KR102437460B1 - Electronic apparatus and method for providing sonobuoy deployment information - Google Patents
Electronic apparatus and method for providing sonobuoy deployment information Download PDFInfo
- Publication number
- KR102437460B1 KR102437460B1 KR1020220031546A KR20220031546A KR102437460B1 KR 102437460 B1 KR102437460 B1 KR 102437460B1 KR 1020220031546 A KR1020220031546 A KR 1020220031546A KR 20220031546 A KR20220031546 A KR 20220031546A KR 102437460 B1 KR102437460 B1 KR 102437460B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- sonobuoy
- neural network
- sea area
- input
- Prior art date
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
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/14—Systems for determining distance or velocity not using reflection or reradiation using ultrasonic, sonic, or infrasonic waves
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B22/00—Buoys
- B63B2022/006—Buoys specially adapted for measuring or watch purposes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
Description
본 개시는 소노부이 배치 정보를 제공하는 전자 장치 및 방법에 관한 것이다.The present disclosure relates to an electronic device and method for providing sonobuoy placement information.
소노부이(sonobuoy)를 사용한 잠수함 탐지는 현재 급증하는 적군 잠수함의 잠재적 SLBM 위협으로부터 아군과 국익을 보호할 수 있는 실질적으로 유효한 방법이 될 수 있으며, 지정된 임무지역 내에서 구체적으로 어디에 얼마나 한정된 자산(소노부이 투하 허용 개수)을 어떻게 배분하여 투하하는 지에 대한 방침을 정하는 것이 중요하다. 현재 소노부이 투하 정보 선정은 수집된 데이터를 기반으로 사람의 직관과 투하교리를 반영하여 결정된다. 사람의 최종결심으로 인한 선정은 human error 및 감정차이, 숙련도 차이 등 많은 차이를 동반할 수 있으며, 그 중에서 숙련자와 비숙련자간의 능력치는 많은 차이가 있을 수 있다.Submarine detection using sonobuoy can be a practically effective way to protect our allies and national interests from the potential SLBM threat from the currently proliferating enemy submarines, specifically where and how limited assets (sonobuoy drop) within a designated mission area. It is important to establish a policy on how to distribute and drop the allowable number). Currently, the selection of sonobuoy drop information is determined by reflecting people's intuition and drop doctrine based on the collected data. Selection due to a person's final decision may be accompanied by many differences, such as human error, emotional differences, and skill differences, among which there may be many differences in ability between skilled and unskilled persons.
앞서 설명한 것과 같이 임무 구역으로 정해진 바다에 사람의 경험 및 교리를 바탕으로 예감을 기반으로 하는 투하방법은 숙련자 및 비숙련자를 막론하고 어려운 결심이다. 이는 바다의 수온, 수심, 해저지형, 지음향, 해/조류와 같은 1차적인 데이터를 기반으로 한 데이터 및 숙련자의 투하경험에 의존하는 투하이기 때문인데, 실제적으로 소노부이 투하를 통해서 잠수함을 식별할 수 있는 확률도 현저하게 낮다. 그리하여 잠수함을 식별하기 위해서는 잠수함의 이동경로 예상이 중요한데, 해양 환경은 지형 및 수온 등에 따른 소나신호 음향전달 원활함 유무에 따라 탐지가 어려운 곳과 탐지가 쉬운 곳으로 나뉜다. 잠수함은 가능한 한 그리고 대체적으로 생존가능성 확보 및 stealth 유지를 위하여 음향전달이 원활하지 않은 지형으로 이동 할 수 있다.As described above, the method of dropping based on a premonition based on human experience and doctrine on the sea designated as the mission area is a difficult decision for both skilled and unskilled people. This is because the release relies on data based on primary data such as sea water temperature, depth, seafloor topography, geoacoustics, and sea/tidal currents and the experience of the skilled person. The probability of that happening is also remarkably low. Therefore, in order to identify a submarine, it is important to estimate the movement path of the submarine. The marine environment is divided into a difficult-to-detect place and an easy-to-detect place depending on whether the sonar signal is transmitted smoothly according to the topography and water temperature. Submarines can, as far as possible, and generally move to terrain with poor sound transmission to ensure survivability and maintain stealth.
개시된 실시 예들은 소노부이 배치 정보를 제공하는 전자 장치 및 방법을 개시하고자 한다. 본 실시 예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 이하의 실시 예들로부터 또 다른 기술적 과제들이 유추될 수 있다.The disclosed embodiments are intended to disclose an electronic device and method for providing sonobuoy arrangement information. The technical problems to be achieved by the present embodiment are not limited to the technical problems described above, and other technical problems may be inferred from the following embodiments.
제1 실시 예에 따라, 전자 장치가 소노부이 배치 정보를 제공하는 방법은, 소정의 해역의 음향 환경에 관한 이미지 정보를 획득하는 단계; 이미지 정보가 입력된 뉴럴 네트워크의 출력을 기초로 상기 해역 내에서 적어도 하나의 소노부이를 배치하기 위한 배치 정보를 확인하는 단계; 및 배치 정보를 제공하는 단계를 포함할 수 있다.According to a first embodiment, a method for providing sonobuoy arrangement information by an electronic device includes: acquiring image information about an acoustic environment of a predetermined sea area; checking arrangement information for disposing at least one sonobuoy in the sea area based on an output of a neural network to which image information is input; and providing placement information.
제2 실시예에 따라, 소노부이 배치 정보를 제공하는 전자 장치는, 적어도 하나의 프로그램이 저장된 메모리; 및 적어도 하나의 프로그램을 실행함으로써, 소정의 해역의 음향 환경에 관한 이미지 정보를 획득하고, 이미지 정보가 입력된 뉴럴 네트워크의 출력을 기초로 해역 내에서 적어도 하나의 소노부이를 배치하기 위한 배치 정보를 확인하고, 배치 정보를 제공하는 프로세서를 포함할 수 있다. According to a second embodiment, an electronic device for providing sonobuoy arrangement information includes: a memory in which at least one program is stored; and by executing at least one program, obtain image information about the acoustic environment of a predetermined sea area, and confirm arrangement information for arranging at least one sonobuoy in the sea area based on the output of the neural network to which the image information is input and a processor that provides configuration information.
제3 실시예에 따라, 컴퓨터로 읽을 수 있는 기록매체는 상술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 비일시적 기록매체를 포함한다.According to the third embodiment, the computer-readable recording medium includes a non-transitory recording medium in which a program for executing the above-described method is recorded in a computer.
기타 실시 예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.Specific details of other embodiments are included in the detailed description and drawings.
