Tracking Time-Varying Multipath Channels forActive Sonar Applications

📝 Abstract

**
액티브 소나에서 신뢰할 수 있는 탐지와 추적을 위해서는 복잡한 다중경로 배경을 정확히 학습하고 실시간으로 추적하는 것이 핵심이다. 기존 방법은 수신 신호를 레인지‑도플러 영역으로 변환한 뒤 배경을 모델링하는데, 이는 계산 비용이 크고 위상 일관성을 손실시켜 배경 변화 파악에 한계를 만든다. 본 논문은 원시 측정값(raw measurement) 영역에서 시간 변동 다중경로 채널을 직접 모델링하고, 와이드밴드 도플러 선형화를 이용해 상태‑공간 모델을 도출한다. 이 모델은 이질분산(heteroscedastic) 측정 방정식을 포함해, 확장 칼만 필터(EKF)로 채널 상태를 순차적으로 추정하고, 주변 파라미터를 주변가능도(marginal likelihood) 로 학습한다. 모델의 통계적 적합성은 p‑값 검정을 통해 검증하고, 학습된 채널 모델을 **연속 가능도비 검정(SLRT)**에 통합해 목표물 탐지를 수행한다. BELLHOP 기반 시뮬레이션 결과, 제안 모델은 해수면 파동과 송·수신기 드리프트에 의해 발생하는 채널 동역학을 효과적으로 포착하여, 얕은 물 환경에서 변동성이 큰 경우에도 탐지 신뢰도를 크게 향상시킨다.

---

**

💡 Deep Analysis

**

1. 연구 배경 및 필요성

• 다중경로와 비정상성: 얕은 해역에서는 표면·바닥 반사에 의해 강한 잔향이 발생하고, 해수면 파동·플랫폼 드리프트로 인해 통계적 비정상성이 심해진다. 이는 기존 CFAR 기반 레인지‑도플러 처리에서 통계적 정합성 가정이 깨져 거짓 경보와 미탐지 위험을 높인다.
• 레인지‑도플러 변환의 한계: 변환 과정에서 위상 일관성이 손실되고, 도플러 불일치와 윈도잉 효과가 에너지를 여러 셀에 퍼뜨려 배경 모델링을 어렵게 만든다.

2. 핵심 아이디어

기존 접근	본 논문의 접근
레인지‑도플러 변환 후 배경 모델링	원시 신호에서 직접 배경 모델링
고정된 잡음 모델(동분산)	이질분산(heteroscedastic) 측정 모델 도입
별도 CIR 추정 → 잔차 기반 탐지	EKF 기반 채널 상태 추적 + SLRT 통합 탐지

• 와이드밴드 도플러 선형화: β≈1 가정 하에 로그 스케일 파라미터 r=ln β를 도입, 도플러 효과를 상태‑의존 공분산 형태로 표현한다. 이는 물리적으로 해석 가능한 파라미터(c, d)와 연결돼, 각 경로별·공통 도플러 변동을 명시적으로 모델링한다.
• 저차원 기반 함수 전개: 전체 지연 그리드(Nₗ) 대신 Gaussian 기반 사전 정의 사전(B)와 가중치 θ(M)로 채널 진폭 a를 압축. 이는 연산 복잡도 O(N·M) 로 감소시키면서도 지연‑스무딩 특성을 보존한다.

3. 상태‑공간 모델 및 EKF 구현

• 상태 변수: θₖ (배경 진폭 계수)와 그 변화를 랜덤 워크(wₖ)로 모델링.
• 측정 방정식: yₖ = H(θₖ)·θₖ + vₖ, 여기서 vₖ는 σₑ²I + Σ_b(θₖ) 로 정의된 이질분산 잡음.
• EKF 업데이트: 예측 단계에서 R(θₖ|ₖ₋₁) 를 고정(선형화)하고, 측정 단계에서 실제 θₖ를 이용해 공분산을 재계산한다. 이는 비선형·이질분산 상황에서도 안정적인 추정을 가능하게 한다.

4. 파라미터 학습 및 통계 검증

• 주변가능도(Likelihood) 최대화: σ_q, σ_c, σ_d 등 하이퍼파라미터를 EKF‑계산된 로그 주변가능도 L(Y;Θ) 로 최적화.
• p‑값 검정: Wilks’ theorem 기반 로그우도비(LR) 통계량을 사용해 M₀(단순 잡음) vs $M_c$, $M_d$, $M_c$d 모델을 비교. 시뮬레이션에서 p < 0.05 를 지속적으로 얻어, 복합 도플러·스케일링 공분산이 실제 데이터에 의미 있음을 입증.

