AI를 이용한 레이더 SNR 향상 기법

최혁준¹ ; 윤의석¹ ; 정성훈²^{, *}

1해군사관학교 기계시스템공학과 사관생도
2해군 소령/해군사관학교 기계시스템공학과 조교수

An AI-based RADAR SNR Enhancement Method

Hyeokjun Choi¹ ; Ui-sok Yun¹ ; Sunghoon Jung²^{, *}

1Midshipmen, Dept. of Mechanical System Engineering, Republic of Korea Naval Academy
2LCDR, ROK Navy/Assistant professor, Dept. of Mechanical System Engineering, Republic of Korea Naval Academy

Correspondence to: ^*Sunghoon Jung Dept. of Mechanical System Engineering, Republic of Korea Naval Academy 1 Jungwon-ro, Jinhae-gu, Changwon-si, Gyungsangnam-do, 51704, Republic of Korea Tel: +82-55-907-5320 E-mail: hun401@navy.ac.kr

초록

본 논문에서는 합성곱 신경망을 이용하여 레이더의 신호 대 잡음비를 향상할 수 있는 기법을 제안한다. 기존의 pulse integration은 많은 수의 레이더 반사신호가 필요하므로 그에 따라 레이더 작전 성능이 저하된다. 제안기법은 신경망 학습을 통해 표적 신호와 잡음의 특성을 파악하여 효과적으로 잡음을 제거할 수 있다. 실험을 통해 적은 수의 레이더 반사 신호만으로도 제안기법이 잡음을 효과적으로 제거하고 표적을 정확히 탐지할 수 있음을 확인하였다.

Abstract

In this paper, we propose a method to improve the signal-to-noise ratio of RADAR using a convolutional neural network. Conventional pulse integration requires a large number of RADAR return signals, thereby deteriorating RADAR operational performance. The proposed method can effectively remove noise by identifying the characteristics of the target signal and noise through neural network learning. Through experiments, the proposed method was confirmed to be superior in effectively removing noise and accurately detecting targets with only a small number of RADAR return signals.

Keywords:

RADAR, Pulse Integration, False Alarm, Deep Learning, Convolutional Neural Network

키워드:

레이더, 펄스 적분, 오탐, 딥 러닝, 합성곱 신경망

References

가관우, 함성민, 이관형, “레이더 시스템에서 목표물 탐지 거리 추정을 위한 코히런트 집적과 비 코히런트 집적의 SNR 성능 비교,” 한국정보전자통신기술학회 논문지, 7(2), 86-91, 2014. [https://doi.org/10.17661/jkiiect.2014.7.2.086]
J. Marcum, “A Statistical Theory of Target Detection by Pulsed Radar," in IRE Transactions on Information Theory, Vol. 6, No. 2, pp. 59-267, April 1960. [https://doi.org/10.1109/TIT.1960.1057560]
Y. LeCun et al., “Backpropagation Applied to Handwritten Zip Code Recognition,” Neural Computation, Vol. 1, No. 4, pp. 541–551, Dec. 1989. [https://doi.org/10.1162/neco.1989.1.4.541]