• 한국도서관정보학회지
• /
• 제45권4호
• /
• pp.207-229
• /
• 2014

본 연구의 목적은 한국십진분류법 제6판에서의 390 국방 군사학 분류전개의 분석을 통해 문제점을 파악, 다음판 분류전개의 토대를 마련하고자 개선방안을 제시한 것이다. 이를 위하여 군사학 지식체계에 대해 정리한 후, 한국십진분류법 초판부터 제6판까지의 390 국방 군사학 분류전개의 변천과정을 살펴보았다. 그리고 제6판의 국방 군사학 분류전개에 대해 목과 세목으로 구분하여 분석한 후 문제점을 확인하고, 이에 따른 개선방안을 제시하였다. 개선방안은 목과 세목전개의 균형, 분류기호 사용을 위한 풍부한 주기, 적절한 조기표의 사용, 정확한 항목명 배정, 많은 이중표목 및 포함주의 정리, 색인의 누락 오류 인덴션의 보완 등이다.

• 한국도서관정보학회지
• /
• 제32권2호
• /
• pp.323-347
• /
• 2001

이 연구는 군사학 분야의 인터넷 학술정보자원을 효율적으로 조직, 활용하기 위한 청문서 분류체계의 모형을 제시하기 위해 시도된 것이다. 이를 위해, 우선 일반문헌분류표 가운데 군사정보에 관한 항목을 상세하게 전개하고 있는 LCC의 Class U(Military Science)와 Class V(Naval Class)를 상세히 분석하고, 웹 문서 분류체계 중 체계적 분류방식을 도입하고 있는 Yahoo!의 분류항목(처음/정부/군사)을 비교 분석하였다. 아울러 웹 문서 분류체계의 새로운 설계를 위해 기존의 Yahoo! Korea와 심마니, Yahoo! US를 종합적으로 비교 분석하였다. 이와 같은 비교 분석의 결과를 바탕으로, 실제적인 분류체계의 모형을 제시하였다.

• 융합보안논문지
• /
• 제13권2호
• /
• pp.121-131
• /
• 2013

일반대학에 군사학과가 개설된 지 약 10년이 되어간다. 군사학이 일반대학교에서 발전해 나가고 우수한 장교를 배출하기 위하여 교육과정은 중요한 요소 중의 하나이다. 본고는 일반대학 군사학과의 학사학위 교육과정을 어떻게 편성하여야 하는가에 대한 현실적인 해답으로 제시하고자 한다. 이를 위해 군사학과 교육과정 편성에 영향을 미치는 요소들을 분석하였다. 첫째 군사학 학위수여를 하는 군 기관의 교육과정 편성이다. 위관급 장교에게 필요한 실무수행에 초점을 맞추어져 있고, 육사는 군사학 과목의 대부분을 필수과정으로 편성하고 있다. 둘째 군사학의 학문영역으로 전쟁과 군사력 분야라고 할 수 있다. 셋째 문헌과 학문분류상의 군사학은 사회과학적인 군사학과 공학적인 군사공학으로 분류하고 있다. 넷째 대학교육이 지향하는 방향으로 학문성과 실용성이 균형을 유지해야한다고 보았다. 다섯째 군사학 석박사 과정과도 연계성을 유지해야 하고, 여섯째 수요자인 육군의 요구도 만족하고, 학생지도는 훈육지도 성격이 가미되어야 한다고 보았다. 분석결과를 바탕으로 일반대학 군사학과 학사학위를 위한 교육과정에 포함되어야 할 기준과목을 도출하였다. 교양으로 3개 분야 5개 과목, 전공으로 3개 분야 14개 과목, 총 19개 과목을 제시하였다.

• 한국군사과학기술학회지
• /
• 제8권1호
• /
• pp.62-68
• /
• 2005

In this paper, we review the general technique of Earned Value Management System(EVMS) which is the integrated management for cost, schedule and performance, and suggest an application of the integrated management of cost and schedule in the research and development(R&D) programs for defense acquisition.

• 한국군사과학기술학회지
• /
• 제13권1호
• /
• pp.147-155
• /
• 2010

Landcover information of access-denied area was extracted from low-medium and high resolution satellite image. Training for supervised classification was performed to refer visually by landcover map which is made and distributed from The Ministry of Environment. The classification result was compared by relating data of FACC land classification system. As we rasterize digital military map with same pixel size of satellite classification, the accuracy test was performed by image to image method. In vegetation case, ancillary data such as NDVI and image for seasons are going to improve accuracy. FACC code of FDB need to recognize the properties which can be automated.

• 정보보호학회지
• /
• 제12권6호
• /
• pp.1-11
• /
• 2002

지금까지의 전쟁은 주로 국가 및 군사 분야에 한정하는 경향이 있어왔으나 정보전은 기업은 물론이고 일반 개인에게까지 직접 관련이 되고 있다. 그러나 아직 까지 정보전에 대한 명확한 개념이 정립되지 않은 상태에서 정보전과 관련된 용어들이 난무하고 있어 일반인은 말할 것도 없고 정책 입안자나 군사 기획가마저도 많은 혼란을 겪고 있다. 따라서 본 고에서는 이러한 정보전에 대한 명확한 이해를 도모할 목적으로 정보전이 출현된 배경, 정보전의 정의 및 분류, 정보전의 특징 등을 살펴보고 몇 가지 쟁점들에 대해 논한다.

• 한국군사과학기술학회지
• /
• 제13권5호
• /
• pp.894-902
• /
• 2010

This paper presents a vision-based robust off-road terrain classification method against environmental variation. As a supervised classification algorithm, we applied a neural network classifier using wavelet features extracted from wavelet transform of an image. In order to get over an effect of overall image feature variation, we adopted environment sensors and gathered the training parameters database according to environmental conditions. The robust terrain classification algorithm against environmental variation was implemented by choosing an optimal parameter using environmental information. The proposed algorithm was embedded on a processor board under the VxWorks real-time operating system. The processor board is containing four 1GHz 7448 PowerPC CPUs. In order to implement an optimal software architecture on which a distributed parallel processing is possible, we measured and analyzed the data delivery time between the CPUs. And the performance of the present algorithm was verified, comparing classification results using the real off-road images acquired under various environmental conditions in conformity with applied classifiers and features. Experiments show the robustness of the classification results on any environmental condition.

• 한국군사과학기술학회지
• /
• 제22권2호
• /
• pp.170-178
• /
• 2019

Classification of radar signals in the field of electronic warfare is a problem of discriminating threat types by analyzing enemy threat radar signals such as aircraft, radar, and missile received through electronic warfare equipment. Recent radar systems have adopted a variety of modulation schemes that are different from those used in conventional systems, and are often difficult to analyze using existing algorithms. Also, it is necessary to design a robust algorithm for the signal received in the real environment due to the environmental influence and the measurement error due to the characteristics of the hardware. In this paper, we propose a radar signal classification method which are not affected by radar signal modulation methods and noise generation by using deep learning techniques.

• 한국군사과학기술학회지
• /
• 제25권6호
• /
• pp.572-579
• /
• 2022

The analysis of foreign aircraft appearing suddenly in air defense identification zones requires a lot of cost and time. This study aims to develop a pre-trained model that can identify neighboring military aircraft based on aircraft photographs available on the web and present a model that can determine which aircraft corresponds to based on aerial photographs taken by allies. The advantages of this model are to reduce the cost and time required for model classification by proposing a pre-trained model and to improve the performance of the classifier by data augmentation of edge-detected images, cropping, flipping and so on.

• 한국군사과학기술학회지
• /
• 제27권3호
• /
• pp.319-328
• /
• 2024

Semi-supervised learning is a good way to train a classification model using a small number of labeled and large number of unlabeled data. We applied semi-supervised learning to a synthetic aperture radar(SAR) image classification model with a limited number of datasets that are difficult to create. To address the previous difficulties, semi-supervised learning uses a model trained with a small amount of labeled data to generate and learn pseudo labels. Besides, a lot of number of papers use a single fixed threshold to create pseudo labels. In this paper, we present a semi-supervised synthetic aperture radar(SAR) image classification method that applies different thresholds for each class instead of all classes sharing a fixed threshold to improve SAR classification performance with a small number of labeled datasets.