• 한국인공지능학회지
• /
• 제12권2호
• /
• pp.17-23
• /
• 2024

Various methods have been developed to predict the flight path of an air-launched weapon to intercept a fast-moving target in the air. However, it is also getting more challenging to predict the optimal firing zone and provide it to a pilot in real-time during engagements for advanced weapons having new complicated guidance and thrust control. In this study, a method is proposed to develop an optimized weapon engagement zone by the SCG (Scaled Conjugate Gradient) algorithm to achieve both accurate and fast estimates and provide an optimized launch display to a pilot during combat engagement. SCG algorithm is fully automated, includes no critical user-dependent parameters, and avoids an exhaustive search used repeatedly to determine the appropriate stage and size of machine learning. Compared with real data, this study showed that the development of a machine learning-based weapon aiming algorithm can provide proper output for optimum weapon launch zones that can be used for operational fighters. This study also established a process to develop one of the critical aircraft-weapon integration software, which can be commonly used for aircraft integration of air-launched weapons.

• 한국항공우주학회지
• /
• 제42권9호
• /
• pp.762-772
• /
• 2014

전투기 탑재용 무장제어 알고리듬은 교전상황에서 전투기의 임무 수행 및 생존과 직결된다. 무장제어 알고리듬은 조종사에게 DLZ라 불리는 표적 격추 가능 범위를 HUD에 전시해 준다. DLZ는 교전거리 계산 알고리듬을 이용하여 생성된다. 본 논문에서는 AIM-9과 AIM-120 공대공 유도탄의 DLZ 구성요소에 대해 소개하였다. 다음으로 가상 6-자유도 실시간 시뮬레이션 프로그램에 기반한 DLZ 산출 알고리듬에 관한 내용을 다루었다. 다양한 교전 시나리오 하에서 공대공 유도탄의 DLZ 산출 알고리듬 운용상의 특징을 시뮬레이션을 통해 조사하였다.

• 응용통계연구
• /
• 제28권5호
• /
• pp.921-932
• /
• 2015

본 연구에서는 증강된 보병대대의 과학화 전투훈련 데이터 중 공격작전에 관한 장병들의 생존분석을 실시하였다. 과학화 전투훈련은 KCTC(Korea Combat Training Center)로 불리는 전투훈련장에서 MILES(Multiple Integrated Lazer Engagement System)와 중앙통제장비체계 등 과학화된 훈련장비와 체계 운용하 훈련부대가 적 전술 및 무기체계를 사용하는 전문 대항군과 실시하는 쌍방 자유기동훈련이다. 이는 훈련기간 동안 훈련지역의 모든 데이터가 저장되어 훈련통제 뿐 아니라 분석 및 사후검토를 할 수 있는 첨단화된 군사 훈련으로 통계적 분석이 가능한 데이터를 제공한다. 분석방법은 모수적 분포 가정이 필요하지 않은 Cox의 비례위험모형을 적용하였으며, 보다 풍부하고 용이한 해석을 위해 의사결정나무모형(CART(Classification and Regression Trees), GUIDE(Generalized, Unbiased, Interaction Detection and Estimation), CTREE(Conditional Inference Trees))을 활용하였다. Cox 비례위험모형의 비례성 가정을 확인하여 이를 위배하는 변수에 대해서 층화하여 분석하고, Cox 비례위험모형 결과 복무기간에 관한 해석이 용이하지 않아 단변량으로 local 회귀분석을 통해 추가적인 해석을 시도하였다. CART, GUIDE, CTREE는 모형의 특성별로 나무모형을 형성하며 이를 통하여 다양한 해석이 가능하다.