Efficient Time-Frequency Representations for Real-Time Deep Learning-Based Classification of LPI Radar Signal

본 연구는 저피탐(Low Probability of Intercept, LPI) 레이다 신호의 실시간 분석을 위해 최신 딥러닝 분류 모델에 적합한 시간 주파수 표현 기법의 적용 방안을 탐색한다. 최근의 연구에 따르면, CWD(Choi-Williams Distribution)는 STFT(Short-Time Fourier Transform)에 비해 더 정확한 시간 주파수 이미지를 생성하여 우수한 분류 성능을 제공한다. 그러나 CWD는 계산 복잡도가 높아 실시간 레이다 시스템에 적용하기에는 한계가 있다. 본 연구는 이를 극복하기 위해 계산 효율이 높은 STFT 기반의 접근 방식을 채택하고, ResNet 및 Vision Transformer와 같은 최신 딥러닝 모델에 적합하도록 구조와 파라미터를 최적화하여, CWD에 필적하는 성능을 달성할 수 있는 가능성을 탐색하였다. 먼저 두 기법 간의 이론적 계산 복잡도를 분석하고, 이를 바탕으로 시뮬레이션을 통해 분류 성능을 평가하였다. 그 결과, 기존 CNN 기반 모델에서는 CWD가 우수한 성능을 보였지만, ResNet과 Vision Transformer와 같은 최신 모델에서는 특히 낮은 신호 대 잡음비(SNR) 조건에서 오히려 STFT가 더 뛰어난 성능을 제공함을 확인하였다. 본 연구는 효율성이 뛰어난 STFT 기반 기법이 실시간 LPI 레이다 신호 처리에 적용될 경우, 성능과 효율성을 동시에 향상시킬 수 있음을 제안한다.