표제지
요약
목차
제1장 서론 13
제1절 연구 배경 및 목적 13
제2절 연구범위 및 방법 19
제2장 이론적 배경 및 선행연구 고찰 20
제1절 이론적 배경 20
1. 기상예보 과정 20
2. 인공지능과 기상예보 22
3. 딥러닝 기술 동향 23
4. RNN과 LSTM 26
5. 기상이 포병사격에 미치는 영향 30
제2절 선행연구 34
제3장 연구방법 및 실험 36
제1절 데이터 수집 및 전처리 36
제2절 예측 모델 설계 41
1. 하이퍼 파라미터 구성 42
2. 예측 정확도 평가 척도 44
제4장 실험 결과 및 분석 45
제1절 학습결과 비교 분석 45
1. 민간 기상데이터 기반 모델 결과 45
2. 포병 기상데이터 기반 모델 결과 52
제2절 예측 기상 적용시 사격오차 추정 58
제5장 결론 60
제1절 연구결과 요약 및 시사점 60
제2절 연구의 한계 및 향후 연구계획 61
참고문헌 62
부록[내용없음] 9
Abstract 63
〈표 2-1〉 기상청에서 사용하는 수치예보 모델 종류 21
〈표 2-2〉 민간 및 포병 기상데이터의 단위 33
〈표 2-3〉 포병기상 선행연구 및 RNN 선행연구 34
〈표 3-1〉 1시간 단위 기상데이터 36
〈표 3-2〉 예측 모델의 하이퍼 파라미터 설정 42
〈표 4-1〉 각 모델의 예측 성능 45
〈표 4-2〉 모델별 예측 평가 48
〈표 4-3〉 기상 미수신 상황 대비 LSTM의 오차율 향상 51
〈표 4-4〉 포병 기상의 선번호별 고도 52
〈표 4-5〉 선번호 별 LSTM 학습결과 54
〈표 4-6〉 민간기상과 포병기상 예측모델 결과 비교 57
〈표 4-7〉 실제 포병기상 및 예측기상 데이터 58
〈표 4-8〉 실제기상과 예측기상으로 산출한 기상수정량 비교 59
〈그림 1-1〉 전자기상 및 공군기상 비교 14
〈그림 1-2〉 전자전 공격대상과 EMP 폭탄 15
〈그림 1-3〉 포병 기상반의 기상 산출 16
〈그림 1-4〉 연구 수행방법 19
〈그림 2-1〉 수치예보를 위한 종합관측 20
〈그림 2-2〉 인공지능, 머신러닝, 딥러닝의 관계 23
〈그림 2-3〉 일반적인 딥러닝 네트워크(DNN)와 순환신경망(RNN)의 구조차이 26
〈그림 2-4〉 RNN 펼친 모습 27
〈그림 2-5〉 LSTM Cell 내부 구조 29
〈그림 2-6〉 온도의 효과(±5%) 31
〈그림 2-7〉 밀도의 효과(±5%) 31
〈그림 2-8〉 사거리풍의 효과(20노트) 32
〈그림 2-9〉 횡풍의 효과(20노트) 32
〈그림 3-1〉 훈련, 검증, 테스트 데이터의 역할 37
〈그림 3-2〉 각 특성별 데이터의 전체 그래프(온도, 기압, 풍향, 풍속) 38
〈그림 3-3〉 cos함수에 풍향(˚)값을 대입 39
〈그림 3-4〉 연구모형(Framework) 41
〈그림 4-1〉 DNN 기반 기상 예측모델 학습결과 (val_loss, val_acc) 46
〈그림 4-2〉 LSTM 기반 기상 예측모델 학습결과 (val_loss, val_acc) 46
〈그림 4-3〉 LSTM 기반 풍향 예측모델 학습결과 (최소 val_loss : 0.0476, 최대 val_acc : 0.8331) 48
〈그림 4-4〉 LSTM 모델의 온도, 기압 예측결과 49
〈그림 4-5〉 LSTM 모델의 풍향, 풍속 예측결과 50
〈그림 4-6〉 포병 기상데이터 특성별 그래프 53
〈그림 4-7〉 선번호 10번의 온도, 기압 예즉결과 55
〈그림 4-8〉 선번호 10번의 풍향, 풍속 예측결과 56