HRRP를 그래프로 변환한 효율적인 목표 인식 모델

초록

본 논문은 고해상도 거리 프로파일(HRRP)을 범위 셀의 진폭을 기반으로 한 노드 벡터와 범위‑상대 인접 행렬로 구성된 그래프로 변환하고, 1‑차원 컨볼루션과 그래프 컨볼루션, 선형 어텐션을 결합한 HRRPGraphNet을 제안한다. 실험 결과, 특히 학습 샘플이 제한된 상황에서 기존 시퀀스 기반 모델들을 크게 능가하는 정확도와 강인성을 보이며, 그래프 기반 접근법의 가능성을 입증한다.

상세 분석

HRRPGraphNet의 핵심 아이디어는 HRRP 신호를 비유클리드 그래프 구조로 재표현함으로써 범위 셀 간의 물리적 관계를 명시적으로 모델링하는 것이다. 기존의 RNN·LSTM·CNN 기반 방법들은 HRRP를 일차원 시퀀스로 취급해 전역 혹은 국부 특징을 각각 강조했지만, 셀 간 거리와 진폭 상관관계를 충분히 활용하지 못했다. 논문은 먼저 HRRP의 각 범위 셀을 그래프의 노드로 정의하고, 노드 특성으로는 셀 진폭을 그대로 사용한다. 인접 행렬은 (e_{i,j}= \frac{h_i h_j}{|i-j|+1}) 라는 식으로 설계했는데, 이는 인접 셀일수록 높은 가중치를 부여하고, 진폭이 큰 셀일수록 다른 셀과 강한 연결을 형성하도록 만든다. 이 설계는 전파학적 해석과 일치한다; 강한 반사체(스캐터링 센터)는 주변 셀에 비해 높은 상관성을 갖는다.

그래프 생성 후, 두 단계의 특징 추출이 수행된다. 첫 단계는 1‑D 컨볼루션(커널 1×3) 두 번을 적용해 로컬 패턴을 강화하고, 채널 수를 (D_{out}) 로 확장한다. 이 과정은 기존 CNN이 수행하던 국부 구조 추출과 유사하지만, 그래프 형태로 변환된 뒤에도 적용 가능하도록 설계되었다. 두 번째 단계는 그래프 컨볼루션 레이어(GCN)이다. 여기서는 노드 특징 (h_i^{(f)}) 에 대해 (W_1 h_i^{(f)} + W_2 \sum_{j\in A(i)} e_{j,i} h_j^{(f)} + b_i) 를 계산해 전역적인 관계 정보를 통합한다. GCN은 완전 연결 그래프이므로 모든 노드가 서로 영향을 주고받으며, 인접 행렬에 내재된 거리·진폭 가중치가 전역 특징 학습에 직접 기여한다.

마지막으로 선형 어텐션 모듈이 도입되어 각 노드의 출력 특징에 가중치를 부여한다. 어텐션 스코어 (s(h_i^{(out)}) = h_i^{(out)T} W_{att} + b_{att}) 를 Softmax로 정규화해 (\alpha_i) 를 얻고, 이를 가중합해 (V_{att}) 를 만든 뒤 완전 연결층을 통해 클래스 확률을 출력한다. 이 구조는 중요한 노드(예: 강한 스캐터링 센터)에게 더 큰 기여를 허용함으로써 제한된 학습 데이터에서도 효과적인 일반화를 가능하게 한다.

실험은 X‑밴드 전자기 시뮬레이션 데이터셋(3종 항공기, 4편파, 501 범위 셀)에서 수행되었다. 학습 샘플을 900개와 300개로 각각 제한했을 때, HRRPGraphNet은 평균 정확도 91.56%와 90.78%를 달성했으며, 이는 기존 SVM, LDA, MSFKSPP‑MMC, AE, CNN, RNN, 1‑D ResNet, LSTM, 1‑DRCAE, 1‑D AMRAE 등을 모두 앞선 수치이다. 특히 300개 샘플 상황에서 다른 딥러닝 모델은 정확도가 급격히 떨어지는 반면, 제안 모델은 비교적 안정적인 성능을 유지했다.

연산 복잡도 측면에서는 인접 행렬이 (N^2) 크기를 가지므로 메모리·시간 비용이 증가한다는 한계가 있다. 논문은 이를 저‑랭크 행렬 연산으로 일부 최적화했지만, 향후 효율적인 희소 그래프 표현이나 동적 인접 행렬 설계가 필요하다고 언급한다. 전반적으로 HRRP를 그래프로 변환해 로컬·글로벌 특징을 동시에 학습하는 접근법은 제한된 데이터 환경에서 레이더 자동 목표 인식(RATR) 성능을 크게 향상시킬 수 있음을 실험적으로 입증한다.