HRRP 시퀀스를 활용한 딥러닝 기반 목표 반경 길이 추정

초록

본 논문은 고해상도 거리 프로파일(HRRP) 시퀀스를 정규화 후 Gramian Angular Field(GAF) 이미지로 변환하고, 이를 사전 학습된 ResNet‑101에 fine‑tuning하여 목표의 반경 길이를 엔드‑투‑엔드 방식으로 추정한다. 실험 결과, 전통적인 임계값 방법과 1차원 CNN에 비해 저 SNR 환경에서도 높은 정확도와 노이즈 저항성을 보였다.

상세 분석

이 연구는 레이더 신호 처리 분야에서 HRRP 데이터를 직접 활용하는 대신, 시계열 정보를 이미지 형태로 재구성하는 GAF 변환을 도입함으로써 딥러닝 모델이 시간적 상관관계를 보다 효과적으로 학습하도록 설계하였다. 먼저 HRRP 시퀀스를 0~1 구간으로 정규화하고, 각 샘플을 극좌표계의 각도로 매핑한 뒤 코사인 유사도 합산을 통해 GAF 행렬을 생성한다. 이 과정은 기존 1차원 신호를 2차원 텐서로 변환함으로써 CNN 기반 모델이 공간적 패턴을 추출할 수 있게 만든다.

모델 아키텍처는 PyTorch에서 제공하는 ResNet‑101을 기반으로 하며, 입력 채널을 1채널(GAF 이미지)로 맞추기 위해 첫 번째 컨볼루션 레이어를 수정하였다. 이후 기존 ResNet 블록을 그대로 활용하면서 배치 정규화와 드롭아웃을 포함해 과적합을 방지한다. 최종 레이어는 회귀용 Fully Connected 층으로 교체해 목표 반경 길이 값을 직접 출력한다. 학습 손실은 평균 제곱 오차(MSE)를 사용하고, 학습률은 0.001로 고정하였다.

실험은 X‑밴드 전자기 시뮬레이션을 통해 생성된 6종 항공기 데이터셋을 사용했으며, 데이터는 훈련·검증·테스트 7:2:1 비율로 분할하였다. 라벨은 항공기 길이, 날개 길이, 높이 등을 이용한 경험식(식 4)으로 생성하였다. 비교 대상은 전통적인 임계값 기반 방법과 1차원 CNN(3개의 컨볼루션 블록, BN·ReLU·맥스풀링 포함)이다. 결과는 평균 상대 오차(MRE) 기준으로 제시되었으며, SNR=30에서 제안 방법은 1.34%의 MRE를 기록해 기존 방법들(전통적 25.10%, 1D‑CNN 10.38%)보다 현저히 우수했다. 특히 SNR=10과 같은 저신호 환경에서도 MRE 16.17%를 달성, 노이즈에 대한 강인성을 확인했다. 학습 곡선에서도 제안 모델이 빠르게 수렴하고 과적합 없이 안정적인 테스트 손실을 유지함을 보여준다.

이 논문의 주요 기여는 (1) HRRP 시퀀스를 GAF 이미지로 변환해 시계열 정보를 공간적 패턴으로 재구성한 점, (2) 대규모 사전 학습된 ResNet‑101을 전이 학습하여 적은 데이터에서도 높은 일반화 성능을 확보한 점, (3) 저 SNR 상황에서도 기존 방법 대비 두 자릿수 이상의 정확도 향상을 입증한 점이다. 다만 라벨 생성에 사용된 경험식이 실제 물리적 측정값과 얼마나 일치하는지에 대한 검증이 부족하고, 실험이 시뮬레이션 데이터에 국한되어 실제 레이더 환경에서의 적용 가능성을 추가 검증할 필요가 있다. 향후 연구에서는 실제 전투기 레이더 측정 데이터와 다양한 목표 유형(선박, 지상 목표 등)에 대한 확장 검증 및 라벨링 자동화 방법을 모색할 수 있다.