DOI QR코드

DOI QR Code

베이지안 네트워크 학습을 이용한 방공 무기 체계에서의 위협평가 기법연구

A Study of Threat Evaluation using Learning Bayesian Network on Air Defense

  • 최보민 (가천대학교 일반대학원 전자계산학과) ;
  • 한명묵 (가천대학교 컴퓨터공학과)
  • 투고 : 2012.10.12
  • 심사 : 2012.12.03
  • 발행 : 2012.12.25

초록

위협평가는 전장상황을 인지하여 아군의 자산을 보호하고 무장 할당의 효율적 의사결정에 도움을 줄 수 있는 기술로서, 교전을 실시할 트랙들에 대한 우선순위를 결정하는 알고리즘이다. 즉, 다 표적 교전상황에서의 신속한 의사결정을 도와 아군의 피해를 최소한으로 하고 적군에 대한 공격을 최대한으로 하는 것을 목적으로 한다. 위협평가에 이용되는 위협치 산출은 전장에서 발생하는 센서 데이터들을 통해 연산된다. 그러나 전장상황은 예측 불허하고 다양한 변수가 일어날 가능성이 높으므로 이러한 데이터들의 변질 및 유실은 위협평가를 통한 의사결정에 혼란을 더할 수 있다. 그러므로 본 논문에서는 불완전한 몇 몇 데이터만을 가지고도 신뢰도 높은 결과를 산출하는 데 유리한 베이지안 네트워크의 추론기능과 전장 환경변화에 네트워크의 적응을 가능하게 해주는 학습기능을 위협평가 분야에 적용하여 보다 견고한 위협치를 산출할 것을 제안하여 실험을 통해 이에 대한 성능을 입증하였다.

A threat evaluation is the technique which decides order of priority about tracks engaging with enemy by recognizing battlefield situation and making it efficient decision making. That is, in battle situation of multiple target it makes expeditious decision making and then aims at minimizing asset's damage and maximizing attack to targets. Threat value computation used in threat evaluation is calculated by sensor data which generated in battle space. Because Battle situation is unpredictable and there are various possibilities generating potential events, the damage or loss of data can make confuse decision making. Therefore, in this paper we suggest that substantial threat value calculation using learning bayesian network which makes it adapt to the varying battle situation to gain reliable results under given incomplete data and then verify this system's performance.

키워드

과제정보

연구 과제 주관 기관 : 가천대학교

참고문헌

  1. Cheol-ho, kim, National defense IT technology trends and future changes in the battlefield environment, IT SoC Magazine pp. 41-48, 2009.
  2. Jong Min Yun, Sung-Sam Hong and Myung-Mook Han, "The Study of Threat Evaluation using Threat Evaluation Parameter and Fuzzy on Air Defense of Army," Proceedings of KIIS Fall Conference, vol. 21, no. 2, pp. 228-229, 2011.
  3. Sungwon Jung, Doheon Lee, and Kwang H. Lee, "Reducing Uncertainty of Bayesian Networks by Reducing Variances of Probability Distributions," The Korean Institute of Information Scientists and Engineers, vol. 33, no. 2(B), pp. 238-243, 2006.
  4. Jun-hyeng choi, Joong-bae Kim, Dae-su Kim and Kee-wook Rim, "Bayesian Model for Probabilistic Unsupervised Learning," Proceedings of KIIS Conference, vol. 11, no. 0, pp. 849-854, 2011.
  5. Kevin Murphy, "A Brief Introduction to Graphical Models and Bayesian Networks," Avalilable: http://www.cs.ubc.ca/-murphyk/Bayes/bnintro.html, 1998, [Accessed: October 29, 2012]
  6. Sean Borman, "The Expectation Maximization Algorithm: A short tutorial", www.seanborman.com, 2004, [Last updated January 09, 2009]
  7. Hak-yong, Han, Introduction of pattern recognition, Hanbit media, 2009.
  8. Bo Thiesson, Christopher Meek, and David Heckerman, "Accelerating EM for large database," Machine Learning, vol. 45, pp. 279-299, 2001. https://doi.org/10.1023/A:1017986506241
  9. Subrata Das, Rachel Grey, and Paul Gonsalves, "Situation Assessment via Bayesian Belief Networks," Proceedings of the fifth international conference on information fusion, vol. 1, pp. 664-671, 2002.