레이다를 위한 머신러닝 기초
17장까지는 레이다 신호에서 거리, 속도, 각도를 식으로 구했다. 그 결과물인 RD 맵(range-Doppler map), 스펙트로그램, SAR 영상을 입력으로 받으면, 판단 규칙을 식 대신 데이터에서 배울 수 있다. 지도학습의 틀, 사람이 설계하는 특징과 고전 분류기, 신경망과 학습, 평가 지표, CNN 구조, 레이다 데이터를 모델 입력으로 바꾸는 방법을 이 장에서 다루며, 20–23장의 사례는 모두 이 기초 위에서 진행한다.
머신러닝이란 무엇인가
머신러닝은 무엇이고, 레이다 문제에서 어떤 종류로 나뉘는가?
AI, ML, DL의 포함 관계
인공지능(AI), 머신러닝(ML), 딥러닝(DL)은 서로 포함 관계에 있다. AI는 가장 넓은 개념으로 "컴퓨터가 지능적 행동을 수행하는 모든 기법"을 뜻한다. ML은 "데이터에서 패턴을 학습하는 AI의 부분집합"이고, 딥러닝은 "다층 신경망을 쓰는 ML의 부분집합"이다. 레이다 신호처리에서는 세 영역을 모두 쓴다.
학습 유형
ML은 학습 데이터의 형태에 따라 크게 세 가지로 나뉜다. 레이다 응용에서는 정답 라벨을 얻는 비용이 높아서 세 접근을 모두 고려한다.
| 유형 | 학습 데이터 | 목표 | 레이다 예시 |
|---|---|---|---|
| 지도학습 (supervised) |
쌍 (입력과 정답 라벨) |
학습 | RD 맵 → 표적 탐지, 스펙트로그램 → 행동 분류 |
| 비지도학습 (unsupervised) |
만 (라벨 없음) |
데이터의 구조와 패턴 발견 | 클러터 분포 모델링, 이상 탐지(anomaly detection) |
| 강화학습 (reinforcement) |
환경과의 상호작용 (상태, 행동, 보상) |
누적 보상 최대화 | 적응형 파형 설계, 자원 할당 최적화 |
핵심 용어
| 용어 | 정의 | 레이다 예시 |
|---|---|---|
| 샘플(sample) | 데이터셋의 관측 하나 | 한 번의 CPI(coherent processing interval)에서 얻은 RD 맵 1장 |
| 특징(feature) | 입력의 측정할 수 있는 속성. 모델에 들어가는 수치 | 피크 SNR, Doppler 대역폭, RCS 변동 |
| 라벨(label) | 예측 목표값. 분류에서는 클래스, 회귀에서는 연속값 | 표적이 있는지(0/1), 표적 속도(m/s) |
| 학습(training) | 모델 파라미터 를 데이터로 최적화하는 과정 | 시뮬레이션 RD 맵 10만 장으로 CNN 가중치 갱신 |
| 추론(inference) | 학습한 모델을 새 입력에 적용해 예측값을 얻는 과정 | 실시간 수신 신호 → 표적 분류 결과 |
분류와 회귀
지도학습은 라벨의 유형에 따라 분류(classification)와 회귀(regression)로 나뉜다.
| 구분 | 출력 형태 | 손실 함수 | 레이다 예시 |
|---|---|---|---|
| 분류 | 이산 클래스 (표적 / 클러터, 보행자 / 차량 / 자전거) |
cross-entropy focal loss |
표적 탐지(있음/없음), 보행자 행동 분류(걷기/뛰기/앉기) |
| 회귀 | 연속 실수 (거리, 속도, 각도) |
MSE, MAE Huber loss |
표적 거리 추정, RCS 값 예측, 도래각(DoA) 추정 |
탐지는 분류인가 회귀인가? 문제를 어떻게 세우느냐에 따라 다르다. "표적이 있는가"는 이진 분류이고, "표적이 range와 Doppler의 어디에 있는가"는 회귀이다. YOLO 계열 같은 object detection 모델은 클래스 확률을 분류로, bounding box 좌표를 회귀로 내어 둘을 함께 한다.