5. 탐지기 설계 – 연속 가능도비 검정(SLRT)

• 가설: H₀(배경만) vs H₁(배경+목표)
• 순차 검정: 누적 로그우도비 Sₖ = Σₙ log

📄 Full Content

다중 경로 배경의 정확한 모델링은 신뢰할 수 있는 능동 소나 탐지 및 추적에 필수적이다. 얕은 물에서는 표면 및 바닥과의 반복적인 상호 작용이 강한 잔향과 일관된 다중 경로 전파를 생성하며, 그 통계적 특성은 표면 동역학 및 플랫폼 드리프트에 따라 시간에 따라 변한다. 이러한 비정상성은 다중 경로 배경을 추정하기 어렵게 만들고, 허위 경보율을 증가시키며 약한 목표 반향을 가릴 수 있다. 결과적으로 신호 대 잡음비(SNR)가 낮은 영역에서 신뢰할 수 있는 탐지와 추적이 어려워진다[1], [2].

전통적인 소나 파이프라인은 수신된 시계열을 매치드 필터링(종종 도플러 필터 뱅크와 결합)으로 레인지‑도플러 영역으로 매핑하고, 일정 허위 경보율(CFAR) 유형의 임계값을 적용한다[3]‑[5]. 이들의 성능은 CFAR 훈련 윈도우 내에서 간섭 통계가 대략적으로 정상(stationary)이라고 가정하는 데 의존한다. 그러나 시간에 따라 변하는, 잔향이 지배적인 다중 경로 상황에서는 이 가정이 깨져 임계값 불일치와 탐지 성능 저하가 발생한다.

이 작업은 Knut and Alice Wallenberg Foundation이 지원하는 Wallenberg AI, Autonomous Systems and Software Program(WASP)의 부분 지원을 받았다.

그림 1 – 시간에 따라 변하는 다중 경로 채널을 갖는 양자소나 시나리오의 일러스트.
수신기, 노드, 목표가 표시되어 있다.

양자소나의 경우(그림 1 참조), 구조화된 다중 경로 배경은 센서‑노드 드리프트와 표면 움직임에 의해 진화할 수 있다[2], [6]. 이러한 조건 하에서는 기존의 레인지‑도플러 처리 방식이 빈번한 매치드 필터링을 요구하게 되며, 이는 계산 부담을 초래한다. 또한 도플러 불일치와 윈도잉(windowing)으로 인해 일관된 다중 경로 에너지가 레인지‑도플러 셀에 퍼져 배경 진화를 모델링하기가 더욱 어려워진다. 이러한 문제는 원시(raw) 측정값에 직접 작동하고 시간에 따라 변하는 다중 경로 배경을 명시적으로 추적하는 접근법의 필요성을 제기한다.

원시 측정값 기반 접근법

레인지‑도플러 영역이 아닌 원시 센서 측정값을 직접 이용하는 여러 방법이 존재한다. 이들 방법은 가능도 기반 공식화(예: 탐지 전 추적(track‑before‑detect))이나 최대 사후 확률(MAP) 방법을 이용한 방위 전용 추적을 가능하게 한다. 원시 측정값을 직접 사용하면 저‑SNR 환경에서 성능이 향상되는 것이 입증되었다[7], [8]. 또한 원시 도메인 처리는 수신 필드의 위상 일관성을 유지한다.

[9]에서는 블록‑업데이트 희소 추정기를 이용해 시간에 따라 변하는 채널 임펄스 응답(CIR)을 추적함으로써 약한 목표를 탐지한다. 이러한 모델은 고잔향 환경에서 구조와 희소성이 없을 경우 모델 불일치가 성능을 제한한다. 비구조적 적응 업데이트가 더 빠르게 이루어져 목표 탐지 횟수가 감소할 수 있다.

