레이다 시스템이 운용되는 환경의 대기굴절률을 예측하기 위한 인공지능 기반 대기굴절률 예측방법으로서,서로 다른 대기굴절률의 특성을 가지는 대기들을 각각 모델링하는 과정;모델링된 대기들 각각으로 상기 레이다 시스템이 전자파를 방사하는 상황을 모사하여 획득한 클러터 정보를 이용하여 학습데이터를 생성하는 과정;상기 학습데이터를 이용하여 신경망을 학습시키는 과정; 및상기 레이다 시스템이 실제 대기로 전자파를 방사하여 획득한 클러터 정보를 상기 신경망에 입력하여, 실제 대기의 대기굴절률을 예측하는 과정;을 포함하고,상기 학습데이터를 생성하는 과정은,모델링한 대기들로 상기 레이다 시스템이 전자파를 방사하는 상황을 모사하면서 클러터신호의 세기를 산출하는 과정, 및산출된 클러터신호의 세기를 이용하여 상기 레이다 시스템의 운용거리에 따라 클러터신호의 세기가 변화되는 양을 나타내는 클러터 이미지들을 학습데이터로 생성하는 과정을 포함하고,상기 클러터 이미지들을 학습데이터로 생성하는 과정은,상기 클러터 이미지들은 256×256 픽셀 단위 이상 내지 512×512 픽셀 단위 이하의 사이즈로 생성하고 흑백 이미지로 만들어 학습데이터의 용량을 감소시키는 과정을 포함하는 인공지능 기반 대기굴절률 예측방법.

청구항 1에 있어서,상기 대기들 각각은, 지표에 접하는 제1 층, 및 상기 제1 층 상에 위치하는 제2 층을 포함하고,상기 대기들을 각각 모델링하는 과정은,상기 제1 층의 두께, 상기 제1 층의 대기굴절률의 기울기값, 상기 제2 층의 두께, 및 상기 제2 층의 대기굴절률의 기울기값을, 미리 설정된 범위 내에서 임의로 변경하면서 서로 다른 대기굴절률의 특성을 가지는 대기들 각각의 모델들을 생성하는 과정을 포함하는 인공지능 기반 대기굴절률 예측방법.

청구항 2에 있어서,상기 대기들 각각은, 상기 제2 층 상에 위치하는 제3 층을 더 포함하고,상기 대기들을 각각 모델링하는 과정은,상기 제3 층 이상의 대기굴절률의 기울기값을 미리 설정된 값으로 고정하는 과정을 더 포함하는 인공지능 기반 대기굴절률 예측방법.

청구항 3에 있어서,상기 대기들을 각각 모델링하는 과정에서,하기의 수식(1)로 상기 제1 층에서의 대기굴절률을 산출하여 상기 제1 층에서 고도에 따른 대기굴절률의 변화량을 모델링하고, 하기의 수식(2)로 상기 제2 층에서의 대기굴절률을 산출하여 상기 제2 층에서 고도에 따른 대기굴절률의 변화량을 모델링하고, 하기의 수식(3)으로 상기 제3 층에서의 대기굴절률을 산출하여 상기 제3 층에서 고도에 따른 대기굴절률의 변화량을 모델링하는 인공지능 기반 대기굴절률 예측방법.수식(1): 수식(2): 수식(3): (여기서, z는 해수면으로부터의 고도이고, M(z)는 고도 z에서의 대기굴절률이고, M(0)는 고도 Om에서의 대기굴절률이고, zb는 제1 층의 두께이고, zthick는 제2 층의 두께이고, c1은 제1 층의 대기굴절률의 기울기값이고, c2는 제3 층의 대기굴절률의 기울기값이고, Md는 덕트 강도(Duct strength, 제1 층의 상단부와 제2 층의 상단부의 대기굴절률 차이)임)

삭제

청구항 2에 있어서,상기 클러터신호의 세기를 산출하는 과정에서,하기의 수식(4)를 이용하여 클러터신호의 세기를 계산하는 인공지능 기반 대기굴절률 예측방법.수식(4): (여기서, Pc는 클러터신호의 세기이고, Pt는 레이다 시스템의 전송 전력이고, G는 레이다 시스템의 안테나 이득이고, σ0는 해수면의 정규화된 레이다 반사 면적이고, A는 레이다 시스템에서 방사된 전자파의 면적이고 r은 레이더 시스템의 운용거리임)

