잔차 순환 신경망 기반 강화학습을 이용한 강인 TMA

초록

표적 운동 분석(TMA)은 낮은 SNR 환경 및 운용자 의존성이라는 한계를 가진다. 본 연구는 이를 극복하고자 Residual-GRU 특징 추출기를 결합한 심층 강화학습(DRL) 기반의 TMA 프레임워크를 제안한다. 제안된 기법은 BTR(방위각-시간 기록)의 노이즈에 강건한 1D-Conv와 잔차 연결을 GRU에 통합하여 표적 속력을 예측한다. Proximal Policy Optimization(PPO) 에이전트를 통해 학습되며, 실험 결과 기존 순환 신경망 기반 방식 대비 월등히 향상된 속력 추정 정확도와 안정성을 입증하였다