본 논문에서는 다른 접근법을 제안한다. CIR을 추정하고 잔차를 계산해 목표를 탐지하는 대신, **확장 칼만 필터(EKF)**를 이용해 시간에 따라 변하는 다중 경로 채널을 직접 추적한다. 광대역 도플러 선형화 근사를 사용해 다중 경로 배경을 원시 측정값으로 직접 모델링한다. 이를 통해 측정값의 주변 가능도(marginal likelihood) 변화에 기반한 약한 목표 탐지기를 설계한다[2], [10]. 다중 경로 채널 추적은 이질분산(heteroscedastic) 측정 모델을 사용해 시간에 따라 변하는 성분을 모델링함으로써 수행된다. 여러 모델을 제안하고, 각 모델의 유의성을 p‑값 유의성 검정으로 확인한다. 따라서 제안된 프레임워크는 시간에 따라 변하는 다중 경로 배경을 동시에 추적하고 목표를 탐지할 수 있다.

주요 기여

1. 원시 측정값 도메인 배경 모델 – 도플러 효과를 물리적으로 해석 가능한 상태‑의존 공분산 구조로 포착한다.
2. EKF 기반 다중 경로 채널 추적 프레임워크 – 제안된 채널 모델의 하이퍼파라미터를 학습한다.
3. 시뮬레이션 기반 평가 – p‑값 유의성 검정을 통해 제안 배경 모델의 통계적 적합성을 입증하고, 시간 변동 환경에서 탐지 성능에 미치는 영향을 분석한다.
   재현 가능한 연구: 본 논문 결과를 생성하는 코드와 데이터셋은 https://github.com/ASHKoul/Bcg_SLRT 에서 공개한다.

---

1. 문제 정의

양자소나 설정(그림 1)을 고려한다. 수신 데이터는 시간에 따라 변하는 다중 경로 배경과 가능한 목표 반향으로 구성된다. 가능도 기반 목표 탐지 및 추적을 가능하게 하려면, 다중 경로 배경의 모델링, 통계적 특성, 시간 진화를 반드시 수행해야 한다.

전송 파형을 (s(t))라 하자. 잡음이 없는 환경에서 수신 신호에 대한 표준 연속시간 다중 경로 모델은

[ x(t)=\sum_{i=1}^{$N_p$} $a_i$(t), s!\bigl(t-\ta$u_i$(t)\bigr) \tag{1} ]

여기서 (\ta$u_i$(t))와 ($a_i$(t))는 (i)번째 도착의 시간‑변화 지연 및 진폭이며, ($N_p$)는 유의한 도착 수이다. 얕은 물에서는 직접 경로와 강한 표면·바닥 상호작용이 포함되어, 목표 반향 외에 잔향‑지배 다중 경로 배경을 만든다.

채널이 시간 구간 ($t_f$) 동안 천천히 변한다고 가정하면, 다중 경로 진폭과 지연은

[ \ta$u_i$(t) \approx \ta$u_i$^{(0)} + \et$a_i$ t, \qquad $a_i$(t) \approx $a_i$^{(0)} \bet$a_i$^{,t} \tag{2} ]

와 같이 1차 근사될 수 있다. 여기서 (\ta$u_i$^{(0)})는 초기 지연, (\et$a_i$)는 지연‑속도, (\bet$a_i$)는 시간‑스케일링 계수이다. 이를 (1)에 대입하면

[ x(t) \approx \sum_{i=1}^{$N_p$} $a_i$^{(0)} \bet$a_i$^{,t}, s!\bigl(t-\ta$u_i$^{(0)}-\et$a_i$ t\bigr) \tag{3} ]

가 된다.

목표 성분을 배경으로부터 분리하기 위해 (3)을

[ x(t)=$x_b$(t)+$x_o$(t) \tag{4} ]

와 같이 배경 ($x_b$(t))와 목표‑유도 다중 경로 ($x_o$(t))로 나눈다. 여기서

[ $x_b$(t)=\sum_{i=1}^{$N_b$} $a_i$^{(0)} \bet$a_i$^{,t}, s!\bigl(t-\ta$u_i$^{(0)}-\et$a_i$ t\bigr),\qquad $x_o$(t)=\sum_{i=1}^{$N_o$} $a_i$^{(0)} \bet$a_i$^{,t}, s!\bigl(t-\ta$u_i$^{(0)}-\et$a_i$ t\bigr) \tag{5} ]

이며, ($N_b$+$N_o$=$N_p$)이다. 목표 진폭이 배경에 비해 매우 작으므로, 목표 다중 경로는 지배적인 목표 도착 하나만 고려해

[ $x_o$(t) \approx $a_o$^{(0)} \bet$a_o$^{,t}, s!\bigl(t-\ta$u_o$^{(0)}-\et$a_o$ t\bigr) \tag{6} ]

로 근사한다.

