일반화된 비례 충돌 재분배 규칙의 적용: 소나 영상 및 레이더 목표 분류

본 논문은 “일반화된 비례 충돌 재분배 규칙(Generalized Proportional Conflict Redistribution, PCR)”을 실제 정보 융합 문제에 적용하고, 기존의 단순 예제 중심 평가를 넘어 실제 데이터 기반 성능 비교를 수행한다. 서론에서는 정보 융합에서 결합 규칙 선택이 최종 의사결정에 미치는 영향을 강조하고, DST(Dempster‑Shafer Theory)와 DSmT(Dezert‑Smarandache Theory)의 기본 구조를 간략히 복습한다. 특히, 비정규화 결합 규칙 m_c는 충돌 질량을 ∅에 남겨두는 반면, PCR5와 PCR6은 이 충돌을 각 원본 질량에 비례적으로 재분배한다는 핵심 차이를 제시한다. 수식 (1)~(3)에서는 전통적인 결합 규칙과 DSmT 기반 혼합 규칙(DSmH)을 정의하고, 이어서 PCR5(식 4)와 PCR6(식 7)의 상세 수식을 제시한다. 여기서 σ_i는 i번째 전문가를 제외한 나머지 인덱스를 순환시키는 함수이며, T(B,x)와 같은 논리 연산자를 통해 조건부 재분배를 구현한다. 저자는 또한 f(x)=g(x)=x^α 형태의 가중 함수를 도입한 일반화된 PCR_f, PCR_g(식 8,9)를 제안해, α 파라미터를 통해 충돌 재분배 강도를 조절할 수 있음을 보인다. 첫 번째 실험은 해저 퇴적물 분류를 위한 소나 이미지 융합이다. 데이터는 프랑스 GESMA가 제공한 42장의 고해상도 소나 이미지이며, 세 명의 전문가가 각 픽셀(또는 16×16 타일)마다 퇴적물 종류와 확신도(확실, 보통, 불확실)를 라벨링한다. 퇴적물 종류는 A(암석)와 B(모래) 두 클래스로 단순화하고, 각 전문가의 라벨은 확신도 c_A, c_B와 비율 p_A, p_B를 곱해 기본 질량으로 변환한다. 모델 M3은 DST 기반으로 A∩B를 인위적인 클래스 C′로 도입해 질량을 할당하고, 모델 M4는 DSmT에서 A∩B를 자연스럽게 허용한다. 두 모델 모두 결합 후 m_c(A∩B) 가 가장 크게 나오지만, 신뢰도·가능도·피그니스틱 확률 기준으로는 A가 선택된다. PCR5와 PCR6을 적용하면 충돌 질량이 A와 B에 재분배되어 피그니스틱 확률이 A에 0.9에 가깝게 상승하고, 의사결정이 보다 명확해진다. 두 번째 실험은 레이더 목표 인식을 위한 분류기 융합이다. 실험 환경은 ENSIETA의 무반사실(anechoic chamber)에서 1:48 축소 모델 10대를 다양한 각도와 거리에서 촬영한 데이터이며, 세 개의 서로 다른 분류기(예: SVM, k‑NN, CNN)가 각각 목표 종류(비행기, 헬리콥터, 드론 등)를 예측한다. 각 분류기의 출력은 확률값을 기본 질량으로 변환하고, PCR5, PCR6, PCR_f(α=0.5), PCR_g(α=2) 등 네 가지 규칙으로 결합한다. 성능 평가는 전체 정확도, 클래스별 재현율, F1 점수로 이루어졌으며, PCR6와 α>1인 PCR_g가 가장 높은 평균 정확도(≈92%)와 낮은 오류율을 기록했다. 특히, 충돌이 큰 경우(예: 서로 다른 분류기가 상반된 라벨을 제시) PCR6는 충돌 질량을 균등하게 재분배해 과도한 편향을 방지하고, 최종 결합 결과가 실제 레이블과 가장 근접했다. 논문의 결론에서는 (1) PCR 계열 규칙이 전통적인 결합 규칙보다 실세계 데이터에서 의사결정 신뢰도를 현저히 향상시킨다, (2) α 파라미터를 통해 충돌 재분배 강도를 조절함으로써 다양한 응용 분야에 맞춤형 결합 전략을 설계할 수 있다, (3) DSmT 기반 모델이 클래스 간 교차가 허용되는 상황에서 자연스러운 질량 할당을 제공하지만, 최종 의사결정 단계에서는 비례 재분배 규칙이 여전히 우수함을 강조한다. 향후 연구로는 실시간 시스템에의 적용, 고차원 프레임워크와의 통합, 그리고 전문가 신뢰도 동적 추정 모델 개발을 제안한다.