본 개시에 따르면, 전자 장치는 훈련된 뉴럴 네트워크를 이용하여 소정의 해역의 이미지 정보로부터 소정의 해역을 지나는 잠수함을 탐색하기 위한 소노부이의 배치 정보를 제공할 수 있다. 또한, 전자 장치는, 복수의 해역들 각각의 이미지 정보와 복수의 해역들 각각의 이미지 정보에 대해 숙련자가 설정한 소노부이의 배치 정보를 통해 훈련된 뉴럴 네트워크를 이용하므로, 보다 객관적이고 신뢰도 높은 소노부이의 배치 정보를 제공할 수 있다. According to the present disclosure, the electronic device may provide arrangement information of a sonobuoy for searching for a submarine passing through a predetermined sea area from image information of a predetermined sea area using a trained neural network. In addition, since the electronic device uses a neural network trained through the image information of each of the plurality of sea areas and the arrangement information of the sonobuoy set by the expert with respect to the image information of each of the plurality of seas, it is more objective and reliable. Placement information can be provided.
발명의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당해 기술 분야의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.Effects of the invention are not limited to the effects mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description of the claims.
도 1은 본 개시에 따른 전자 장치를 나타낸다.
도 2는 프로세서는 뉴럴 네트워크를 훈련시키는 실시예를 나타낸다.
도 3a 및 도 3b는 프로세서가 뉴럴 네트워크를 훈련 시키기 위한 정보를 획득하는 실시예를 나타낸다.
도 4는 뉴럴 네트워크의 일 예시인 컨볼루션 뉴럴 네트워크를 나타낸다.
도 5는 전자 장치가 동작하는 일 실시예를 나타낸다.
도 6은 전자 장치가 동작하는 다른 실시예를 나타낸다.
도 7은 또 다른 실시예에 따른 전자 장치의 동작 방법을 나타낸다.1 shows an electronic device according to the present disclosure.
2 shows an embodiment in which the processor trains a neural network.
3A and 3B show an embodiment in which a processor acquires information for training a neural network.
4 illustrates a convolutional neural network that is an example of a neural network.
5 illustrates an embodiment in which an electronic device operates.
6 illustrates another embodiment in which an electronic device operates.
7 illustrates a method of operating an electronic device according to another exemplary embodiment.
실시 예들에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.Terms used in the embodiments are selected as currently widely used general terms as possible while considering functions in the present disclosure, but may vary depending on intentions or precedents of those of ordinary skill in the art, emergence of new technologies, and the like. In addition, in certain cases, there are also terms arbitrarily selected by the applicant, and in this case, the meaning will be described in detail in the corresponding description. Therefore, the terms used in the present disclosure should be defined based on the meaning of the term and the contents of the present disclosure, rather than the simple name of the term.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "..부", "..모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.In the entire specification, when a part "includes" a certain component, it means that other components may be further included, rather than excluding other components, unless otherwise stated. In addition, terms such as ".. part" and ".. module" described in the specification mean a unit that processes at least one function or operation, which may be implemented as hardware or software, or a combination of hardware and software. have.
명세서 전체에서 기재된 "a, b, 및 c 중 적어도 하나"의 표현은, 'a 단독', 'b 단독', 'c 단독', 'a 및 b', 'a 및 c', 'b 및 c', 또는 'a,b,c 모두'를 포괄할 수 있다.The expression "at least one of a, b, and c" described throughout the specification means 'a alone', 'b alone', 'c alone', 'a and b', 'a and c', 'b and c ', or 'all of a, b, and c'.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.Hereinafter, with reference to the accompanying drawings, embodiments of the present disclosure will be described in detail so that those of ordinary skill in the art to which the present disclosure pertains can easily implement them. However, the present disclosure may be implemented in several different forms and is not limited to the embodiments described herein.
본 개시는, 사람의 결심을 보조할 AI 기반의 모델을 사전에 제작하여, 학습된 유사한 환경 및 사건이 도래하였을 때 투하패턴 결심 체계를 보조할 수 있다. 투하패턴 결심 체계를 보조하기 위하여 다양한 방법의 룰-기반이 적용된 일정한 형태의 도형과 같은 모형이 있을 수 있고 삼각형, 십자형, 마름모와 같은 패턴의 투하를 예상해볼 수 있다. 본 개시는, 투하결정권자의 결심을 보조하기 위하여, 숙련자의 다년간의 경험을 토대로 소노부이 위치선정 자료를 딥 러닝 CNN 기법으로 학습하여 모델을 도출하고, 미학습된 히트맵 정보가 입력으로 제공되었을 때에 기 학습된 모델을 기반으로 소노부이의 투하 위치를 선정하고자 한다.The present disclosure can assist the drop pattern determination system when a similar learned environment and event arrive by pre-fabricating an AI-based model to assist a person's decision. In order to assist the drop pattern determination system, there may be a model of a certain shape to which a rule-based of various methods is applied, and a drop pattern such as a triangle, a cross, and a rhombus can be predicted. The present disclosure, in order to assist in the decision of the decision maker, derives a model by learning the sonobuoy positioning data with a deep learning CNN technique based on the experience of many years of experience of the skilled person, and when the unlearned heat map information is provided as an input Based on the learned model, we want to select the dropping position of the sonobuoy.
이하에서는 도면을 참조하여 본 개시의 실시 예들을 상세히 설명한다.Hereinafter, embodiments of the present disclosure will be described in detail with reference to the drawings.
도 1은 본 개시에 따른 전자 장치를 나타낸다.1 shows an electronic device according to the present disclosure.
