target, and the resonant frequency can be observed in the late time domain after passing the target. Both pieces of information can be extracted at the same time using time-frequency analysis.

한편, 앞서 본 바와 같이, 바이스태틱 레이더는 송신기와 수신기가 분리되어 설치된 상태에서 표적을 탐지하고 추적한다. 특히, 수신기는 반사 신호의 수신만을 목적으로 동작하는 수동 시스템으로서, 그 설치 위치가 자유롭다. 따라서 수신기의 설치 위치에 따라 표적의 측면각도(aspect angle)가 다양할 수 있고, 그로 인해 표적의 인식률이 달라질 수 있다.On the other hand, as previously seen, the bistatic radar detects and tracks a target with a transmitter and a receiver separated from each other. In particular, the receiver is a passive system which operates only for the reception of the reflected signal, and its installation position is free. Therefore, the aspect angle of the target may vary according to the installation position of the receiver, and thus the recognition rate of the target may vary.

따라서 표적들이 미리 정해진 경우라면 그 표적들을 최적으로 인식하고 구분할 수 있는 각도로 수신기를 설치하는 것이 바람직하다. 따라서 바이스태틱 레이더에서 최적의 송수신 각도를 추출하는 기술이 필요하다.
Therefore, if the targets are predetermined, it is desirable to install the receiver at an angle that can optimally recognize and distinguish the targets. Therefore, a technique for extracting an optimal transmit / receive angle from a bistatic radar is needed.

본 발명의 목적은 상술한 바와 같은 문제점을 해결하기 위한 것으로, 바이스태틱 레이더에서 최적의 송수신 각도를 추출하는 바이스태틱 레이더의 송수신 각도 추출 장치를 제공하는 것이다.An object of the present invention is to solve the problems described above, and to provide a transmission and reception angle extraction apparatus of a bi-static radar for extracting an optimal transmission and reception angle in the bi-static radar.

또한, 본 발명의 목적은 레이더 표적에 대하여 바이스태틱 RCS를 계산하고, 이를 기반으로 시간-주파수 영역 해석법을 통해 특성벡터를 추출하고, 추출된 특성벡터로 구분기를 생성하여 표적구분 성능을 평가를 통해 최적의 바이스태틱 레이더의 수신기 각도를 추출하는 바이스태틱 레이더의 송수신 각도 추출 장치를 제공하는 것이다.
In addition, an object of the present invention is to calculate the bistatic RCS for the radar target, based on this feature to extract the feature vector through the time-frequency domain method, and to generate a separator with the extracted feature vector to evaluate the target segmentation performance It is to provide a transmission and reception angle extraction device of a bistatic radar to extract the receiver angle of the optimal bistatic radar.

상기 목적을 달성하기 위해 본 발명은 바이스태틱 레이더의 수신기 각도를 추출하는 바이스태틱 레이더의 송수신 각도 추출 장치에 관한 것으로서, 서로 다른 모양의 적어도 2개의 레이더 표적을 설정하여 상기 레이더 표적들의 측면각도를 일정한 간격으로 구분하고, 상기 수신기의 후보 각도를 일정한 간격으로 구분하여 설정하여, 상기 수신기의 각 후보 각도에 대하여, 상기 후보 각도를 취하는 수신기에 의한 각 측면각도의 레이더 표적들의 바이스태틱 RCS(radar cross section)를 계산하는 RCS 생성부; 각 후보 각도에 의한 레이더 표적들의 바이스태틱 RCS로부터 시간-주파수 영역 해석법을 통해 표적에 대한 특성벡터들을 추출하고, 추출된 특성벡터들을 제1 및 제2 특성벡터군으로 분리하는 특성벡터 추출부; 각 후보 각도에 대하여, 상기 후보 각도에 의한 제1 특성벡터군을 이용하여, 표적을 구분하는 구분기를 학습시키는 구분 학습부; 및, 각 후보 각도에 대하여, 상기 후보 각도에 의한 제2 특성벡터군으로 상기 구분기에 의해 상기 레이더 표적을 구분하게 하여, 가장 좋은 구분 성능을 가지는 후보 각도를 상기 수신기 각도로 선정하는 각도 추출부를 포함하는 것을 특징으로 한다.In order to achieve the above object, the present invention relates to a transmission and reception angle extraction device of the bi-static radar extracting the receiver angle of the bi-static radar, by setting at least two radar targets of different shapes to constant the side angle of the radar targets Bi-static radar cross section of radar targets of each side angle by the receiver taking the candidate angle, for each candidate angle of the receiver by setting the candidate angles of the receiver at regular intervals. RCS generation unit for calculating the; A feature vector extraction unit for extracting feature vectors for the target from the bistatic RCS of the radar targets according to each candidate angle through time-frequency domain analysis, and separating the extracted feature vectors into first and second feature vector groups; A division learning unit that learns a separator for classifying targets for each candidate angle by using the first characteristic vector group according to the candidate angles; And an angle extraction unit configured to classify the radar target by the classifier into the second characteristic vector group based on the candidate angles, and select a candidate angle having the best classification performance as the receiver angle, for each candidate angle. Characterized in that.

또, 본 발명은 바이스태틱 레이더의 송수신 각도 추출 장치에 있어서, 상기 수신기 각도는 상기 바이스태틱 레이더의 송신기에 대하여 상대적인 각도인 것을 특징으로 한다.In addition, the present invention is a transmission and reception angle extraction device of the bi-static radar, the receiver angle is characterized in that the angle relative to the transmitter of the bi-static radar.

또, 본 발명은 바이스태틱 레이더의 송수신 각도 추출 장치에 있어서, 상기 구분기는 MLP(multi-layered perceptron) 신경망으로 구성되는 것을 특징으로 한다.In addition, the present invention is characterized in that the transmission and reception angle extraction apparatus of the bi-static radar, the separator is composed of a multi-layered perceptron (MLP) neural network.

또, 본 발명은 바이스태틱 레이더의 송수신 각도 추출 장치에 있어서, 상기 구분기는 2개의 은닉층을 가지고, 1번째 은닉층은 특성벡터 차원의 1/2개의 뉴런을 가지고, 2번째 은닉층은 상기 1번째 은닉층의 뉴런수의 1/3개를 가지는 것을 특징으로 한다.In the present invention, in the transmission and reception angle extraction device of the bi-static radar, the separator has two hidden layers, the first hidden layer has 1/2 neurons of the characteristic vector dimension, the second hidden layer of the first hidden layer It is characterized by having 1/3 of the number of neurons.

또, 본 발명은 바이스태틱 레이더의 송수신 각도 추출 장치에 있어서, 상기 RCS 생성부는 시뮬레이션 소프트웨어를 이용하여 주파수 영역의 바이스태틱 RCS를 계산하고, 상기 주파수 영역의 RCS 데이터를 역 푸리에 변환하여 시간 영역의 RCS 데이터를 계산하는 것을 특징으로 한다.In addition, the present invention, in the transmission and reception angle extraction device of the bi-static radar, the RCS generation unit calculates the bi-static RCS of the frequency domain by using the simulation software, and inverse Fourier transform the RCS data of the frequency domain to the RCS of the time domain It is characterized by calculating the data.