삭제

청구항 2에 있어서,상기 신경망을 학습시키는 과정은,클러터 이미지들을 상기 신경망에 입력하여 훈련시키는 과정;상기 신경망에 입력된 클러터 이미지를 생성하기 위해 이용한 모델들의 변수들과 상기 신경망의 출력결과를 비교하여 상기 신경망의 예측 정확도를 산출하는 과정; 및상기 신경망의 예측 정확도가 미리 설정된 설정 정확도에 도달하는 경우, 상기 신경망의 훈련을 중단하는 과정;을 포함하는 인공지능 기반 대기굴절률 예측방법.

청구항 1 내지 청구항 4, 청구항 6, 및 청구항 8 중 어느 한 항에 있어서,상기 신경망은 다층구조의 합성곱 신경망을 포함하는 인공지능 기반 대기굴절률 예측방법.

레이다 시스템이 운용되는 환경의 대기굴절률을 예측하기 위한 인공지능 기반 대기굴절률 예측장치로서,상기 레이다 시스템이 대기로 전자파를 방사하여 획득한 클러터 정보를 입력받아 대기의 대기굴절률을 예측하기 위한 예측부;서로 다른 대기굴절률의 특성을 가지는 대기들을 각각 모델링하기 위한 모델링부;상기 모델링부가 모델링한 대기들 각각으로 레이다 시스템이 전자파를 방사하는 상황을 모사하여 획득한 클러터 정보를 이용하여 학습데이터를 생성하기 위한 데이터생성부; 및상기 학습데이터를 이용하여 상기 예측부를 학습시키기 위한 학습부;를 포함하고,상기 데이터생성부는,상기 모델링부가 모델링한 대기들로 상기 레이다 시스템이 전자파를 방사하는 상황을 모사하기 위한 시뮬레이션부,상기 시뮬레이션부가 모사하는 상황에서의 클러터신호의 세기를 산출하기 위한 산출부, 및상기 산출부가 산출한 클러터신호의 세기를 이용하여 상기 레이다 시스템의 운용거리에 따라 클러터신호의 세기가 변화되는 양을 나타내는 클러터 이미지들을 학습데이터로 생성하기 위한 이미지생성부를 포함하고,상기 이미지생성부는,상기 클러터 이미지들은 256×256 픽셀 단위 이상 내지 512×512 픽셀 단위 이하의 사이즈로 생성하고 흑백 이미지로 만들어 학습데이터의 용량을 감소시키는 인공지능 기반 대기굴절률 예측장치.

청구항 10에 있어서,상기 대기들 각각은, 지표에 접하는 제1 층, 상기 제1 층 상에 위치하는 제2 층, 및 상기 제2 층 상에 위치하는 제3 층을 포함하고,상기 모델링부는,상기 제1 층의 두께, 상기 제1 층의 대기굴절률의 기울기값, 상기 제2 층의 두께, 및 상기 제2 층의 대기굴절률의 기울기값을, 미리 설정된 범위 내에서 임의로 변경하면서 서로 다른 대기굴절률의 특성을 가지는 대기들 각각의 모델들을 생성하는 인공지능 기반 대기굴절률 예측장치.

삭제

삭제

청구항 11에 있어서,상기 학습부는,클러터 이미지들을 상기 예측부에 입력하여 훈련시키기 위한 훈련부;상기 예측부에 입력된 클러터 이미지를 생성하기 위해 이용한 모델들의 변수들과 상기 예측부의 출력결과를 비교하여 상기 예측부의 예측 정확도를 산출하기 위한 비교부; 및상기 비교부가 산출한 예측 정확도가 미리 설정된 설정 정확도에 도달하는 경우, 상기 훈련부의 상기 예측부 훈련을 중단시키기 위한 제어부;를 포함하는 인공지능 기반 대기굴절률 예측장치.