전자 장치(100)는 프로세서(110) 및 메모리(120)를 포함한다. 도 1에 도시된 전자 장치(100)에는 본 실시예들과 관련된 구성요소들만이 도시되어 있다. 따라서, 전자 장치(100)에는 도 1에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음은 당해 기술분야의 통상의 기술자에게 자명하다.The
전자 장치(100)는 소정의 해역 내에서 적어도 하나의 소노부이를 배치하기 위한 정보를 제공할 수 있다. 예를 들어, 전자 장치(100)는 소정의 해역을 지나는 잠수함을 탐색하기 위해 적어도 하나의 소노부이를 배치하기 위한 정보를 제공할 수 있다. The
프로세서(110)는 전자 장치(100)의 전반적인 기능들을 제어하는 역할을 한다. 예를 들어, 프로세서(110)는 전자 장치(100) 내의 메모리(120)에 저장된 프로그램들을 실행함으로써, 전자 장치(100)를 전반적으로 제어한다. 프로세서(110)는 전자 장치(100) 내에 구비된 CPU(central processing unit), GPU(graphics processing unit), AP(application processor) 등으로 구현될 수 있으나, 이에 제한되지 않는다.The
메모리(120)는 전자 장치(100) 내에서 처리되는 각종 데이터들을 저장하는 하드웨어로서, 메모리(120)는 전자 장치(100)에서 처리된 데이터들 및 처리될 데이터들을 저장할 수 있다. 또한, 메모리(120)는 전자 장치(100)에 의해 구동될 애플리케이션들, 드라이버들 등을 저장할 수 있다. 메모리(120)는 DRAM(dynamic random access memory), SRAM(static random access memory) 등과 같은 RAM(random access memory), ROM(read-only memory), EEPROM(electrically erasable programmable read-only memory), CD-ROM, 블루레이 또는 다른 광학 디스크 스토리지, HDD(hard disk drive), SSD(solid state drive), 또는 플래시 메모리를 포함할 수 있다.The
프로세서(110)는 소정의 해역의 음향 환경에 관한 이미지 정보를 획득할 수 있다. 구체적으로, 프로세서(110)는 소정의 해역에서 소나 신호와 같은 음향의 전달이 원활한 정도 또는 원활하지 않은 정도를 시각적으로 나타내는 이미지 정보를 획득할 수 있다. 예를 들어, 이미지 정보는 소정의 해역에서 음향 전달의 원활한 정도 또는 원활하지 않은 정도를 열-그래픽 형상으로 시각화한 히트맵 정보를 포함할 수 있다. 또한, 이미지 정보는 소정의 해역의 심도 별로 생성된 복수의 이미지(예를 들어, 복수의 히트맵 이미지)를 포함할 수 있다.The
일 실시예에 따라, 전자 장치(100)는 소정의 해역에 투하된 복수의 소노부이로부터 취득한 1차 정보와 소정의 해역의 해양 환경 정보를 기초로, 소정의 해역의 음향 환경에 관한 이미지 정보를 생성할 수 있다. 1차 정보는 소노부이로부터 취득된 음파에 관한 정보 등 가공되지 않은 각종 정보를 의미할 수 있다. 전자 장치(100)는 이미지 정보인 이미지를 생성하는 과정에서 병렬적인 연산을 통해 이미지의 픽셀값을 결정할 수 있다. 구체적으로, 전자 장치(100)는 이미지의 픽셀들의 픽셀값을 픽셀마다 순차적으로 연산하는 것이 아니라, 벡터 연산 또는 행렬 연산을 통해 이미지의 픽셀들의 픽셀값을 병렬적으로 연산할 수 있고, 그 결과 이미지의 생성 과정에서의 연산 속도를 증가시킬 수 있다. 전자 장치(100)는 이미지를 생성하는 과정에서 보간(interpolation)을 수행하여 이미지의 픽셀값을 결정할 수 있다. 이미지의 생성 과정 중 이미지 후처리 과정에서 이미지의 엣지(edge) 부분에 빈 픽셀들이 존재할 수 있고, 전자 장치(100)는 이러한 빈 픽셀들의 픽셀값을 결정하기 위해 최근접(nearest neighbor) 방법을 이용하여 이미지의 생성 속도를 향상시킬 수 있다. 예를 들어, 전자 장치(100)는 최근접 방법을 이용하여, 히트맵의 제1픽셀의 픽셀 값을 제1픽셀의 인근 픽셀의 픽셀 값으로 설정할 수 있다. 또한, 전자 장치(100)는 이미지의 제1픽셀의 인근 픽셀들의 픽셀 값들을 기초로 선형 보간법을 통해 제1픽셀의 픽셀 값을 결정할 수 있다. 일 예에 따라, 전자 장치(100)는 인근 픽셀들 각각의 픽셀 값에 가중치를 곱한 값들의 합을 계산하여 제1픽셀의 픽셀 값을 결정할 수 있고, 여기서 인근 픽셀들 각각의 가중치는 제1픽셀과의 거리에 반비례하게 설정될 수 있다. 다른 예에 따라, 전자 장치(100)는 인근 픽셀들의 픽셀값들의 평균값을 계산하여 제1픽셀의 픽셀 값을 결정할 수 있다. 전자 장치(100)는 보간을 수행할 때 병렬적인 연산을 통해 이미지의 픽셀값을 결정할 수 있다.According to an embodiment, the
일 실시예에 따라, 프로세서(110)는 소정의 해역에 관한 이미지 정보를 전자 장치(100) 내 통신 디바이스를 통해 외부로부터 획득할 수 있다. 다른 실시예에 따라, 프로세서(110)는 소정의 해역에 관한 이미지 정보를 메모리(120)로부터 획득할 수 있다.According to an embodiment, the
프로세서(110)는 이미지 정보가 입력된 뉴럴 네트워크의 출력을 기초로 해역 내에서 적어도 하나의 소노부이를 배치하기 위한 배치 정보를 확인할 수 있다. 뉴럴 네트워크는 소정의 해역을 지나는 잠수함을 탐색하기 위한 적어도 하나의 소노부이의 배치 정보를 추론하도록 훈련될 수 있다. 다시 말해, 뉴럴 네트워크는 이미지 정보에 기초하여 소정의 해역을 지나는 잠수함을 탐색하기 위한 적어도 하나의 소노부이의 배치 정보를 추론하도록 훈련된 뉴럴 네트워크일 수 있다. 구체적으로, 뉴럴 네트워크는 입력 정보인 적어도 하나의 해역의 음향 환경에 관한 이미지 정보와, 입력 정보에 대한 타겟 정보인 적어도 하나의 해역에서의 소노부이의 배치 정보에 기초하여 학습 또는 훈련된 컨볼루션 뉴럴 네트워크일 수 있다. 예를 들어, 타겟 정보인 소노부이의 배치 정보는 숙련자가 제1 해역의 히트맵 정보를 기초로 제1 해역을 지나는 잠수함을 탐색하기 위해 설정한 소노부이의 배치 정보를 포함할 수 있다. 숙련자는 제1 해역의 히트맵 정보인 히트맵 이미지를 참조하여 잠수함의 예상 이동 경로를 예측할 수 있고, 잠수함을 탐색하기 위한 소노부이의 배치 위치를 결정할 수 있다. 예를 들어, 숙련자는 음향 전달이 원활하지 않은 지역을 중심으로 소노부이의 배치 위치를 결정할 수 있다.The
적어도 하나의 소노부이의 배치 정보는 적어도 하나의 소노부이의 개수에 관한 정보, 적어도 하나의 소노부이가 배치되는 위치에 관한 정보, 적어도 하나의 소노부이가 배치되는 순서에 관한 정보, 및 적어도 하나의 소노부이가 배치되는 심도에 관한 정보 중 적어도 하나를 포함할 수 있다. 예를 들어, 소노부이가 배치되는 위치에 관한 정보는 소정의 해역 내에서 소노부이가 배치되는 좌표값을 포함할 수 있다.The arrangement information of the at least one sonobuoy may include information on the number of at least one sonobuoy, information on a location at which the at least one sonobuoy is disposed, information on an order in which at least one sonobuoy is disposed, and at least one sonobuoy in which the sonobuoy is disposed. At least one of depth-related information may be included. For example, the information about the location where the sonobuoy is disposed may include a coordinate value at which the sonobuoy is disposed in a predetermined sea area.