또, 본 발명은 바이스태틱 레이더의 송수신 각도 추출 장치에 있어서, 상기 시간-주파수 영역 해석법은 STFT(Short Time Fourier Transform), CWT(Continuous Wavelet Transform), 또는 AWT(Adaptive Wavelet Transform)를 이용하는 것을 특징으로 한다.
In addition, the present invention is a transmission and reception angle extraction apparatus of a bi-static radar, the time-frequency domain analysis method is characterized in that using a Short Time Fourier Transform (STFT), Continuous Wavelet Transform (CWT), or Adaptive Wavelet Transform (AWT) do.

상술한 바와 같이, 본 발명에 따른 바이스태틱 레이더의 송수신 각도 추출 장치에 의하면, 바이스태틱 레이더의 송수신 각도 추출 장치에 의하여, 정해진 표적에 대하여 이들을 구분할 수 있는 최적의 수신기 각도를 추출함으로써, 바이스태틱 레이더의 송수신기 위치를 결정할 수 있는 효과가 얻어진다.
As described above, according to the apparatus for transmitting / receiving angle of the bistatic radar according to the present invention, the apparatus for transmitting / receiving angle of the bistatic radar extracts an optimal receiver angle capable of distinguishing them with respect to a predetermined target by using the apparatus for transmitting / receiving angle of the bistatic radar. The effect of determining the transceiver position of is obtained.

도 1은 본 발명의 일실시예에 따른 바이스태틱 레이더의 송수신 각도 추출 장치의 구성에 대한 블록도이다.
도 2는 본 발명에 따른 바이스태틱 레이더의 각도 및 표적 각도의 변화에 따른 시뮬레이션의 일례를 도시한 것이다.
도 3는 본 발명의 일실시예에 따른 레이더 표적의 일례들을 도시한 것이다.
도 4은 본 발명의 일실시예에 따른 특성벡터의 차원을 예시한 도면이다.
도 5는 본 발명과 모노스태틱의 구분 성능을 비교한 그래프이다.1 is a block diagram of a configuration of a transmission and reception angle extraction apparatus of a bistatic radar according to an embodiment of the present invention.
Figure 2 shows an example of the simulation according to the change of the angle and the target angle of the bistatic radar according to the present invention.
3 illustrates examples of radar targets in accordance with one embodiment of the present invention.
4 is a diagram illustrating a dimension of a characteristic vector according to an embodiment of the present invention.
5 is a graph comparing the classification performance of the present invention and monostatic.

이하, 본 발명의 실시를 위한 구체적인 내용을 도면에 따라서 설명한다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, the present invention will be described in detail with reference to the drawings.

또한, 본 발명을 설명하는데 있어서 동일 부분은 동일 부호를 붙이고, 그 반복 설명은 생략한다.
In addition, in describing this invention, the same code | symbol is attached | subjected and the repeated description is abbreviate | omitted.

먼저, 본 발명의 일실시예에 따른 바이스태틱 레이더의 송수신 각도 추출 장치의 구성을 도 1을 참조하여 보다 구체적으로 설명한다.First, the configuration of a transmission / reception angle extraction device of a bistatic radar according to an embodiment of the present invention will be described in more detail with reference to FIG. 1.

도 1에 도시된 바와 같이, 본 발명에 따른 바이스태틱 레이더의 송수신 각도 추출 장치(30)는 RCS 생성부(31), 특성벡터 추출부(32), 구분 학습부(33), 및 각도 추출부(34)로 구성된다. 또한, 시간주파수(TF) 영역 해석기(41) 및 구분기(42)를 더 포함하여 구성된다.As shown in FIG. 1, the apparatus 30 for transmitting / receiving angles of the bistatic radar according to the present invention includes an RCS generator 31, a characteristic vector extractor 32, a division learner 33, and an angle extractor. It consists of 34. It further comprises a time frequency (TF) region analyzer 41 and a separator 42.

RCS 생성부(31)는 시뮬레이션 소프트웨어를 이용하여 다수의 레이더 표적들에 대한 바이스태틱 RCS를 생성하고, 특성벡터 추출부(32)는 생성된 RCS를 대상으로 시간-주파수 영역 해석법을 이용하여 표적에 대한 특성벡터들을 추출한다. 이때, 시간-주파수 영역 해석법을 처리하는 시간주파수 영역 해석기(또는 모듈)(41)를 이용할 수 있다.The RCS generator 31 generates a bistatic RCS for a plurality of radar targets using simulation software, and the feature vector extractor 32 performs a time-frequency domain analysis on the generated RCS. Extract feature vectors for. In this case, a time frequency domain analyzer (or module) 41 that processes the time-frequency domain analysis may be used.

추출된 특성벡터는 2개의 군으로 구분하여, 제1 특성벡터군으로 구분기를 학습시키고, 제2 특성벡터군으로 구분기를 테스트한다. 전자는 구분 학습부(33)에 의해, 후자는 각도추출부(34)에 의해 수행된다. 이때, 각도추출부(34)는 구분기(42)의 구분성능이 가장 높은 수신기의 각도를 최종 각도로서 선정한다.The extracted feature vectors are divided into two groups, the classifier is trained by the first feature vector group, and the classifier is tested by the second feature vector group. The former is performed by the division learning unit 33 and the latter by the angle extraction unit 34. At this time, the angle extraction unit 34 selects the angle of the receiver having the highest dividing performance of the separator 42 as the final angle.

다음으로, RCS 생성부(31)에 대하여 보다 구체적으로 설명한다.Next, the RCS generation unit 31 will be described in more detail.

RCS 생성부(31)는 서로 다른 모양의 적어도 2개의 레이더 표적을 설정하여 상기 레이더 표적들의 측면각도를 일정한 간격으로 구분하고, 상기 수신기의 후보 각도를 일정한 간격으로 구분하여 설정한다. 그리고 RCS 생성부(31)는 상기 수신기의 각 후보 각도에 대하여, 상기 후보 각도를 취하는 수신기에 의한 각 측면각도의 레이더 표적들의 바이스태틱 RCS(radar cross section)를 계산한다.The RCS generator 31 sets at least two radar targets of different shapes to separate the lateral angles of the radar targets at regular intervals, and sets the candidate angles of the receiver at regular intervals. The RCS generator 31 calculates, for each candidate angle of the receiver, a bistatic RCS (radar cross section) of radar targets of each side angle by the receiver taking the candidate angle.

도 2는 본 발명에 따른 바이스태틱 레이더의 각도 및 표적 각도의 변화에 따른 시뮬레이션의 일례를 도시한 것이다.Figure 2 shows an example of the simulation according to the change of the angle and the target angle of the bistatic radar according to the present invention.