배경을 1차 광대역 도플러 선형화(Appendix A)로 전개하면

[ $x_b$(t) \approx \sum_{i=1}^{$N_b$} $a_i$^{(0)}, \Bigl[ s(t-\ta$u_i$^{(0)}) + $r_i$, t, \dot{s}(t-\ta$u_i$^{(0)}) \Bigr], \qquad $r_i$\triangleq \ln\bet$a_i$, \tag{7} ]

여기서 (\dot{s}(\cdot))는 파형의 시간 미분이며, (\bet$a_i$\approx 1)일 때 근사가 정확하다. 식 (7)은 **미지 파라미터 ($a_i$)와 ($r_i$)에 대해 이중선형(bi‑linear)**이며, 알려진 파형 (s(t))와 (u(t)\triangleq t,\dot{s}(t))에 의해 구동되는 선형 컨볼루션 모델로 해석될 수 있다. 이는 시간에 따라 변하는 다중 경로 배경의 추정 및 추적을 크게 단순화한다.

샘플링 간격 (\Delta t)를 갖는 전송 파형과 그 시간 미분 성분을 각각

[ \mathbf{s} = [s(0), s(\Delta t),\dots,s((N-1)\Delta t)]^{!\top}, \qquad \mathbf{u} = [u(0), u(\Delta t),\dots,u((N-1)\Delta t)]^{!\top} \tag{8} ]

라 두면, Toeplitz 행렬 ( \mathbf{S},\mathbf{U}\in\mathbb{R}^{N\times $N_\$ell}) (패딩된 영행렬 포함)를

[ \mathbf{S} = \begin{bmatrix} s_0 & 0 & \dots & 0\ s_1 & s_0 & \dots & 0\ \vdots & \vdots & \ddots & \vdots\ s_{N-1} & s_{N-2} & \dots & s_{N-$N_\$ell} \end{bmatrix}, \qquad \mathbf{U} = \begin{bmatrix} u_0 & 0 & \dots & 0\ u_1 & u_0 & \dots & 0\ \vdots & \vdots & \ddots & \vdots\ u_{N-1} & u_{N-2} & \dots & u_{N-$N_\$ell} \end{bmatrix} \tag{9} ]

로 정의한다. 여기서 ($N_\$ell)는 지연 그리드 길이이다. 위 행렬들을 이용해 (7)을 벡터 형태로 근사하면

[ \mathbf{x}b = \mathbf{S},\mathbf{a} + \mathbf{U},\mathbf{r}, \qquad \mathbf{a} = [a_1,\dots,a{$N_\$ell}]^{!\top}, \quad \mathbf{r} = [r_1,\dots,r_{$N_\$ell}]^{!\top}. \tag{10} ]

---

2. 통계 모델

시간 스케일 파라미터 ($r_i$)는 두 개의 독립적인 무작위 성분으로 분해된다.

[ $r_i$ = $c_i$ + d, \tag{11} ]

여기서 ($c_i$)는 각 경로 고유의 도플러를, (d)는 공통 도플러(플랫폼·표면 파동에 의해 모든 경로에 동일하게 작용)를 나타낸다. 두 성분은 평균이 0인 정규분포를 따른다고 가정한다.

[ $c_i$ \sim \mathcal{N}(0,\sigm$a_c$^2),\qquad d \sim \mathcal{N}(0,\sigm$a_d$^2). \tag{12} ]

조건부 측정 모델은

[ \mathbf{y}_b = \mathbf{S},\mathbf{a} + \mathbf{U},\mathbf{r} + \mathbf{w}, \qquad \mathbf{w}\sim\mathcal{N}\bigl(\mathbf{0},\sigm$a_e$^2\mathbf{I}\bigr), \tag{13} ]

이며, 여기서 (\sigm$a_e$^2)는 주변 잡음 파워이다. 위 식을 이질분산(heteroscedastic) 형태로 다시 쓰면

[ \mathbf{y}_b \mid \mathbf{a} \sim \mathcal{N}\bigl(\mathbf{S}\mathbf{a},; \mathbf{R}(\mathbf{a})\bigr), \qquad \mathbf{R}(\mathbf{a}) = \sigm$a_e$^2\mathbf{I} + \mathbf{\Sigma}_b(\mathbf{a}), \tag{14} ]

여기서 (\mathbf{\Sigma}_b(\mathbf{a}))는 배경 진폭 (\mathbf{a})에 의존하는 상태‑의존 공분산이다. 표면 동역학 및 센서 드리프트 때문에 (\mathbf{a})는 ping‑to‑ping(펑크 간)으로 변한다.