일 실시예에 따라, 프로세서(110)는 복수의 해역들 각각의 음향 환경에 관한 이미지 정보를 뉴럴 네트워크의 입력 정보로써 획득하고, 복수의 해역들 각각에서 적어도 하나의 소노부이를 배치하기 위한 배치 정보를 입력 정보에 대한 타겟 정보로써 획득할 수 있다. 이어서, 프로세서(110)는 입력 정보 및 타겟 정보를 기초로 뉴럴 네트워크를 훈련시킬 수 있고, 훈련된 뉴럴 네트워크를 이용하여 소정 해역의 음향 환경에 관한 이미지 정보로부터 소정 해역에서 소노부이를 배치하기 위한 배치 정보를 확인할 수 있다. 다른 실시예에 따라, 프로세서(110)는 훈련된 뉴럴 네트워크를 전자 장치(100) 외부 또는 전자 장치(100)의 메모리로부터 획득할 수 있고, 획득된 뉴럴 네트워크를 이용하여 소정 해역의 음향 환경에 관한 이미지 정보로부터 소정 해역에서 소노부이를 배치하기 위한 배치 정보를 확인할 수 있다.According to an embodiment, the
도 2는 프로세서는 뉴럴 네트워크를 훈련시키는 실시예를 나타낸다.2 shows an embodiment in which the processor trains a neural network.
프로세서(110)는 뉴럴 네트워크(200)가 소정의 해역의 음향 환경에 관한 이미지 정보(예를 들어, 히트맵 정보)에 기초하여 소정의 해역을 지나는 잠수함을 탐색하기 위한 적어도 하나의 소노부이의 배치 정보를 추론하도록 뉴럴 네트워크(200)를 훈련시킬 수 있고, 훈련된 뉴럴 네트워크(230)를 생성할 수 있다. 일 실시예에 따라, 뉴럴 네트워크(200)는 딥(deep) 뉴럴 네트워크 또는 컨볼루션 뉴럴 네트워크 등이 될 수 있다.The
프로세서(110)는 뉴럴 네트워크(200)의 입력 정보로써 히트맵 정보(210)를 획득할 수 있고, 뉴럴 네트워크(200)의 타겟 정보로써 소노부이의 배치 정보(220)를 획득할 수 있다. 히트맵 정보(210)는 적어도 하나의 해역의 음향 환경에 관한 복수의 히트맵 이미지들을 포함할 수 있다. 예를 들어, 히트맵 정보(210)는 서로 다른 해역들 각각의 히트맵 이미지를 포함할 수 있고, 특정 해역의 심도 별 히트맵 이미지를 포함할 수 있다. 다시 말해, 히트맵 정보(210)는 특정 해역의 제1심도에 대응하는 히트맵 이미지 및 특정 해역의 제2심도에 대응하는 히트맵 이미지를 포함할 수 있다. 소노부이의 배치 정보(220)는 적어도 하나의 해역 내에서 배치될 또는 투하될 소노부이의 위치(즉, 좌표)에 관한 정보, 소정 개수의 소노부이가 배치되는 순서에 관한 정보, 및 소정 개수의 소노부이가 배치될 또는 투하될 심도에 관한 정보 중 적어도 하나를 포함할 수 있다. 또한, 소노부이의 배치 정보(220)는 적어도 하나의 해역 내에서 배치될 또는 투하될 소노부이의 개수에 관한 정보 등을 더 포함할 수 있다. 일 실시예에 따라, 소노부이의 배치 정보(220)는 숙련자가 히트맵 정보(210)를 기초로 적어도 하나의 해역을 지나는 잠수함을 탐색하기 위해 설정한 배치 정보일 수 있다. 예를 들어, 숙련자는 히트맵 정보(210) 중 제1 해역에 대한 제1 히트맵 이미지를 기초로 제1 해역을 지나는 잠수함을 탐색하기 위해 제1 해역에 배치될 소노부이의 개수, 위치, 배치 순서, 및 심도 등을 제1 히트맵 이미지에 대응하는 배치 정보로써 설정할 수 있다. 프로세서(110)는 복수의 히트맵 이미지들에 관한 데이터를 뉴럴 네트워크(200)의 입력 레이어의 값으로써 설정할 수 있고, 소노부이의 개수, 위치, 배치 순서, 또는 심도에 관한 데이터를 뉴럴 네트워크(200)의 출력 레이어의 타겟 값으로써 설정할 수 있다.The
도 3a 및 도 3b는 프로세서가 뉴럴 네트워크를 훈련 시키기 위한 정보를 획득하는 실시예를 나타낸다.3A and 3B show an embodiment in which a processor acquires information for training a neural network.
프로세서(110)는 뉴럴 네트워크를 학습 또는 훈련시키기 위한 정보로서 히트맵 정보와 숙련자의 소노부이 배치 정보를 획득할 수 있다.The
도 3a를 참조하면, 숙련자는 제1해역에 대한 히트맵 이미지(310)를 참조하여 출발점과 목표점 사이의 잠수함의 이동 경로를 예상할 수 있고, 제1해역을 지나는 잠수함을 탐색하기 위한 소노부이의 배치 정보를 결정할 수 있다. 구체적으로, 숙련자는 음향 전달이 원활하지 않은 지역을 참조하여 투하될 소노부이의 개수(도 3a에서 표시된 X의 개수) 및 소노부이의 투하 위치(도 3a에서 표시된 X의 좌표)를 결정할 수 있다. 이어서, 프로세서(110)는 뉴럴 네트워크를 학습시키기 위한 입력 정보로서 히트맵 이미지(310)에 관한 정보를 획득할 수 있고, 입력 정보에 대한 타겟 정보로서 소노부이 배치 정보(도 3a에서 X의 개수 및 좌표)를 획득할 수 있다. 예를 들어, 프로세서(110)는 전자 장치(100)의 입력부를 통해 숙련자로부터 소노부이 배치 정보를 획득할 수 있다.Referring to FIG. 3A , the skilled person may estimate the movement path of the submarine between the starting point and the target point by referring to the
도 3b를 참조하면, 숙련자는 제2해역에 대한 히트맵 이미지(320)를 참조하여 출발점과 목표점 사이의 잠수함의 이동 경로를 예상할 수 있고, 제2해역을 지나는 잠수함을 탐색하기 위한 소노부이의 배치 정보를 결정할 수 있다. 구체적으로, 숙련자는 음향 전달이 원활하지 않은 지역을 참조하여 투하될 소노부이의 개수(도 3b에서 표시된 X의 개수) 및 소노부이의 투하 위치(도 3b에서 표시된 X의 좌표)를 결정할 수 있다. 이어서, 프로세서(110)는 뉴럴 네트워크를 학습시키기 위한 입력 정보로서 히트맵 이미지(320)에 관한 정보를 획득할 수 있고, 입력 정보에 대한 타겟 정보로서 소노부이 배치 정보(도 3b에서 X의 개수 및 좌표)를 획득할 수 있다. Referring to FIG. 3B , the skilled person can estimate the movement path of the submarine between the starting point and the target point by referring to the
다시 도 2를 참조하면, 프로세서(110)는 입력 정보인 히트맵 정보(210)와 타겟 정보인 소노부이의 배치 정보(220)에 따라 뉴럴 네트워크(200)를 훈련시킬 수 있고, 훈련된 뉴럴 네트워크(230)를 생성할 수 있다. 구체적으로, 프로세서(110)는 복수의 히트맵 이미지들 각각과, 복수의 히트맵 이미지들 각각에 대응되는 소노부이의 배치 정보를 기초로 뉴럴 네트워크(200)를 반복적으로 훈련시킬 수 있고, 결과적으로 훈련된 뉴럴 네트워크(230)를 생성할 수 있다. 이와 같이, 프로세서(110)는 인공지능 신경망을 사용하여 숙련자가 기 설정한 정보를 기초로 숙련자의 배치 정보 설정을 모방하는 훈련을 수행할 수 있다.Referring back to FIG. 2 , the
따라서, 훈련된 뉴럴 네트워크(230)는 소정의 해역의 음향 환경에 관한 이미지 정보(예를 들어, 히트맵 정보)가 입력되었을 때 소정의 해역을 지나는 잠수함을 탐색하기 위한 소노부이의 배치 정보를 추론할 수 있다.Therefore, the trained
도 4는 뉴럴 네트워크의 일 예시인 컨볼루션 뉴럴 네트워크를 나타낸다.4 illustrates a convolutional neural network that is an example of a neural network.