도 2에서 보는 바와 같이, 수신기의 후보 각도는 수신기의 송신기에 대한 상대적인 각도로서, 레이더 표적(F0, F1)을 대상으로 송신기와 수신기의 각도를 말한다. 예를 들어, 송신기를 R0에 위치시켰을 때, 송신기(R0)가 레이더 표적(F0, F1)을 대상으로 이루는 각도(또는 후보 각도)가 A가 되는 위치가 곧 수신기(R4)의 위치이다. 후보 각도를 일정하게 구분하여 설정하면, 수신기의 위치도 R1, R2, ..., R4 등으로 위치되게 된다.As shown in FIG. 2, the candidate angle of the receiver is an angle relative to the transmitter of the receiver, and refers to the angles of the transmitter and the receiver with respect to the radar targets F0 and F1. For example, when the transmitter is positioned at R0, the position where the angle (or candidate angle) at which the transmitter R0 targets the radar targets F0 and F1 becomes A is the position of the receiver R4. If the candidate angles are set in a constant manner, the positions of the receivers are also located at R1, R2, ..., R4 and the like.

따라서 후보 각도는 0 ~ 180°가 최대임을 알 수 있다.Therefore, it can be seen that the candidate angle is 0 to 180 ° maximum.

한편, 송신기와 수신기의 위치가 같은 경우, 즉, 수신기가 R0에 위치인 경우, 송신기에서 전송한 신호의 반사신호를 다시 동일한 위치에서 수신하기 때문에, 구조상 모노스태틱 레이더와 같은 구성이 됨을 알 수 있다. 즉, 후보 각도가 0°인 경우 모노스태틱 레이더와 같은 구성이 된다.On the other hand, when the position of the transmitter and the receiver is the same, that is, when the receiver is located at R0, since the reflection signal of the signal transmitted from the transmitter is received again at the same position, it can be seen that the structure is the same as the monostatic radar. . That is, when the candidate angle is 0 °, the configuration is the same as that of the monostatic radar.

또한, 레이더 표적의 측면각도는 레이더 표적을 레이더에 대하여 일정한 각도로 회전시키는 각도를 의미한다. 도 2에서, 레이더 표적이 F0 위치에 있을 때를 기준으로 하면, 측면각도 B인 경우 레이더 표적은 F0에서 시계 반대방향으로 B각도 만큼 회전한 위치로서, F1의 위치에 레이더 표적이 위치하게 된다.In addition, the side angle of the radar target means the angle to rotate the radar target at a constant angle with respect to the radar. In FIG. 2, when the radar target is in the F0 position, the radar target is rotated counterclockwise from the F0 by B angle in the case of the side angle B, such that the radar target is positioned at the position of F1.

이때, 측면각도는 0 ~ 360°사이에서 결정할 수 있음을 알 수 있다. 그러나 레이더 표적이 접근해 오는 것만을 가정한다면 최대 0 ~ 180°에서 결정될 수 있다.At this time, it can be seen that the side angle can be determined between 0 ~ 360 °. However, assuming that the radar target is approaching, it can be determined at a maximum of 0 to 180 °.

한편, RCS 생성부(31)는 레이더 표적을 설정한다.On the other hand, the RCS generation unit 31 sets the radar target.

도 3의 예에서, 바이스태틱 RCS의 표적 구분 성능을 확인하기 위해 4개의 레이더 표적을 설정한다. 이때, 설명의 편의를 위하여 예시된 4개의 레이더 표적은 선형 표적으로 설정하였다.In the example of FIG. 3, four radar targets are set up to confirm the target discrimination performance of the bistatic RCS. In this case, four radar targets illustrated for convenience of description are set as linear targets.

표적 A와 B, 표적 C와 D는 각각 같은 길이의 몸통과 날개를 가지지만 다른 날개의 각도를 가진다. 레이더 표적은 실제 레이더로 추적 대상인 표적들을 설정한다. 추적대상 표적들의 데이터를 입력받거나, 사전에 저장된 표적 데이터를 읽어들여 레이더 표적을 설정한다.Targets A and B and targets C and D each have the same length of trunk and wings but different wing angles. The radar target sets targets to be tracked with real radar. The radar target is set by receiving data of targets to be tracked or reading target data stored in advance.

한편, RCS 생성부(31)는 상기 레이더 표적들의 측면각도(Aspect angle)를 일정한 간격으로 구분한다. 바람직하게는, 각 레이더 표적들의 측면각도(Aspect angle)를 0°에서 150°까지 1°간격으로 구분하여 설정한다.On the other hand, the RCS generator 31 divides the angle (Aspect angle) of the radar targets at regular intervals. Preferably, the angle of each radar target (Aspect angle) is set to be separated by 1 ° intervals from 0 ° to 150 °.

또한, RCS 생성부(31)는 상기 수신기의 후보 각도를 일정한 간격으로 구분하여 설정한다. 일례로서, 송신기의 위치는 0°를 가정하고, 수신기의 후보 각도를 15°에서 165°까지 15°간격으로 구분하여 설정한다. 즉, 상기 수신기 각도는 상기 바이스태틱 레이더의 송신기에 대하여 상대적인 각도이다. 상기 수신기의 후보 각도는 수신기가 취할 수 있는 각도로서, 최적의 각도를 선정하기 위하여 일정한 간격으로 구분한 후보 각도들을 설정하는 것이다.In addition, the RCS generator 31 classifies and sets candidate angles of the receivers at regular intervals. As an example, the position of the transmitter is assumed to be 0 °, and the candidate angles of the receiver are set to be separated by 15 ° intervals from 15 ° to 165 °. That is, the receiver angle is an angle relative to the transmitter of the bistatic radar. The candidate angle of the receiver is an angle that can be taken by the receiver and sets candidate angles divided at regular intervals to select an optimal angle.

RCS 생성부(31)는 상기와 같이 설정된 수신기 후보 각도에 대하여, 상기한 레이더 표적들 각각의 측면각도에 대한 RCS 데이터를 시뮬레이션을 통해 계산하여 생성한다. 먼저, RCS 생성부(31)는 시뮬레이션 소프트웨어를 이용하여 주파수 영역의 바이스태틱 RCS를 계산하고, 상기 주파수 영역의 RCS 데이터를 역 푸리에 변환(inverse Fourier transform)하여 시간 영역의 RCS 데이터를 계산한다.The RCS generator 31 calculates and generates the RCS data of the lateral angles of the radar targets for the receiver candidate angles set as described above through simulation. First, the RCS generator 31 calculates the bistatic RCS of the frequency domain by using simulation software, and calculates the RCS data of the time domain by performing an inverse Fourier transform on the RCS data of the frequency domain.

바람직하게는, RCS는 FEKO 시뮬레이션 툴의 여러 계산 방법 중에서 모멘트법을 이용하여 계산될 수 있다. 주파수는 7.8125 MHz에서부터 1 GHz까지 7.8125 MHz 간격으로 128포인트 샘플링하고, 편파 각은 90°로서 HH의 선형 편파만을 고려한다. 바이스태틱 RCS는 수신기를 하나의 후보 각도로 고정시킨 후 표적을 0°부터 150°까지 반시계 방향으로 회전시키며 계산한다.Preferably, the RCS can be calculated using the moment method among several calculation methods of the FEKO simulation tool. The frequency is 128 point sampled at 7.8125 MHz intervals from 7.8125 MHz to 1 GHz, and the polarization angle is 90 °, taking into account only the linear polarization of HH. The bistatic RCS calculates by locking the receiver to one candidate angle and then rotating the target counterclockwise from 0 ° to 150 °.