저차원 파라미터화

($N_\$ell)가 ($N_p$)보다 훨씬 클 경우 전체 진폭 벡터 (\mathbf{a})를 직접 추정하면 계산량이 급증한다. 따라서 저차원 기반(basis) 파라미터화를 도입한다.

[ \mathbf{a} = \mathbf{B},\boldsymbol{\theta}, \qquad \boldsymbol{\theta}\in\mathbb{R}^{M}, \tag{15} ]

여기서 (\mathbf{B}\in\mathbb{R}^{$N_\$ell\times M})는 고정된 Gaussian 기반 사전이며, 각 열은

[ B_{nm}= \exp!\Bigl[-\frac{(n\Delta t-\m$u_m$)^2}{2\sigm$a_m$^2}\Bigr] \tag{16} ]

형태이다. (\m$u_m$)은 지연 그리드 상에 균등하게 배치된 중심이며, (\sigm$a_m$\approx 0.42/\text{BW}) (BW는 전송 신호 대역폭)로 설정한다. (15)를 (14)에 대입하면

[ \mathbf{y}_b \mid \boldsymbol{\theta} \sim \mathcal{N}\bigl(\mathbf{S}\mathbf{B}\boldsymbol{\theta},; \sigm$a_e$^2\mathbf{I}+\mathbf{\Sigma}_b(\mathbf{B}\boldsymbol{\theta})\bigr). \tag{17} ]

상태‑공간 모델

(k)번째 ping에서의 기저 계수 (\boldsymbol{\theta}k)와 측정값 (\mathbf{y}{b,k})를 각각 정의한다. 배경‑전용 가설 하에서의 상태‑공간 모델은

[ \begin{aligned} \boldsymbol{\theta}{k} &= \boldsymbol{\theta}{k-1} + \mathbf{w}k,\ \mathbf{y}{b,k} &= \mathbf{S}\mathbf{B}\boldsymbol{\theta}_k + \mathbf{U}\bigl(\mathbf{c}_k + $d_k$\mathbf{1}\bigr) + \mathbf{v}_k, \end{aligned} \tag{18} ]

여기서 (\mathbf{w}_k\sim\mathcal{N}(\mathbf{0},\sigm$a_q$^2\mathbf{I}))는 랜덤 워크 잡음, (\mathbf{v}_k)는 이질분산 잡음이며

[ \mathbf{v}_k\sim\mathcal{N}\bigl(\mathbf{0},; \mathbf{R}(\boldsymbol{\theta}_k)\bigr), \qquad \mathbf{R}(\boldsymbol{\theta}_k)=\sigm$a_e$^2\mathbf{I} +\mathbf{\Sigma}_b(\mathbf{B}\boldsymbol{\theta}_k). \tag{19} ]

이 모델을 통해 잠재 다중 경로 배경 상태 (\boldsymbol{\theta}_k)를 순차적으로 추정할 수 있다.

---

3. EKF 기반 추정 및 주변 가능도 계산

위 상태‑공간 모델에 대해 확장 칼만 필터(EKF) 를 적용한다(알고리즘 1). 측정 공분산 (\mathbf{R}(\boldsymbol{\theta}k))이 상태‑의존이므로, 예측 단계에서 (\boldsymbol{\theta}{k|k-1})를 이용해 공분산을 고정(constant)하게 근사한다.