도 4에 도시된 바와 같이, 컨볼루션 뉴럴 네트워크(400)는 컨볼루션 레이어(Convolutional layer)들과, 풀리 커넥티드 레이어(Fully connected layer)들과 소프트맥스 레이어(Softmax layer)로 구성될 수 있다. 또한, 컨볼루션 뉴럴 네트워크(400)는 입력 정보인 음향 환경에 관한 이미지 정보와, 입력 정보에 대한 타겟 정보인 소노부이의 배치 정보에 기초하여 훈련된 뉴럴 네트워크일 수 있다. 또한, 컨볼루션 뉴럴 네트워크(400)에서 Flatten 함수가 이용될 수 있으며, 여기서 Flatten 함수는 데이터(tensor)의 형태(shape)를 바꾸는 함수를 의미할 수 있다. 예를 들어, Flatten 함수는 200x200x1의 데이터를 40000x1의 데이터로 바꿀 수 있다.As shown in FIG. 4 , the convolutional
일 실시예에 따라, 소정 해역의 음향 환경에 관한 이미지 정보가 입력된 컨볼루션 뉴럴 네트워크(400)는 15개의 뉴런들을 통해 15개의 후보 위치 정보들을 출력할 수 있고, 20개의 뉴런들을 통해 20개의 후보 순서 정보들을 출력할 수 있다. 후보 위치 정보는 소정 해역에 배치될 적어도 하나의 소노부이의 위치에 관한 정보를 포함할 수 있고, 후보 순서 정보는 소정 해역에서 적어도 하나의 소노부이가 배치되는 순서에 관한 정보를 포함할 수 있다. 프로세서(110)는 15개의 후보 위치 정보들 중에서 소프트맥스 레이어의 출력값이 가장 높은 후보 위치 정보를 위치 정보(410)로 결정할 수 있고, 20개의 후보 순서 정보들 중에서 소프트맥스 레이어의 출력값이 가장 높은 후보 순서 정보를 순서 정보(420)로 결정할 수 있다. 다시 말해, 프로세서(110)는 소정 해역에서 잠수함을 탐색하기 위한 적어도 하나의 소노부이의 배치 정보로써 위치 정보(410) 및 순서 정보(420)를 결정할 수 있다.According to an embodiment, the convolutional
다른 실시예에 따라, 소정 해역의 음향 환경에 관한 이미지 정보가 입력된 컨볼루션 뉴럴 네트워크(400)는 기 설정된 개수의 뉴런들을 통해 후보 개수 정보들을 출력할 수 있고, 기 설정된 개수의 뉴런들을 통해 후보 심도 정보들을 출력할 수 있다. 후보 개수 정보는 소정 해역에 배치될 적어도 하나의 소노부이의 개수에 관한 정보를 포함할 수 있고, 후보 심도 정보는 소정 해역에 배치될 적어도 하나의 소노부이가 배치되는 심도에 관한 정보를 포함할 수 있다. 이어서, 프로세서(110)는 후보 개수 정보들 중에서 소프트맥스 레이어의 출력값이 가장 높은 후보 개수 정보를 개수 정보로 결정할 수 있고, 심도 정보들 중에서 소프트맥스 레이어의 출력값이 가장 높은 후보 심도 정보를 심도 정보로 결정할 수 있다. 다시 말해, 프로세서(110)는 소정 해역에서 잠수함을 탐색하기 위한 적어도 하나의 소노부이의 배치 정보로써 개수 정보 및 심도 정보를 결정할 수 있다.According to another embodiment, the convolutional
다시 도 1을 참조하면, 프로세서(110)는 적어도 하나의 소노부이를 배치하기 위한 배치 정보를 제공할 수 있다. 구체적으로, 프로세서(110)는 적어도 하나의 소노부이의 개수에 관한 정보, 적어도 하나의 소노부이가 배치되는 위치에 관한 정보, 적어도 하나의 소노부이가 배치되는 순서에 관한 정보, 및 적어도 하나의 소노부이가 배치되는 심도에 관한 정보 중 적어도 하나를 제공할 수 있다. 일 실시예에 따라, 프로세서(110)는 디스플레이와 같은 출력부를 통해 배치 정보를 출력할 수 있다. 다른 실시예에 따라, 프로세서(110)는 통신부를 통해 배치 정보를 외부 디바이스로 전송할 수 있다.Referring back to FIG. 1 , the
도 5는 전자 장치가 동작하는 일 실시예를 나타낸다.5 illustrates an embodiment in which an electronic device operates.
단계 S510에서, 전자 장치(100)는 히트맵 정보를 획득할 수 있다. 일 실시예에 따라, 전자 장치(100)는 소정의 해역에 투하된 복수의 소노부이로부터 취득한 1차 정보 및 소정의 해양 환경 정보를 기초로 히트맵 정보를 생성할 수 있다. 다른 실시예에 따라, 전자 장치(100)는 소정의 해역에 관한 히트맵 정보를 통신 디바이스를 통해 외부로부터 획득할 수 있다.In operation S510, the
단계 S520에서, 전자 장치(100)는 숙련자의 소노부이의 투하 정보를 획득할 수 있다. 전자 장치(100)는 숙련자가 소정의 해역의 히트맵 정보를 기초로 소정의 해역을 지나는 잠수함을 탐색하기 위해 설정한 소노부이의 투하 정보를 획득할 수 있다.In operation S520 , the
단계 S530에서, 전자 장치(100)는 획득된 히트맵 정보 및 투하 정보를 기초로 뉴럴 네트워크 모델을 학습시킬 수 있다. 구체적으로, 전자 장치(100)는 입력 정보인 히트맵 정보와 타겟 정보인 소노부이의 투하 정보에 따라 뉴럴 네트워크를 학습시킬 수 있다.In operation S530 , the
단계 S540에서, 전자 장치(100)는 학습된 뉴럴 네트워크 모델을 도출할 수 있다.In operation S540, the
도 6은 전자 장치가 동작하는 다른 실시예를 나타낸다.6 illustrates another embodiment in which an electronic device operates.