상기 시뮬레이션은 설정된 모든 레이더 표적에 대하여 실시한다. 또한, 모든 후보 각도 각각에 대하여 상기와 같은 시뮬레이션을 반복하여, 모든 후보 각도에 대한 모든 표적의 모든 측면각도의 바이스태틱 RCS를 계산하여 생성한다.
The simulation is performed on all set radar targets. In addition, the above simulation is repeated for each candidate angle, thereby calculating and generating bistatic RCSs of all lateral angles of all targets for all candidate angles.

특성벡터 추출부(32)는 각각 후보 각도에 의한 레이더 표적들의 바이스태틱 RCS로부터 시간-주파수 영역 해석법을 통해 표적에 대한 특성벡터들을 추출하고, 추출된 특성벡터들을 제1 및 제2 특성벡터군으로 분리한다.The feature vector extracting unit 32 extracts feature vectors of the target from the bistatic RCS of the radar targets based on the candidate angles by time-frequency domain analysis, and extracts the extracted feature vectors into the first and second feature vector groups. Separate.

바람직하게는, 상기 시간-주파수 영역 해석법은 STFT(Short Time Fourier Transform), CWT(Continuous Wavelet Transform), 또는 AWT(Adaptive Wavelet Transform)를 이용한다. 한편, 특성벡터 추출부(32)는 TF영역 해석기(41)를 이용하여 STFT(Short Time Fourier Transform) 또는 CWT(Continuous Wavelet Transform)의 계산을 수행한다. TF영역 해석기(41)는 STFT나 CWT 등을 계산하는 프로그램 모듈이다.Preferably, the time-frequency domain analysis uses a Short Time Fourier Transform (STFT), Continuous Wavelet Transform (CWT), or Adaptive Wavelet Transform (AWT). On the other hand, the feature vector extracting unit 32 calculates a Short Time Fourier Transform (STFT) or Continuous Wavelet Transform (CWT) using the TF region analyzer 41. The TF area analyzer 41 is a program module for calculating STFT, CWT, and the like.

먼저, STFT 방법을 보다 구체적으로 설명한다.First, the STFT method will be described in more detail.

레이더 신호처럼 non-stationary 신호를 해석하기 위한 기본적인 방법으로써, 시간 영역의 신호를 작은 세그먼트로 나누어 그 세그먼트 동안은 신호가 stationary하다고 가정하고 푸리에 변환을 한다. 일반적으로 세그먼트는 윈도우 함수를 사용하며, 가우시안 윈도우를 사용한다. STFT는 윈도우 길이가 고정되기 때문에 일정한 해상도를 가지며, 시간 영역의 해상도와 주파수 영역의 해상도가 반비례 관계가 성립한다. 그렇기 때문에 해석의 용도에 따라 적절한 윈도우 길이의 선정이 필요하다.As a basic method for interpreting non-stationary signals like radar signals, the time domain signal is divided into small segments and Fourier transform is assumed during the segments, assuming that the signals are stationary. In general, segments use window functions and Gaussian windows. Since the STFT has a fixed window length, the STFT has a constant resolution, and an inverse relationship is established between the resolution in the time domain and the resolution in the frequency domain. Therefore, it is necessary to select the appropriate window length according to the purpose of analysis.

[수학식 1] [Equation 1]

Figure 112011072868119-pat00001

Figure 112011072868119-pat00001

시간 영역에서 STFT의 식은 [수학식 1]과 같다. [수학식 1]에서 f(t)는 시간 영역의 신호이며, w(t)는 윈도우함수이다. [수학식 1]로부터 주파수와 시간 영역의 신호가 M×N인 STFT 행렬이 얻어진다. 하지만, 신경망의 입력으로는 너무 큰 차원이기 때문에 차원을 줄여줄 필요성이 있다. 따라서 도 4(a)의 M×N 차원을 그림 2(b)와 같이 K×J 차원으로 압축시켜 준다. 압축 방법은 도 4(b)와 같이 하나의 셀은 그 안에 포함되는 여러 셀 데이터의 합으로 이루어지도록 하는 것이다. 이렇게 줄여진 K×J 차원의 행렬은 구분기의 입력으로 사용될 특성 벡터가 된다.The equation of STFT in the time domain is shown in [Equation 1]. In Equation 1, f (t) is a time domain signal, and w (t) is a window function. From Equation 1, an STFT matrix whose signals in the frequency and time domains are M × N is obtained. However, it is necessary to reduce the dimension because the dimension is too large for the neural network input. Therefore, the M × N dimension of FIG. 4 (a) is compressed into the K × J dimension as shown in FIG. 2 (b). The compression method is such that one cell is made up of the sum of several cell data included therein as shown in FIG. This reduced matrix of K × J dimensions becomes the feature vector to be used as the input to the separator.

다음으로, CWT 방법을 보다 구체적으로 설명한다.Next, the CWT method will be described in more detail.

CWT는 STFT의 해상도 문제를 해결할 수 있는 방법으로써, 해상도가 시간과 주파수에 따라 유동적으로 변화한다. 주파수 영역에서의 CWT의 식은 [수학식 2]와 같다. [수학식 2]에서 Ψ(w)는 'mother wavelet' 함수이며, STFT의 윈도우 함수와 비슷하지만, 고정되어 있지 않고 팽창, 수축 또는 이동하는 유동적 함수이다.CWT is a way to solve the resolution problem of STFT. The resolution changes flexibly with time and frequency. The equation of CWT in the frequency domain is shown in [Equation 2]. In Equation 2, Ψ (w) is a 'mother wavelet' function, which is similar to the window function of STFT, but is not fixed but is a fluid function that expands, contracts, or moves.

[수학식 2]&Quot; (2) "

Figure 112011072868119-pat00002

Figure 112011072868119-pat00002

주파수 영역에서의 CWT는 초기 시간일수록 시간 영역의 해상도가 좋아지고, 후기 시간으로 갈수록 주파수 영역의 해상도가 좋아진다. 주로 산란점은 초기 시간 영역에 나타나며, 공진 주파수는 후기 시간 영역에 나타나므로 표적에 대한 특성 벡터 추출 시 STFT보다 더욱 효율적인 해상도라고 할 수 있다. The CWT in the frequency domain has a better resolution in the time domain at an initial time, and a resolution in the frequency domain at a later time. Scattering points appear mainly in the initial time domain, and the resonant frequency appears in the late time domain. Therefore, the scattering point is more efficient than STFT when extracting the characteristic vector to the target.

STFT와 마찬가지로 [수학식 2]를 이용하면 M×N 차원의 특성 벡터가 얻어진다. 얻어진 데이터의 차원을 줄이기 위해 초기 시간과 후기 시간의 경계를 나눈다. 도 4(c)와 같이 초기 시간이 끝나는 시간 t0의 이전 시간의 데이터를 Ke×Je 차원으로, 이후 시간의 데이터를 Kl×Jl 차원으로 압축한다. 초기 시간에는 시간 영역의 산란점을 더 효율적으로 관찰하기 위해 Je가 Ke보다 더 크게 하고, 후기 시간에는 주파수 영역의 공진 주파수를 더 효율적으로 관찰하기 위해 Kl이 Jl보다 더 크게 한다. 그렇게 해서 M×N 차원의 특성 벡터를 Ke×Je + Kl×Jl개의 차원으로 줄일 수 있다.Similar to STFT, using Equation 2 yields a feature vector of M × N dimension. To reduce the dimension of the data obtained, divide the boundary between the initial time and the later time. As shown in FIG. 4C, the data of the previous time of the time t 0 at which the initial time ends is compressed into the dimension K e × J e , and the data of the subsequent time is compressed into the dimension K l × J l . In the initial time, J e is larger than K e in order to more efficiently observe the scattering point in the time domain, and in the later time, K l is larger than J l in order to more efficiently observe the resonant frequency in the frequency domain. Thus, the characteristic vector in the dimension M × N is K e × J e + It can be reduced to K l × J l dimensions.

다음으로, 시간-주파수 영역 해석법인 STFT와 CWT를 이용하여 각 표적에 대해 특성 벡터를 추출한다.Next, feature vectors are extracted for each target using time-frequency domain analysis, STFT and CWT.

특성벡터는 표적의 각 측면각도에 대하여 추출하며, 2개의 그룹으로 나누어 제1 및 제2 특성벡터군을 만든다. 측면각도는 0°에서 150°까지 1°간격으로 구분될 때, 제1 특성벡터군은 측면각도가 홀수 각도인 경우의 특성벡터이고, 제2 특성벡터군은 측면각도가 짝수 각도인 경우의 특성벡터로 구분한다.The feature vectors are extracted for each side angle of the target and divided into two groups to form the first and second feature vector groups. When the lateral angle is divided into 1 ° intervals from 0 ° to 150 °, the first characteristic vector group is a characteristic vector when the lateral angle is an odd angle, and the second characteristic vector group is a characteristic when the lateral angle is an even angle Separate by vector.

즉, 제1 특성벡터군은 구분기(42)의 학습 데이터로 사용될 75개의 홀수 각도 데이터(또는 특성벡터)이고, 제2 특성벡터군은 테스트 데이터로 사용될 76개의 짝수 각도 데이터로 구분된다.That is, the first characteristic vector group is divided into 75 odd angle data (or characteristic vectors) to be used as learning data of the separator 42, and the second characteristic vector group is divided into 76 even angle data to be used as test data.

바람직하게는, STFT는 윈도우 길이를 15 nsec, 23 nsec로 하여 각각 128×128 차원의 특성 벡터를 얻고, 이것을 구분기에 효율적으로 사용하기 위해 8×8 차원으로 압축하여 각각 64 차원의 특성 벡터를 얻는다. Preferably, the STFT obtains a feature vector of 128 × 128 dimensions with a window length of 15 nsec and 23 nsec, respectively, and compresses it into 8 × 8 dimensions to obtain a feature vector of 64 dimensions, respectively, for efficient use in the classifier. .

또한, 바람직하게는, CWT는 wavelet basis 함수의 각각 시간 및 주파수 해상도와 wavelet의 중심을 나타내는 α와 t0 를 α=0.5GHz-2, t0=3 nsec와, α=0.3GHz-2, t0=2 nsec로 변경해가며 128×128 차원의 특성 벡터를 얻는다.Also preferably, CWT sets α and t 0 representing the time and frequency resolution of the wavelet basis function and the center of the wavelet, respectively, α = 0.5 GHz −2 , t 0 = 3 nsec, and α = 0.3 GHz −2 , t Change to 0 = 2 nsec to get a 128 × 128 dimension vector.

바람직하게는, CWT도 STFT와 마찬가지로 차원을 압축해줄 필요가 있기 때문에, 우선 표적을 모두 지나가는 시간인 10 nsec를 기준으로 초기 시간과 후기 시간으로 구분한다. 초기 시간의 경우 시간 해상도가 더 좋아야 하므로 4×8 차원으로 압축하며, 후기 시간의 경우 주파수 해상도가 더 좋아야 하므로 8×4 차원으로 압축한다. 이렇게 CWT를 이용하여 32+32=64 차원의 특성 벡터를 얻는다.
Preferably, since CWT needs to compress dimensions like STFT, first, the CWT is divided into an initial time and a late time based on 10 nsec. In the case of the initial time, the time resolution should be better, so it is compressed into 4 × 8 dimension. In the later time, the frequency resolution is better, so it is compressed into 8 × 4 dimension. Using CWT, we obtain a feature vector of 32 + 32 = 64 dimensions.

다음으로, 구분 학습부(33)에 대하여 구체적으로 설명한다.Next, the division learning unit 33 will be described in detail.

구분 학습부(33)는 각 후보 각도에 대하여, 상기 후보 각도에 의한 제1 특성벡터군을 이용하여, 표적을 구분하는 구분기를 학습시킨다.The division learning unit 33 trains each of the candidate angles by using the first feature vector group based on the candidate angles to classify the targets.

구분기는 여러 표적들의 훈련된 특성벡터를 이용하여 미지의 특성벡터로부터 해당 표적의 종류를 결정한다. 이러한 구분기에는 신경망 구분기, Nearest neighbor 구분기, Bayes 구분기 등이 있다.The classifier uses the trained feature vectors of several targets to determine the target type from the unknown feature vectors. These dividers include neural network dividers, nearest neighbor dividers, and Bayes dividers.

Nearest neighbor 구분기는 특성공간(feature space)내 특성벡터 간의 거리를 이용하여 표적을 구분한다. 특성벡터간 거리를 추정하기 위한 방법 중에 보편적으로 사용되는 유클리디언 거리(Euclidean distance)를 이용한다. 미지의 시험(test) 특성벡터(또는 제1 특성벡터군)가 주어지면 이와 훈련(training) 특성벡터(또는 제1 특성벡터군)들 간의 유클리디언 거리를 계산하고 이들 중 가장 가까운 훈련 특성벡터를 찾아 표적을 구분한다. 모든 특성벡터들은 n차원 공간에서 점으로 표시되며 임의의 특성벡터 X=(x1,x2,...,xn)와 Y=(y1,y2,...,yn)간의 유클리디언 거리는 다음과 같은 [수학식 3]에 의해 정의한다. 여기서 n은 특성벡터의 길이이다.Nearest neighbor classifier classifies targets using distances between feature vectors in the feature space. Among the methods for estimating the distance between feature vectors, Euclidean distance is used. Given an unknown test feature vector (or first feature vector group), calculate the Euclidean distance between this and the training feature vector (or first feature vector group) and calculate the nearest training feature vector. Find and classify the target. All feature vectors are represented as points in n-dimensional space and between any feature vectors X = (x 1 , x 2 , ..., x n ) and Y = (y 1 , y 2 , ..., y n ) Euclidean distance is defined by Equation 3 below. Where n is the length of the feature vector.