Algorithm 1: EKF for estimating the amplitude θ and calculating the marginal likelihood.
Input:   Initial mean θ̂0, covariance P0, hyper‑parameters Θ.
For k = 1,…,N
   1) Predict:   θ̂k|k‑1 = θ̂k‑1
                Pk|k‑1 = Pk‑1 + Q
   2) Linearize measurement model at θ̂k|k‑1 → Hk
   3) Compute Kalman gain:   Kk = Pk|k‑1 Hkᵀ (Hk Pk|k‑1 Hkᵀ + R(θ̂k|k‑1))⁻¹
   4) Update:   θ̂k = θ̂k|k‑1 + Kk (yk – h(θ̂k|k‑1))
                Pk = (I – Kk Hk) Pk|k‑1
   5) Accumulate log‑marginal likelihood L ← L + log N(yk; h(θ̂k|k‑1), Hk Pk|k‑1 Hkᵀ + R(θ̂k|k‑1))
End
Output:   Final estimate θ̂N, covariance PN, log‑marginal likelihood L.

모델에 포함된 하이퍼파라미터 (\Theta={\sigm$a_q$,\sigm$a_c$,\sigm$a_d$}) 등은 가능도 최대화(MLE) 방식으로 학습한다.

[ \hat{\Theta}= \arg\max_{\Theta}; L(\mathbf{Y}_b; \Theta), \tag{20} ]

여기서 (L(\mathbf{Y}_b; \Theta))는 전체 ping에 대한 로그 주변 가능도이며, EKF를 통해 근사한다.

---

4. 모델 유의성 검정 (p‑값) 및 목표 탐지

A. p‑값 유의성 검정

후보 공분산 모델을 (M\in{M_0,$M_c$,$M_d$,M_{cd}})라 두고, (M_0)은 동질(동일) 잡음만 포함한다. 확장 모델 ($M_j$) ((j\in{c,d,cd}))에 대한 로그 가능도비는

[ \Lambd$a_j$ = 2\bigl[ L(\mathbf{Y}_b; \hat{\Theta}_j) - L(\mathbf{Y}_b; \hat{\Theta}_0) \bigr]. \tag{21} ]

Wilks 정리에 의해 (\Lambd$a_j$)는 자유도 (\n$u_j$)(추가 파라미터 수)인 (\chi^2) 분포를 따른다. 따라서

[ $p_j$ = \Pr\bigl(\chi^2_{\n$u_j$} \ge \Lambd$a_j$ \bigr). \tag{22} ]

($p_j$\le\alpha) (보통 (\alpha=0.05))이면 ($M_j$)가 (M_0)보다 유의하게 우수하다고 판단한다.

B. 순차 가능도비 검정(SLRT)으로 목표 탐지

목표가 존재하는 경우와 존재하지 않는 경우를 각각

[ \mathcal{H}_0:; \text{배경 전용},\qquad \mathcal{H}_1:; \text{목표 존재} \tag{23} ]

로 정의한다. 목표 파라미터 ((\ta$u_o$,\bet$a_o$,$a_o$))는 알려졌다고 가정하고, 시작 시점 ($k_o$)만 미지이다. 순차 로그 가능도비는

[ \Lambda(k) = \sum_{i=k}^{k+L-1} \bigl[ \log p(\mathbf{y}_i \mid \mathcal{H}_1) - \log p(\mathbf{y}_i \mid \mathcal{H}_0) \bigr], \tag{24} ]

여기서 각 로그 가능도는 EKF를 통해 계산한다. 정지 규칙은

[ \begin{cases} \Lambda(k) \ge h_1 &\Rightarrow \text{목표 탐지 (알람)}\ \Lambda(k) \le h_0 &\Rightarrow \text{다음 구간으로 이동} \end{cases} \tag{25} ]

이며, (h_0,h_1)은 원하는 허위 경보율과 탐지 지연을 만족하도록 설정한다. (h_0=0)이면 Page 검정과 동일해진다.

---

5. 시뮬레이션 및 결과

BELLHOP[12],[13]을 이용해 여러 시간 변동 수중 채널 시나리오를 시뮬레이션하였다. 시간 변동성은 다음 두 가지 요인으로 유도했다.

1. 풍파 스펙트럼[14]에 의해 합성된 거친 해수면.
2. 송신기·수신기의 무작위 드리프트(수평면 독립 이동).

표 I에 사용된 음향·환경·기하학 파라미터를 요약한다. 세 가지 주요 시나리오는 다음과 같다.

시나리오	설명
Scenario 1	정적 기준: 평탄한 해수면, 고정된 송·수신기 위치
Scenario 2	표면 파동만 존재: 움직이는 해수면, 고정된 송·수신기
Scenario 3	완전 시간 변동: 움직이는 해수면 + 드리프트하는 송·수신기

그에 대응하는 채널 임펄스 응답(CIR) 은 그림 2(a)–(c) 에서 확인할 수 있다.