단계 S610에서, 전자 장치(100)는 미학습 히트맵 정보를 획득할수 있다. 여기서 미학습 히트맵 정보는 뉴럴 네트워크 학습에 이용되지 않은 히트맵 정보를 의미할 수 있다.In operation S610, the
단계 S620에서, 전자 장치(100)는 미학습 히트맵 정보를 뉴럴 네트워크 모델에 입력할 수 있다. 구체적으로, 전자 장치(100)는 미학습 히트맵 정보를 학습된 뉴럴 네트워크 모델에 입력할 수 있다. 예를 들어, 전자 장치(100)는 S540에서 도출된 학습된 뉴럴 네트워크 모델에 미학습 히트맵 정보를 입력할 수 있다.In operation S620, the
단계 S630에서, 전자 장치(100)는 투하 정보를 도출할 수 있다. 구체적으로, 전자 장치(100)는 미학습 히트맵 정보가 입력된 학습된 뉴럴 네트워크 모델의 출력을 기초로 소노부이의 투하 정보를 도출할 수 있다.In operation S630, the
도 7은 또 다른 실시예에 따른 전자 장치의 동작 방법을 나타낸다.7 illustrates a method of operating an electronic device according to another exemplary embodiment.
도 7의 동작 방법의 각 단계는 도 1의 전자 장치(100)에 의해 수행될 수 있으므로, 도 7과 중복되는 내용에 대해서는 설명을 생략한다. Since each step of the operation method of FIG. 7 may be performed by the
단계 S710에서, 전자 장치(100)는 소정의 해역의 음향 환경에 관한 이미지 정보를 획득할 수 있다.In operation S710 , the
전자 장치(100)는 소정의 해역에 투하된 복수의 소노부이로부터 취득한 정보 및 해양 환경 정보를 기초로 소정의 해역의 음향 환경에 관한 이미지 정보를 생성할 수 있다. 전자 장치(100)는 이미지 정보를 생성하는 과정에서 이미지 내 제1픽셀의 픽셀 값을 제1픽셀의 인근 픽셀의 픽셀 값으로 설정할 수 있다.The
단계 S720에서, 전자 장치(100)는 이미지 정보가 입력된 뉴럴 네트워크의 출력을 기초로 해역 내에서 적어도 하나의 소노부이를 배치하기 위한 배치 정보를 확인할 수 있다. In operation S720 , the
뉴럴 네트워크는, 음향 환경에 관한 이미지 정보에 기초하여 특정 해역을 지나는 잠수함을 탐색하기 위한 적어도 하나의 소노부이의 배치 정보를 출력하도록 훈련된 컨볼루션 뉴럴 네트워크일 수 있다.The neural network may be a convolutional neural network trained to output configuration information of at least one sonobuoy for searching for a submarine passing through a specific sea area based on image information about the acoustic environment.
배치 정보는, 적어도 하나의 소노부이의 개수에 관한 정보, 적어도 하나의 소노부이가 배치되는 위치에 관한 정보, 적어도 하나의 소노부이가 배치되는 순서에 관한 정보, 및 적어도 하나의 소노부이가 배치되는 심도에 관한 정보 중 적어도 하나를 포함할 수 있다.The arrangement information includes information on the number of at least one sonobuoy, information on a location at which at least one sonobuoy is disposed, information on an order in which at least one sonobuoy is disposed, and information on a depth at which at least one sonobuoy is disposed. may include at least one of
전자 장치(100)는 복수의 해역들 각각의 음향 환경에 관한 제1 이미지 정보를 제1 뉴럴 네트워크의 입력 정보로써 획득하고, 복수의 해역들 각각에서 적어도 하나의 소노부이를 배치하기 위한 제1 배치 정보를 입력 정보에 대한 타겟 정보로써 획득할 수 있고, 입력 정보 및 상기 타겟 정보를 기초로 제1 뉴럴 네트워크를 훈련시킬 수 있다. 전자 장치(100)는 이미지 정보가 입력된 훈련된 제1 뉴럴 네트워크의 출력을 기초로 배치 정보를 확인할 수 있다. 제1 이미지 정보는 복수의 해역 중 제1 해역 내 심도에 따른 서로 다른 이미지 정보들을 포함할 수 있다.The
단계 S730에서, 전자 장치(100)는 S720에서 확인된 배치 정보를 제공할 수 있다. 전자 장치(100)는 통신 디바이스를 통해 배치 정보를 외부 장치로 전송하거나, 디스플레이를 통해 배치 정보를 출력할 수 있다.In operation S730, the
전술한 실시예들에 따른 전자 장치는, 프로세서, 프로그램 데이터를 저장하고 실행하는 메모리, 디스크 드라이브와 같은 영구 저장부(permanent storage), 외부 장치와 통신하는 통신 포트, 터치 패널, 키(key), 버튼 등과 같은 사용자 인터페이스 장치 등을 포함할 수 있다. 소프트웨어 모듈 또는 알고리즘으로 구현되는 방법들은 상기 프로세서상에서 실행 가능한 컴퓨터가 읽을 수 있는 코드들 또는 프로그램 명령들로서 컴퓨터가 읽을 수 있는 기록 매체 상에 저장될 수 있다. 여기서 컴퓨터가 읽을 수 있는 기록 매체로 마그네틱 저장 매체(예컨대, ROM(read-only memory), RAM(random-Access memory), 플로피 디스크, 하드 디스크 등) 및 광학적 판독 매체(예컨대, 시디롬(CD-ROM), 디브이디(DVD: Digital Versatile Disc)) 등이 있다. 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템들에 분산되어, 분산 방식으로 컴퓨터가 판독 가능한 코드가 저장되고 실행될 수 있다. 매체는 컴퓨터에 의해 판독가능하며, 메모리에 저장되고, 프로세서에서 실행될 수 있다. The electronic device according to the above-described embodiments includes a processor, a memory for storing and executing program data, a permanent storage such as a disk drive, a communication port for communicating with an external device, a touch panel, a key, user interface devices such as buttons and the like. Methods implemented as software modules or algorithms may be stored on a computer-readable recording medium as computer-readable codes or program instructions executable on the processor. Here, the computer-readable recording medium includes a magnetic storage medium (eg, read-only memory (ROM), random-access memory (RAM), floppy disk, hard disk, etc.) and an optically readable medium (eg, CD-ROM). ), DVD (Digital Versatile Disc), and the like. The computer-readable recording medium is distributed among network-connected computer systems, so that the computer-readable code can be stored and executed in a distributed manner. The medium may be readable by a computer, stored in a memory, and executed on a processor.
