전이학습 기반의 저피탐 레이더 신호 분류 방법 연구

Abstract

최근 딥 러닝은 특징 추출과 효과적인 분류기 학습을 위해 다양한 분야에서 활용되고 있으며, 특히 CNN(Convolutional Neural Network)은 시간-주파수 분석(Time-Frequency Analysis, TFA) 기법에 의해 생성된 시간-주파수 이미지(Time-Frequency Image, TFI)를 기반으로 레이더 파형을 인식하기 위해 널리 채택되고 있다. 하지만 딥러닝 기반의 레이더 파형 인식 기술을 실제 무기체계에 적용하는 데 있어, 양질의 학습 데이터 확보에 대한 이슈가 존재한다. 실제 군사용 레이더에 대한 신호 수집 및 저장(보관)이 힘들어 실측 데이터를 사용하는 점에 있어서는 한계가 있기 때문에 실 환경에서는 양질의 데이터를 이용한 신호 분류 모델 학습에 어려움이 따른다. 전이 학습(transfer learning) 방식을 이용하면 이러한 학습 데이터 부족의 문제점을 보완할 수 있다. 본 논문에서는 전이 학습을 이용하여 낮은 SNR 환경에서도 레이더 신호 분류 성능을 향상시키는 방법을 연구하였다. 딥 러닝 모델은 ResNet-18 기반의 CNN 모델을 설계하였다. 저피탐 레이더 신호 영상의 전처리 기법으로 Gabor Filtering, Wiener Filtering, Gabor와 Wiener Filtering을 합성한 3가지 형태를 적용하였으며, 전처리 기법에 따른 저피탐 레이더 분류 성능을 비교하였다. 추가적으로, 모든 레이어를 학습하는 방식, 일부 레이어만 학습하는 방식, 완전 연결 계층만 학습하는 방식, 전이 학습의 3가지 방식을 비교 및 분석하였다. 저피탐 레이더 데이터는 9 종류의 신호를 사용하였으며, SNR(Signal to Noise Ratio)는 –14 dB부터 4 dB 의 환경을 고려하여, SNR에 따른 신호 분류 성능을 비교하였다.|Recently, deep learning has been used in various fields for feature extraction and effective classifier learning. In particular, CNN is widely adopted to recognize radar waveforms based on time-frequency images(TFI) generated by time-frequency analysis techniques.However, in applying deep learning-based radar waveform recognition technology to practical systems, there is an issue of securing learning data. Since it is difficult to collect and store signals for practial military radars, there are limitations in using measured data, so it is difficult to learn signal classification models using high-quality data in real environments. A transfer learning can be used to compensate for the lack of training data. In this paper, we studied a method to improve radar signal classification performance even in a low SNR environment using transfer learning. The deep learning model was designed based on ResNet-18 CNN model. Gabor Filtering, Wiener Filtering, and Gabor and Wiener Filtering were applied as pre-processing techniques for the LPI radar TFI, and the performance of LPI radar classification according to the pre-processing techniques was compared. In addition, we compared and analyzed three transfer learning methods: learning all layers, learning only some layers, learning only fully connected layers. 9 types of signals were used for the LPI radar, and the signal classification performance according to the SNR (Signal to Noise Ratio) was compared considering the environment of -14 dB to 4 dB.