레이더 RCS 데이터 기반 객체 분류를 위한 커널 어드라톤 활용

초록

본 논문은 합성 레이더 단면(RCS) 신호를 이용해 물체를 빠르게 식별하기 위해 서포트 벡터 머신(SVM) 중 하나인 커널 어드라톤(Kernel Adatron)을 적용한 연구이다. X‑밴드와 S‑밴드 두 주파수 대역의 RCS 데이터를 융합하여 원통, 원뿔꼭대기, 구, 다각형 네 종류의 물체를 구분했으며, 각각 99.4 %, 95.3 %, 100 %, 95.6 %의 정확도를 달성했다. 또한 베이지안 접근법과 비교했을 때 부동소수점 연산량 기준으로 약 1,000배 빠른 성능을 보였다.

상세 분석

이 연구는 레이더 신호 처리와 기계 학습을 접목한 전형적인 패턴 인식 문제를 다루며, 특히 RCS와 같이 고차원 연속 신호를 효과적으로 분류하기 위한 모델 선택에 초점을 맞춘다. 기존에 제안된 신경망 기반 방법은 학습 단계에서 많은 파라미터 튜닝과 대규모 데이터가 필요했지만, SVM은 마진을 최대화하는 구조적 특성 덕분에 비교적 적은 학습 샘플로도 일반화 성능을 확보한다. 논문에서 채택한 커널 어드라톤은 전통적인 SMO(Sequential Minimal Optimization) 방식보다 메모리 사용량이 적고, 커널 행렬을 반복적으로 업데이트하면서도 수렴 속도가 빠른 것이 특징이다.

핵심 기술적 기여는 두 가지이다. 첫째, X‑밴드(8 ~ 12 GHz)와 S‑밴드(2 ~ 4 GHz) RCS 데이터를 시간‑주파수 도메인에서 정규화하고, 각 주파수 대역별 특징 벡터를 결합한 다중 스케일 융합 방식을 도입했다. 이 과정에서 회전 및 스케일 변동에 강인한 정규화 기법을 적용해, 물체가 다양한 방위각에서 관측되더라도 특징 손실을 최소화하였다. 둘째, 커널 함수로는 가우시안(RBF) 커널을 사용했으며, 하이퍼파라미터 C와 γ를 교차 검증을 통해 최적화했다. 특히, γ 값을 너무 크게 설정하면 과적합이 발생하고, 너무 작게 하면 마진이 넓어져 구분력이 떨어지는 현상을 실험적으로 확인하고, 최적값을 0.05로 고정함으로써 모든 물체 클래스에 대해 균형 잡힌 성능을 얻었다.

성능 평가에서는 정확도 외에도 FLOP(부동소수점 연산) 수를 기준으로 베이지안 네트워크와 비교했다. 베이지안 접근은 사전 확률과 사후 확률을 계산하기 위해 복잡한 적분과 샘플링 과정을 필요로 했으며, 결과적으로 약 1.2 × 10⁹ FLOP가 소요된 반면, 커널 어드라톤 기반 SVM은 약 1.0 × 10⁶ FLOP만으로 동일한 분류 작업을 수행했다. 이는 실시간 혹은 임베디드 환경에서 레이더 신호를 즉시 처리해야 하는 군사·우주 응용에 큰 장점을 제공한다.

또한, 실험 데이터는 완전 합성된 시뮬레이션 모델을 사용했으며, 물체의 재질, 표면 거칠기, 회전 속도 등을 다양하게 변형해 데이터셋을 구축했다. 이러한 설정은 실제 전장 상황에서 발생할 수 있는 잡음과 변동성을 어느 정도 반영하지만, 실제 측정 데이터에 대한 검증이 부족하다는 한계도 명시하고 있다. 향후 연구에서는 실제 레이더 시스템으로부터 수집한 RCS 데이터를 이용해 모델의 견고성을 추가 검증할 필요가 있다.