[수학식 3]&Quot; (3) "

Figure 112011072868119-pat00003

Figure 112011072868119-pat00003

Bayes 구분기는 확률 이론에 근거한 표적 구분기이다. Aj(j=1,2,...,N)가 N개의 표적의 class를 의미할 때, 시험(test) 특성벡터(또는 제1 특성벡터군) Y가 주어졌을 때 이 특성벡터가 Ajclass에 속할 확률은 Bayes theorem에 의해, [수학식 4]에 의해 정해진다.Bayes classifiers are target classifiers based on probability theory. When A j (j = 1,2, ..., N) denotes a class of N targets, this characteristic vector is A when a test characteristic vector (or first group of characteristic vectors) Y is given. The probability of belonging to j class is determined by Equation 4 by Bayes theorem.

[수학식 4]&Quot; (4) "

Figure 112011072868119-pat00004
Figure 112011072868119-pat00004

여기서, 확률 P는 일반적으로 Gaussian 분포를 가정하며 각 class에 대한 Gaussian 분포의 평균값 및 표준편차는 훈련(training)용 특성벡터(또는 제1 특성벡터군)를 이용하여 구할 수 있다.
Here, the probability P is generally assumed to be a Gaussian distribution, and the average value and standard deviation of the Gaussian distribution for each class may be obtained using a training characteristic vector (or a first characteristic vector group).

또는, 구분기로서, MLP(multi-layered perceptron) 신경망으로 구성되어 표적을 구분하는 신경망 구분기도 이용될 수 있다.Alternatively, as a classifier, a neural network classifier configured as a multi-layered perceptron (MLP) neural network to classify a target may also be used.

바람직하게는, 신경망 구분기는 2개의 은닉층을 가지고, 1번째 은닉층은 특성벡터 차원의 1/2개의 뉴런을 가지고, 2번째 은닉층은 상기 1번째 은닉층의 뉴런수의 1/3개를 가진다.Preferably, the neural network divider has two hidden layers, the first hidden layer has one-half neurons in the dimension of the characteristic vector, and the second hidden layer has one third of the number of neurons of the first hidden layer.

즉, 표적을 구분하기 위해서 2개의 은닉층(hidden layer)을 가지고 있는 MLP 신경망을 이용한다. 1번째 은닉층은 입력 특성 벡터 차원의 1/2개의 뉴런을 가지며, 2번째 은닉층은 1번째 은닉층 뉴런수의 1/3개의 뉴런을 갖는다.That is, MLP neural network having two hidden layers is used to distinguish targets. The first hidden layer has 1/2 neurons of the input characteristic vector dimension, and the second hidden layer has 1/3 neurons of the number of first hidden layer neurons.

각 표적에 대한 0°에서 150°의 특성 벡터 데이터 중 홀수 각도의 데이터(또는 제1 특성벡터군 데이터)를 신경망 학습(training) 데이터로 사용하며, 짝수 각도의 데이터(또는 제1 특성벡터군 데이터)를 테스트(test) 데이터로 사용한다.The odd-angle data (or first characteristic vector group data) among the characteristic vector data of 0 ° to 150 ° for each target is used as the neural network training data, and the even-angle data (or first characteristic vector group data) is used. ) As the test data.

또한, 일반적으로 레이더 신호는 잡음이 많이 섞여 있으므로 표적 구분기는 잡음에 강근(robust)해야 한다. 그래서 MLP 신경망의 학습과정에서 학습 데이터에 백색 잡음(white Gaussian noise)을 추가하여 잡음에 매우 강건한 구분기를 얻을 수 있다. 구분기의 성능을 높이기 위해 평균 제곱 오류가 10-5이 될 때까지 학습을 시킨다.
Also, radar signals are usually very noisy, so the target divider must be robust to noise. Therefore, in the learning process of the MLP neural network, a white Gaussian noise is added to the training data to obtain a very robust separator for noise. To improve the performance of the divider, we train until the mean square error is 10 -5 .

다음으로, 각도 추출부(34)를 보다 구체적으로 설명한다.Next, the angle extractor 34 will be described in more detail.

각 후보 각도에 대하여, 상기 후보 각도에 의한 제2 특성벡터군으로 상기 구분기(42)에 의해 상기 레이더 표적을 구분하게 하여, 가장 좋은 구분 성능을 가지는 후보 각도를 상기 수신기 각도로 선정한다.For each candidate angle, the radar target is distinguished by the classifier 42 by the second characteristic vector group based on the candidate angles, and a candidate angle having the best discrimination performance is selected as the receiver angle.

앞서 본 바와 같이, 후보 각도 각각에 대하여, 구분 학습부(33)를 통해 구분기(42)를 학습시킨다. 학습된 구분기(42)에 대하여, 상기 후보 각도에 의한 제2 특성벡터군을 입력하여 상기 레이더 표적들을 제대로 구분하는지를 판단하여 구분 성능을 구한다. 이때, 구분성능이라 함은 구분대상 중에서 제대로 구분한 것의 비율을 말한다. 따라서 가장 구분 성능이 좋은 것은 구분대상 중 제대로 구분한 양의 비율이 제일 높은 것을 말한다.As described above, the separator 42 is trained through the division learning unit 33 for each candidate angle. With respect to the learned classifier 42, it is determined whether the radar targets are properly distinguished by inputting a second group of characteristic vectors based on the candidate angles to obtain a discrimination performance. In this case, the classification performance refers to the ratio of properly classified among the objects to be classified. Therefore, the best classification performance means the highest ratio of properly classified quantity among the classification targets.

각 후보 각도에 대하여 학습시킨 구분기(42)에 대하여 각각의 구분성능을 구한 후, 가장 좋은 구분 성능을 가지는 후보 각도를 찾아낸다. 찾아낸 후보각도가 곧 상기 수신기의 최적 각도가 된다.After the respective discrimination performances are obtained for the separator 42 trained for each candidate angle, the candidate angle having the best discrimination performance is found. The found candidate angle is the optimum angle of the receiver.

앞서의 예와 같이, 15°부터 165°까지 바이스태틱 각도(또는 후보 각도)를 변화시키면서 표적 구분 성능을 테스트한 결과, STFT의 경우 150° 바이스태틱 각도에서 가장 좋은 구분 성능을 가지는 것으로 나타났다. 또한, CWT에서는 바이스태틱 90°에서 가장 좋은 구분성능을 나타났다.As shown in the previous example, testing the target separation performance by changing the bistatic angle (or candidate angle) from 15 ° to 165 ° showed that the STFT had the best separation performance at 150 ° bistatic angle. In addition, CWT showed the best separation performance at bistatic 90 °.

다음으로, 본 발명의 효과를 도 5를 참조하여 보다 구체적으로 설명한다.Next, the effect of the present invention will be described in more detail with reference to FIG. 5.

본 발명의 효과를 알아보기 위하여, 모노스태틱의 표적 구분 성능과를 대비하였다. 앞서의 예에서의 150°각도에서의 바이스태틱과 모노스태틱의 표적 구분 성능을 비교한 결과는 도 5와 같다.In order to examine the effect of the present invention, it was compared with the target classification performance of the monostatic. The result of comparing the target discrimination performance of the bistatic and monostatic at 150 ° angle in the previous example is shown in FIG. 5.

도 5에 도시된 바와 같이, 바이스태틱 레이더가 모노스태틱에 비해 최고 15%이상 구분 성능이 향상됨을 알 수 있다. 도 5의 결과는 구분 확률의 신뢰성을 높이기 위해 100회의 몬테카를로 시뮬레이션을 수행한 결과이다.As shown in FIG. 5, it can be seen that the bistatic radar improves the separation performance by up to 15% or more compared to the monostatic. 5 is a result of 100 Monte Carlo simulations to increase the reliability of the classification probability.

무엇보다 본 발명에 의하면, 미리 컴퓨터로 시뮬레이션을 하여 바이스태틱 레이다를 구축할 때의 송수신기의 위치를 사전에 결정할 수 있다.
Above all, according to the present invention, the position of the transceiver when the bistatic radar is constructed by computer simulation can be determined in advance.

이상, 본 발명자에 의해서 이루어진 발명을 상기 실시 예에 따라 구체적으로 설명하였지만, 본 발명은 상기 실시 예에 한정되는 것은 아니고, 그 요지를 이탈하지 않는 범위에서 여러 가지로 변경 가능한 것은 물론이다.
As mentioned above, although the invention made by this inventor was demonstrated concretely according to the said Example, this invention is not limited to the said Example and can be variously changed in the range which does not deviate from the summary.

30 : 송수신 각도 추출 장치
31 : RCS 생성부 32 : 특성벡터 추출부
33 : 구분 학습부 34 : 각도 추출부
41 : TF영역 해석기 42 : 구분기30: transmission and reception angle extraction device
31: RCS generation unit 32: feature vector extraction unit
33: division learning unit 34: angle extraction unit
41: TF domain analyzer 42: separator

Claims (6)

바이스태틱 레이더의 수신기 각도를 추출하는 바이스태틱 레이더의 송수신 각도 추출 장치에 있어서,
서로 다른 모양의 적어도 2개의 레이더 표적을 설정하여 상기 레이더 표적들의 측면각도를 일정한 간격으로 구분하고, 상기 수신기의 후보 각도를 일정한 간격으로 구분하여 설정하여, 상기 수신기의 각 후보 각도에 대하여, 상기 후보 각도를 취하는 수신기에 의한 각 측면각도의 레이더 표적들의 바이스태틱 RCS(radar cross section)를 계산하는 RCS 생성부;
각 후보 각도에 의한 레이더 표적들의 바이스태틱 RCS로부터 시간-주파수 영역 해석법을 통해 표적에 대한 특성벡터들을 추출하고, 추출된 특성벡터들을 제1 및 제2 특성벡터군으로 분리하되, 측면각도가 홀수 각도인 경우의 특성벡터를 상기 제1 특성벡터군으로, 측면각도가 짝수 각도인 경우의 특성벡터를 상기 제2 특성벡터군으로 분리하는 특성벡터 추출부;
각 후보 각도에 대하여, 상기 후보 각도에 의한 제1 특성벡터군을 이용하여, 표적을 구분하는 구분기를 학습시키는 구분 학습부; 및,
각 후보 각도에 대하여, 상기 후보 각도에 의한 제2 특성벡터군으로 상기 구분기에 의해 상기 레이더 표적을 구분하게 하여, 가장 좋은 구분 성능을 가지는 후보 각도를 상기 수신기 각도로 선정하는 각도 추출부를 포함하는 것을 특징으로 하는 바이스태틱 레이더의 송수신 각도 추출 장치.
In the apparatus for transmitting and receiving angle of the bistatic radar extracting the receiver angle of the bistatic radar,
By setting at least two radar targets of different shapes to separate the side angles of the radar targets at regular intervals, and setting the candidate angles of the receiver at regular intervals, for each candidate angle of the receiver, the candidate An RCS generator for calculating a bistatic radar cross section (RCS) of radar targets of each side angle by a receiver taking an angle;
The feature vectors for the target are extracted from the bistatic RCS of the radar targets by each candidate angle through time-frequency domain analysis, and the extracted feature vectors are separated into first and second feature vector groups, and the lateral angle is an odd angle. A characteristic vector extraction unit for separating the characteristic vector in the case of the first characteristic vector group and the characteristic vector in the case where the lateral angle is an even angle;
A division learning unit that learns a separator for classifying targets for each candidate angle by using the first characteristic vector group according to the candidate angles; And
For each candidate angle, the radar target is distinguished by the classifier by the second characteristic vector group according to the candidate angle, and comprises an angle extraction unit for selecting the candidate angle having the best classification performance as the receiver angle. Transmitting and receiving angle extraction device of bistatic radar.
제1항에 있어서,
상기 수신기 각도는 상기 바이스태틱 레이더의 송신기에 대하여 상대적인 각도인 것을 특징으로 하는 바이스태틱 레이더의 송수신 각도 추출 장치.
The method of claim 1,
And the receiver angle is a relative angle with respect to the transmitter of the bistatic radar.
제1항에 있어서,
상기 구분기는 MLP(multi-layered perceptron) 신경망으로 구성되는 것을 특징으로 하는 바이스태틱 레이더의 송수신 각도 추출 장치.
The method of claim 1,
The separator is a transmission and reception angle extraction device of a bistatic radar, characterized in that consisting of a multi-layered perceptron (MLP) neural network.
제3항에 있어서,
상기 구분기는 2개의 은닉층을 가지고, 1번째 은닉층은 특성벡터 차원의 1/2개의 뉴런을 가지고, 2번째 은닉층은 상기 1번째 은닉층의 뉴런수의 1/3개를 가지는 것을 특징으로 하는 바이스태틱 레이더의 송수신 각도 추출 장치.
The method of claim 3,
The divider has two hidden layers, the first hidden layer has 1/2 neurons of the dimension of the characteristic vector, and the second hidden layer has one-third of the number of neurons of the first hidden layer. Sending and receiving angle extraction device.
제1항에 있어서,
상기 RCS 생성부는 시뮬레이션 소프트웨어를 이용하여 주파수 영역의 바이스태틱 RCS를 계산하고, 상기 주파수 영역의 RCS 데이터를 역 푸리에 변환하여 시간 영역의 RCS 데이터를 계산하는 것을 특징으로 하는 바이스태틱 레이더의 송수신 각도 추출 장치.
The method of claim 1,
The RCS generating unit calculates the bistatic RCS of the frequency domain by using simulation software, and calculates the RCS data of the time domain by inverse Fourier transforming the RCS data of the frequency domain. .
제1항에 있어서,
상기 시간-주파수 영역 해석법은 STFT(Short Time Fourier Transform), CWT(Continuous Wavelet Transform), 또는 AWT(Adaptive Wavelet Transform)를 이용하는 것을 특징으로 하는 바이스태틱 레이더의 송수신 각도 추출 장치.
The method of claim 1,
The time-frequency domain analysis method of the transmission and reception angle extraction apparatus of a bistatic radar, characterized in that using a Short Time Fourier Transform (STFT), Continuous Wavelet Transform (CWT), or Adaptive Wavelet Transform (AWT).
KR1020110094361A 2011-09-20 2011-09-20 A system of selecting the angle between transmitter and receiver for a bistatic radar KR101234192B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110094361A KR101234192B1 (en) 2011-09-20 2011-09-20 A system of selecting the angle between transmitter and receiver for a bistatic radar