목표 반향 시뮬레이션

두 가지 목표 운동 조건을 고려하였다.

• 정지 목표 – 고정된 목표 지연.
• 이동 목표 – 양자선(송·수신기 직선)을 가로지르며 시간에 따라 변하는 지연을 갖는다.

특히 Scenario 1에서는 목표 지연이 다중 경로 배경과 동일한 도플러 값을 가지므로, 목표와 배경이 거의 구분되지 않는다(그림 2(a) 참조).

평가 방법

각 시나리오마다 INR(Interference‑to‑Noise Ratio)와 SNR(Signal‑to‑Noise Ratio)를 변화시키며, N_MC 번의 몬테카를로 시뮬레이션을 수행하였다.

• p‑값 검정: (24)식의 네 후보 모델 각각에 대해 (28)식의 p‑값을 계산하고, (p\le0.05)이면 유의하다고 판단한다.
• INR, SNR 정의

[ \text{INR}=10\log_{10}\frac{\mathbb{E}!\bigl[|\mathbf{x}b|^2\bigr]}{\sigm$a_e$^2}, \qquad \text{SNR}=10\log{10}\frac{\mathbb{E}!\bigl[|\mathbf{x}_o|^2\bigr]}{\sigm$a_e$^2}. \tag{26} ]

• SLRT 적용: 목표가 없는 초기 40 ping 이후에 목표가 등장한다고 가정하고, 순차 가능도비 검정을 수행한다.

주요 결과

• 시나리오 2·3에서는 p‑값이 매우 작게 관측되어, 제안된 공분산 성분((c)·(d))이 배경 구조를 충분히 포착함을 확인하였다.
• 시나리오 1에서는 거의 정적이므로 (M_0)와 큰 차이가 없었다.
• 탐지 성능(그림 3‑5):
  • M_0(동질 잡음) 모델은 평균 탐지 지연(MTD)이 크게 늘고, 검출 확률(($P_d$))이 낮았다.
  • M_d와 M_{cd}(공통‑모드 포함) 모델은 모든 시나리오에서 짧은 MTD와 높은 ($P_d$) 를 달성했다.
  • CDF(누적분포함수) 역시 M_d·M_{cd} 모델이 더 빠르게 상승하고, 상한이 높아 “miss”가 적었다.
• 공통‑모드 파라미터 (\sigm$a_d$) 가 가장 큰 영향을 미쳤으며, 이는 플랫폼·표면 파동에 의해 발생하는 드리프트‑유사 배경이 강하게 나타났기 때문이다.

결론

제안된 광대역 도플러 선형화 기반 모델은 플랫폼 및 표면 파동에 의한 도플러 효과를 신뢰성 있게 기술한다. 원시 음향 측정값 영역에서 효율적인 배경 학습을 가능하게 하여, 다중 경로 배경에 묻힌 약한 목표의 탐지를 크게 향상시킨다. 향후 연구에서는 track‑before‑detect 프레임워크와 결합하여 배경 학습·목표 탐지·추적을 공동으로 수행하는 방법을 모색할 예정이다.

---

부록: 파라미터 (F(r,t)) 정의와 1차 근사

[ F(r,t)\triangleq s!\bigl(e^{r}t\bigr),\qquad r=\ln\beta. ]

미분하면

[ \frac{\partial F(r,t)}{\partial r}=e^{r}t,\dot{s}!\bigl(e^{r}t\bigr) = t,\frac{dF(r,t)}{dt}. \tag{27} ]

초기 조건 (F(0,t)=s(t)) 를 만족하는 PDE의 해는

[ F(r,t)=s!\bigl(t,e^{r}\bigr). \tag{28} ]

테일러 급수를 이용하면

[ s(\beta t)=s(t)+\ln\beta;t,\dot{s}(t)+\mathcal{O}\bigl((\ln\beta)^2\bigr), \tag{29} ]

즉, 1차 근사는

[ s(\beta t)\approx s(t)+\ln\beta;t,\dot{s}(t). \tag{30} ]

이 식이 바로 본 논문에서 사용한 광대역 도플러 선형화의 핵심이다.