The Journal of Korean Institute of Electromagnetic Engineering and Science (한국전자파학회논문지)

The Korean Institute of Electromagnetic Engineering and Science (한국전자파학회)
권호 표지
DOI QR코드

DOI QR Code

Automatic Classification of Radar Signals Using CNN

CNN을 이용한 레이다 신호 자동 분류

  • Hong, Seok-Jun (Department of Electronics Engineering, Chungbuk National University) ;
  • Yi, Yearn-Gui (Department of Electronics Engineering, Chungbuk National University) ;
  • Jo, Jeil (Agency for Defense Development) ;
  • Lee, Sang-Gil (Dong-Ah Institute of Media and Arts) ;
  • Seo, Bo-Seok (Department of Electronics Engineering, Chungbuk National University)
  • 홍석준 (충북대학교 전자공학과) ;
  • 이연규 (충북대학교 전자공학과) ;
  • 조제일 (국방과학연구소) ;
  • 이상길 (동아방송예술대학교 방송예술융합학부) ;
  • 서보석 (충북대학교 전자공학과)
  • Received : 2018.10.17
  • Accepted : 2019.01.31
  • Published : 2019.02.28
Download PDF
⟨ Previous Next ⟩

Abstract

In this paper, we propose a classification method for radar signals depending on the type of threat by applying machine learning to parameter data of radar signals. Currently, the army uses a library of mapping relations between the parameters and the types of threat to recognize threat signals. This approach has certain limitations when classifying signals and recognizing new types of threat or types of threat that do not exist in the current libraries. In this paper, we propose an automatic radar signal classification method depending on the type of threat that uses only parameter data without a library. A convolutional neural network is used as the classifier and machine learning is applied to train the classifier. The proposed method does not use a library, and hence, can classify threat signals that are new or do not exist in the current library.

이 논문에서는 수신된 레이다 신호의 특징 파라미터 데이터에 기계학습 방법을 적용하여 위협 형태에 따라 레이다 신호를 분류하는 방법을 제시한다. 현재 군에서는 위협 신호를 파악하기 위해 특징 파라미터값들과 위협 형태의 대응관계를 나타내는 라이브러리를 이용한다. 라이브러리를 이용한 방법은 새로운 위협이나 기존 라이브러리에 존재하지 않는 위협 형태에 대해서 레이다 신호를 분류하기 어렵고 위협 형태를 파악하는데 문제가 있다. 이 논문에서는 라이브러리 없이 특징 파라미터 데이터만을 이용하여 위협 형태에 따라 레이다 신호를 분류하는 방법을 제안하고자 한다. 분류기로는 CNN(convolutional neural network)을 사용하며, 기계학습을 적용하여 훈련시킨다. 제안 방법은 라이브러리를 사용하지 않음으로써 새로운 위협 신호나 기존의 라이브러리에 존재하지 않는 위협 신호도 적응적으로 분류할 수 있다.

Keywords

JJPHCH_2019_v30n2_132_f0001.png 이미지

그림 1. 일반적인 펄스 레이다 신호 Fig. 1. Typical pulse radar signals.

JJPHCH_2019_v30n2_132_f0002.png 이미지

그림 2. 기존의 라이브러리를 이용하는 레이다 신호 분류방법 Fig. 2. Structure of the conventional library based radar signal classification method.

JJPHCH_2019_v30n2_132_f0003.png 이미지

그림 3. PRI의 대표적인 변화 형태 Fig. 3. Typical variation types of PRI.

JJPHCH_2019_v30n2_132_f0004.png 이미지

그림 4. 제안한 CNN 기반의 레이다 신호 분류 방법 Fig. 4. Structure of the proposed CNN based radar signal classification method.

JJPHCH_2019_v30n2_132_f0005.png 이미지

그림 5. RF 및 PRI 데이터의 영상화 결과 Fig. 5. Results of imaging of RF and PRI data.

JJPHCH_2019_v30n2_132_f0006.png 이미지

그림 6. 특성변수 PRI 값의 변화 범위 Fig. 6. Variation range of PRI.

JJPHCH_2019_v30n2_132_f0007.png 이미지

그림 7. 그림 6과 같은 변화 범위를 가지는 PRI 데이터의 영상화 결과 Fig. 7. Images for PRI data with the range of Fig. 6.

JJPHCH_2019_v30n2_132_f0008.png 이미지

그림 8. 데이터의 동적범위 정보를 반영한 영상화 결과 Fig. 8. Images reflecting the dynamic range of PRI data.

JJPHCH_2019_v30n2_132_f0009.png 이미지

그림 9. RF와 PRI의 동적 범위 정보를 반영한 영상화 결과 Fig. 9. Images reflecting the dynamic ranges of RF and PRI data.

JJPHCH_2019_v30n2_132_f0010.png 이미지

그림 10. CNN 구조 Fig. 10. Structure of the CNN.

JJPHCH_2019_v30n2_132_f0011.png 이미지

그림 11. PDW 데이터의 오차에 따른 분류기의 성능 Fig. 11. Performance of the classifier with the error ratio of the PDW data.

JJPHCH_2019_v30n2_132_f0012.png 이미지

그림 12. PDW 데이터의 누락에 따른 분류기의 성능 Fig. 12. Performance of the classifier with the missing rate of the PDW data.

표 1. CNN의 하이퍼 파라미터 설정 Table 1. Setting of hyperparameters of the CNN.

JJPHCH_2019_v30n2_132_t0001.png 이미지

References

  1. S. A. Vakin, R. H. Dunwell, and L. N. Shustov, Fundamentals of Electronic Warfare, Boston/London, Artech House, 2001.
  2. 장재원, 안태남, 이광일, "전자보호 및 사이버 방어와 함께 진화하는 전자전 기술의 발전방향," 전자파기술, 24(6), pp. 3-13, 2013년 11월.
  3. R. G. Wiley, ELINT: The Interception and Analysis of Radar Signals, Artech House, Boston/London, 2006.
  4. 한연희, "기계학습 기반 네트워크 지능화," 한국전자파학회논문지, 28(5), pp. 17-22, 2017년 9월.
  5. Y. LeCun, Y. Bengio, and G. Hinton, "Deep learning," Nature, vol. 521, pp. 436-444, May 2015. https://doi.org/10.1038/nature14539
  6. S. H. Kong, M. Kim, L. M. Koang, and E. Kim, "Automatic LPI radar waveform recognition using CNN," IEEE Access, vol. 6, pp. 4207-4219, 2018. https://doi.org/10.1109/ACCESS.2017.2788942
  7. S. J. Hong, Y. G. Yi, J. Jo, and B. S. Seo, "Classification of radar signals with convolutional neural networks," in 2018 Tenth International Conference on Ubiquitous and Future Networks(ICUFN), Prague, Jul. 2018, pp. 894-896.
  8. I. S. Kim, S. Y. Hwang, "An effective online training algorithm by partitioning bounding box for visual object tracking using convolutional neural network," The Journal of Korean Institute of Communications and Information Sciences, vol. 42, no. 6, pp. 1117-1128, Jun. 2017. https://doi.org/10.7840/kics.2017.42.6.1117
  9. S. M. Yang, W. J. Song, I. S. Choi, and S. J Yoo, "Implementation of deep learning-based motion classification system for IoT device control in ultrasonic sound environments," The Journal of Korean Institute of Communications and Information Sciences, vol. 42, no. 9, pp. 1796-1805, Sep. 2017. https://doi.org/10.7840/kics.2017.42.9.1796