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110094361A KR101234192B1 (en) 2011-09-20 2011-09-20 A system of selecting the angle between transmitter and receiver for a bistatic radar

Publications (1)

Publication Number Publication Date
KR101234192B1 true KR101234192B1 (en) 2013-02-18

Family

ID=47899686

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110094361A KR101234192B1 (en) 2011-09-20 2011-09-20 A system of selecting the angle between transmitter and receiver for a bistatic radar

Country Status (1)

Country Link
KR (1) KR101234192B1 (en)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101460591B1 (en) * 2013-05-03 2014-11-12 한남대학교 산학협력단 Method and device for recognizing radar target using combining of feature vectors
KR20190019754A (en) * 2017-08-18 2019-02-27 국방과학연구소 Multistatic radar system and method for estimating degree of signal for a target in the multistatic radar system
CN113204014A (en) * 2021-03-31 2021-08-03 扬州瑞亿达电子科技有限公司 Three-dimensional radar simulation method and system based on multi-unmanned aerial vehicle distributed radar
KR102297427B1 (en) * 2020-09-21 2021-09-02 국방과학연구소 Method and apparatus for detecting radar probability evaluation
CN113640768A (en) * 2021-08-13 2021-11-12 北京理工大学 Low-resolution radar target identification method based on wavelet transformation
WO2022236248A1 (en) * 2021-05-03 2022-11-10 Google Llc Cooperative bistatic radar sensing using deep neural networks

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000304854A (en) 1999-04-26 2000-11-02 Mitsubishi Electric Corp Target tracking method device
JP2005521040A (en) 2002-03-15 2005-07-14 ロッキード・マーティン・コーポレイション Target signature calculation and recognition system and method
JP2006329829A (en) 2005-05-26 2006-12-07 Mitsubishi Electric Corp Radar device
JP2008241321A (en) 2007-03-26 2008-10-09 Mitsubishi Electric Corp Rcs control apparatus

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000304854A (en) 1999-04-26 2000-11-02 Mitsubishi Electric Corp Target tracking method device
JP2005521040A (en) 2002-03-15 2005-07-14 ロッキード・マーティン・コーポレイション Target signature calculation and recognition system and method
JP2006329829A (en) 2005-05-26 2006-12-07 Mitsubishi Electric Corp Radar device
JP2008241321A (en) 2007-03-26 2008-10-09 Mitsubishi Electric Corp Rcs control apparatus

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101460591B1 (en) * 2013-05-03 2014-11-12 한남대학교 산학협력단 Method and device for recognizing radar target using combining of feature vectors
KR20190019754A (en) * 2017-08-18 2019-02-27 국방과학연구소 Multistatic radar system and method for estimating degree of signal for a target in the multistatic radar system
KR102009971B1 (en) * 2017-08-18 2019-08-12 국방과학연구소 Multistatic radar system and method for estimating degree of signal for a target in the multistatic radar system
KR102297427B1 (en) * 2020-09-21 2021-09-02 국방과학연구소 Method and apparatus for detecting radar probability evaluation
CN113204014A (en) * 2021-03-31 2021-08-03 扬州瑞亿达电子科技有限公司 Three-dimensional radar simulation method and system based on multi-unmanned aerial vehicle distributed radar
WO2022236248A1 (en) * 2021-05-03 2022-11-10 Google Llc Cooperative bistatic radar sensing using deep neural networks
CN113640768A (en) * 2021-08-13 2021-11-12 北京理工大学 Low-resolution radar target identification method based on wavelet transformation
CN113640768B (en) * 2021-08-13 2023-09-19 北京理工大学 Low-resolution radar target identification method based on wavelet transformation

Similar Documents

Publication Publication Date Title
CN106778610B (en) Intra-pulse modulation identification method based on time-frequency image characteristics
Molchanov et al. Classification of aircraft using micro-Doppler bicoherence-based features
KR101234192B1 (en) A system of selecting the angle between transmitter and receiver for a bistatic radar
Du et al. Robust classification scheme for airplane targets with low resolution radar based on EMD-CLEAN feature extraction method
Ozturk et al. RF-based low-SNR classification of UAVs using convolutional neural networks
Molchanov Radar target classification by micro-Doppler contributions
CN112241003A (en) Method and system for object detection
Camilo et al. A large comparison of feature-based approaches for buried target classification in forward-looking ground-penetrating radar
Zhai et al. A novel sense-through-foliage target recognition system based on sparse representation and improved particle swarm optimization-based support vector machine
Sim et al. Road environment recognition for automotive FMCW radar systems through convolutional neural network
Baoshuai et al. FOD detection based on millimeter wave radar using higher order statistics
Ezuma et al. Comparative analysis of radar cross section based UAV classification techniques
US20210326581A1 (en) DNN-Based Human Face Classification
Gao et al. Hybrid SVM-CNN classification technique for moving targets in automotive FMCW radar system
Huang et al. Yolo-ore: A deep learning-aided object recognition approach for radar systems
CN110658506B (en) Micro Doppler clutter filtering method based on angle clustering and Doppler analysis
CN108549076B (en) Method for identifying scenes of various unmanned aerial vehicles based on velocity and rhythm diagram
Le Bastard et al. Support vector regression method applied to thin pavement thickness estimation by GPR
KR101851636B1 (en) Method and device for radar target classification using fusion of complex natural resonance frequency-based feature and waveform structure-based feature
CN109375205B (en) Method and device for recognizing scenes of multiple types of unmanned aerial vehicles based on dictionary learning
US11846702B2 (en) Image processing device and image processing method
CN113625266A (en) Method, device, storage medium and equipment for detecting low-speed target by using radar
Wu et al. Feature selection and decision fusion methods in target recognition
Zhang et al. Dictionary Learning for Radar Classification of Multiple Micro-Drones
Kwon et al. Radar application of deep neural networks for recognizing micro-Doppler radar signals by human walking and background noise

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20160205

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20170126

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20180112

Year of fee payment: 6

LAPS Lapse due to unpaid annual fee