본 실시 예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 실시 예는 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩 업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다. 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 본 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 실시 예는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. “매커니즘”, “요소”, “수단”, “구성”과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.This embodiment may be represented by functional block configurations and various processing steps. These functional blocks may be implemented in any number of hardware and/or software configurations that perform specific functions. For example, an embodiment may be an integrated circuit configuration, such as memory, processing, logic, look-up table, etc., capable of executing various functions by the control of one or more microprocessors or other control devices. can be hired Similar to how components may be implemented as software programming or software components, this embodiment includes various algorithms implemented in a combination of data structures, processes, routines or other programming constructs, including C, C++, Java ( Java), assembler, etc. may be implemented in a programming or scripting language. Functional aspects may be implemented in an algorithm running on one or more processors. In addition, the present embodiment may employ the prior art for electronic environment setting, signal processing, and/or data processing. Terms such as “mechanism”, “element”, “means” and “configuration” may be used broadly and are not limited to mechanical and physical configurations. The term may include the meaning of a series of routines of software in connection with a processor or the like.
전술한 실시예들은 일 예시일 뿐 후술하는 청구항들의 범위 내에서 다른 실시예들이 구현될 수 있다.The above-described embodiments are merely examples, and other embodiments may be implemented within the scope of the claims to be described later.
Claims (11)
소정의 해역의 음향 환경에 관한 이미지 정보를 획득하는 단계;
상기 이미지 정보가 입력된 뉴럴 네트워크의 출력을 기초로 상기 해역 내에서 적어도 하나의 소노부이를 배치하기 위한 배치 정보를 확인하는 단계; 및
상기 배치 정보를 제공하는 단계를 포함하고,
복수의 해역들 각각의 음향 환경에 관한 제1 이미지 정보를 제1 뉴럴 네트워크의 입력 정보로써 획득하고, 상기 복수의 해역들 각각에서 적어도 하나의 소노부이를 배치하기 위한 제1 배치 정보를 상기 입력 정보에 대한 타겟 정보로써 획득하는 단계; 및
상기 입력 정보 및 상기 타겟 정보를 기초로 상기 제1 뉴럴 네트워크를 훈련시키는 단계를 더 포함하고,
상기 확인하는 단계는,
상기 이미지 정보가 입력된 상기 훈련된 제1 뉴럴 네트워크의 출력을 기초로 상기 배치 정보를 확인하는 단계를 포함하는, 방법.A method for an electronic device to provide sonobuoy placement information, the method comprising:
acquiring image information about an acoustic environment of a predetermined sea area;
checking arrangement information for disposing at least one sonobuoy in the sea area based on an output of the neural network to which the image information is input; and
providing the placement information;
Obtaining first image information about the acoustic environment of each of a plurality of sea areas as input information of a first neural network, and adding first arrangement information for arranging at least one sonobuoy in each of the plurality of sea areas to the input information acquiring as target information for and
training the first neural network based on the input information and the target information;
The checking step is
and confirming the placement information based on an output of the trained first neural network to which the image information is input.
상기 뉴럴 네트워크는,
특정 해역의 음향 환경에 관한 이미지 정보에 기초하여 상기 특정 해역을 지나는 잠수함을 탐색하기 위한 적어도 하나의 소노부이의 배치 정보를 출력하도록 훈련된 컨볼루션 뉴럴 네트워크인, 방법.According to claim 1,
The neural network is
A method, comprising: a convolutional neural network trained to output placement information of at least one sonobuoy for searching for a submarine passing through the specific sea area based on image information about the acoustic environment of the specific sea area.
상기 배치 정보는,
상기 적어도 하나의 소노부이의 개수에 관한 정보, 상기 적어도 하나의 소노부이가 배치되는 위치에 관한 정보, 상기 적어도 하나의 소노부이가 배치되는 순서에 관한 정보, 및 상기 적어도 하나의 소노부이가 배치되는 심도에 관한 정보 중 적어도 하나를 포함하는, 방법.According to claim 1,
The arrangement information is
Information on the number of the at least one sonobuoy, information on a position in which the at least one sonobuoy is disposed, information on an order in which the at least one sonobuoy is disposed, and information on the depth at which the at least one sonobuoy is disposed A method comprising at least one of
상기 제1 이미지 정보는,
상기 복수의 해역 중 제1 해역의 심도들 각각에 대응하는 이미지 정보들을 포함하는, 방법.According to claim 1,
The first image information,
and image information corresponding to respective depths of a first sea area among the plurality of sea areas.
상기 이미지 정보를 획득하는 단계는,
상기 소정의 해역에 투하된 복수의 소노부이로부터 취득한 정보 및 상기 소정의 해역의 해양 환경 정보를 기초로 이미지 정보를 생성하는 단계를 포함하고,
상기 이미지 정보를 생성하는 단계는,
이미지 내 제1픽셀의 픽셀 값을 상기 제1픽셀의 인근 픽셀의 픽셀 값으로 설정하는 단계를 포함하는, 방법.According to claim 1,
The step of obtaining the image information includes:
generating image information based on information obtained from a plurality of sonobuoys dropped on the predetermined sea area and marine environment information of the predetermined sea area;
The step of generating the image information includes:
and setting the pixel value of a first pixel in the image to the pixel value of a neighboring pixel of the first pixel.
상기 이미지 정보를 생성하는 단계는,
이미지 내 제2픽셀의 인근 픽셀들의 픽셀 값들을 기초로 선형 보간법을 통해 상기 제2픽셀의 픽셀 값을 결정하는 단계를 포함하는, 방법.7. The method of claim 6,
The step of generating the image information includes:
determining the pixel value of the second pixel through linear interpolation based on pixel values of neighboring pixels of the second pixel in the image.
상기 제공하는 단계는,
통신 디바이스를 통해 상기 배치 정보를 외부 장치로 전송하거나, 디스플레이를 통해 상기 배치 정보를 출력하는 단계를 포함하는, 방법.According to claim 1,
The providing step is
Transmitting the placement information to an external device through a communication device, or outputting the placement information through a display.
상기 이미지 정보는,
상기 해역에서 음향 전달이 원활한 정도 또는 원활하지 않은 정도를 열-그래픽 형상으로 시각화한 히트맵 정보를 포함하는, 방법.According to claim 1,
The image information is
A method comprising heat map information that visualizes the degree of smooth or not smooth sound transmission in the sea area in a thermal-graphic shape.
적어도 하나의 프로그램이 저장된 메모리; 및
상기 적어도 하나의 프로그램을 실행함으로써, 소정의 해역의 음향 환경에 관한 이미지 정보를 획득하고,
상기 이미지 정보가 입력된 뉴럴 네트워크의 출력을 기초로 상기 해역 내에서 적어도 하나의 소노부이를 배치하기 위한 배치 정보를 확인하고,
상기 배치 정보를 제공하는 프로세서를 포함하고,
상기 프로세서는,
복수의 해역들 각각의 음향 환경에 관한 제1 이미지 정보를 제1 뉴럴 네트워크의 입력 정보로써 획득하고, 상기 복수의 해역들 각각에서 적어도 하나의 소노부이를 배치하기 위한 제1 배치 정보를 상기 입력 정보에 대한 타겟 정보로써 획득하고; 및
상기 입력 정보 및 상기 타겟 정보를 기초로 상기 제1 뉴럴 네트워크를 훈련시키고,
상기 프로세서는,
상기 이미지 정보가 입력된 상기 훈련된 제1 뉴럴 네트워크의 출력을 기초로 상기 배치 정보를 확인하는, 전자 장치.An electronic device for providing sonobuoy placement information, comprising:
a memory in which at least one program is stored; and
By executing the at least one program, image information about the acoustic environment of a predetermined sea area is obtained,
Confirming arrangement information for disposing at least one sonobuoy in the sea area based on the output of the neural network to which the image information is input,
A processor for providing the configuration information;
The processor is
Obtaining first image information about the acoustic environment of each of a plurality of sea areas as input information of a first neural network, and adding first arrangement information for arranging at least one sonobuoy in each of the plurality of sea areas to the input information obtained as target information for; and
train the first neural network based on the input information and the target information;
The processor is
and confirming the arrangement information based on an output of the trained first neural network to which the image information is input.
상기 방법은,
소정의 해역의 음향 환경에 관한 이미지 정보를 획득하는 단계;
상기 이미지 정보가 입력된 뉴럴 네트워크의 출력을 기초로 상기 해역 내에서 적어도 하나의 소노부이를 배치하기 위한 배치 정보를 확인하는 단계; 및
상기 배치 정보를 제공하는 단계를 포함하고,
복수의 해역들 각각의 음향 환경에 관한 제1 이미지 정보를 제1 뉴럴 네트워크의 입력 정보로써 획득하고, 상기 복수의 해역들 각각에서 적어도 하나의 소노부이를 배치하기 위한 제1 배치 정보를 상기 입력 정보에 대한 타겟 정보로써 획득하는 단계; 및
상기 입력 정보 및 상기 타겟 정보를 기초로 상기 제1 뉴럴 네트워크를 훈련시키는 단계를 더 포함하고,
상기 확인하는 단계는,
상기 이미지 정보가 입력된 상기 훈련된 제1 뉴럴 네트워크의 출력을 기초로 상기 배치 정보를 확인하는 단계를 포함하는, 비일시적 기록매체.As a computer-readable non-transitory recording medium recording a program for executing a method of providing sonobuoy arrangement information on a computer,
The method is
acquiring image information about an acoustic environment of a predetermined sea area;
checking arrangement information for disposing at least one sonobuoy in the sea area based on an output of the neural network to which the image information is input; and
providing the placement information;
Obtaining first image information about the acoustic environment of each of a plurality of sea areas as input information of a first neural network, and adding first arrangement information for arranging at least one sonobuoy in each of the plurality of sea areas to the input information acquiring as target information for and
training the first neural network based on the input information and the target information;
The checking step is
and confirming the arrangement information based on an output of the trained first neural network to which the image information is input.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220031546A KR102437460B1 (en) | 2022-03-14 | 2022-03-14 | Electronic apparatus and method for providing sonobuoy deployment information |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220031546A KR102437460B1 (en) | 2022-03-14 | 2022-03-14 | Electronic apparatus and method for providing sonobuoy deployment information |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102437460B1 true KR102437460B1 (en) | 2022-08-30 |
Family
ID=83114143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220031546A KR102437460B1 (en) | 2022-03-14 | 2022-03-14 | Electronic apparatus and method for providing sonobuoy deployment information |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102437460B1 (en) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101866690B1 (en) * | 2017-03-29 | 2018-06-12 | 한국로봇융합연구원 | system for measuring underwater structure and measuring method using the same |
JP2020050229A (en) * | 2018-09-28 | 2020-04-02 | 株式会社ブルーオーシャン研究所 | Oceanographic observation buoy |
KR102161246B1 (en) * | 2020-08-11 | 2020-09-29 | 국방과학연구소 | Bistatic sonar system having bottom mounted hydrophones and method for source deployment based on ocean environment using the same |
KR20200130777A (en) * | 2019-05-07 | 2020-11-20 | 국방과학연구소 | Method of learning and inferring based on convolution neural network for minimizing clutter in passive sonar signal |
-
2022
- 2022-03-14 KR KR1020220031546A patent/KR102437460B1/en active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101866690B1 (en) * | 2017-03-29 | 2018-06-12 | 한국로봇융합연구원 | system for measuring underwater structure and measuring method using the same |
JP2020050229A (en) * | 2018-09-28 | 2020-04-02 | 株式会社ブルーオーシャン研究所 | Oceanographic observation buoy |
KR20200130777A (en) * | 2019-05-07 | 2020-11-20 | 국방과학연구소 | Method of learning and inferring based on convolution neural network for minimizing clutter in passive sonar signal |
KR102161246B1 (en) * | 2020-08-11 | 2020-09-29 | 국방과학연구소 | Bistatic sonar system having bottom mounted hydrophones and method for source deployment based on ocean environment using the same |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nowacek et al. | Responsible practices for minimizing and monitoring environmental impacts of marine seismic surveys with an emphasis on marine mammals | |
EP3970117A1 (en) | Distributed pose estimation | |
US10977549B2 (en) | Object animation using generative neural networks | |
CN110546653A (en) | Action selection for reinforcement learning using neural networks | |
Retchless | Sea level rise maps: How individual differences complicate the cartographic communication of an uncertain climate change hazard | |
Craparo et al. | Sensor placement in active multistatic sonar networks | |
Huet et al. | Autonomy for underwater robots—a European perspective | |
US11074828B2 (en) | Sonar target simulator | |
Chang et al. | The dynamical impact of mesoscale eddies on migration of Japanese eel larvae | |
US20110064269A1 (en) | Object position tracking system and method | |
KR102437460B1 (en) | Electronic apparatus and method for providing sonobuoy deployment information | |
CN114004370A (en) | Method for constructing regional sensitivity model based on deep reinforcement learning network | |
KR102311089B1 (en) | Apparatus and method for monitoring the ocean using smart marine buoys | |
Donovan et al. | A simulation approach to assessing environmental risk of sound exposure to marine mammals | |
JP2012159459A (en) | Method and device for supporting planning of underwater object search | |
Sreekala et al. | Deep convolutional neural network with Kalman filter based objected tracking and detection in underwater communications | |
KR102549778B1 (en) | Method, server and computer program for performing pre-processing on a plurality of images related to multiview and generating a cubemap through the plurality of images | |
KR102470615B1 (en) | Electronic apparatus and method for providing sonobuoy deployment information | |
KR102495257B1 (en) | Electronic apparatus for sonobuoy deployment training and method of operation thereof | |
JP2022189901A (en) | Learning method, learning device, program, and recording medium | |
KR102315080B1 (en) | Apparatus and method for monitoring the ocean using smart marine buoys | |
JP7395084B2 (en) | Tsunami learning device, tsunami learning method, tsunami prediction device, and tsunami prediction method | |
JP2021047797A (en) | Machine learning device, machine learning method, and program | |
US20220113724A1 (en) | Information processing device, robot system, and information processing method | |
Gogineni et al. | Multi-agent goal delegation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |