선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 여러 형태의 특정신호로 나타내어지는 선박 수중방사소음의 발생기 원을 효율적으로 분류하기 위해서 Tonal 신호의 추출 및 추출된 Tonal 신호의 발생 기원이 속력 종속적인지 속력 비종속적인지를자동으로 판별하는 알고리즘을 제안하였다.
- 본 논문에서는 여러 형태의 특정신호로 나타내어지는 선박 수중방사소음의 발생기원을 효율적으로 분류하기 위해서 Tonal 추출 및 추출된 Tonal 신호의 발생기원이 속력 종속적인지 속력 비종속적인지를 자동으로 판별하는 두 가지 알고리즘을 제안하고, 실제 수중에서 측정된 선박 소음에 적용하여 제안된 알고리즘이 유용한 지 에 대해 검토하였다.
제안 방법
- Tonal 신호는 주위에 비해 비교적 높은 값을 가지 므로 각 단에서 의 출력 값에 대하여 임 계 값을 초과하는 값을 Tonal 신호로 간주하고 그 성분만을 추출하였다. 임계 값의 기준은 극대값보다-6dB 낮은 값으로 설정하였다.
- Tonal 신호의 경우, Tonal 중심 주파수에서 주위보다 강한 스펙트럼을 보이므로, 일반적인 공진회로로 취급하여 공진특성의 첨예도를 나타내는 데 사용되는 quality factor Q를 도입하여, 신호의 속력 종속 여부 판단에 적용하였다. Tonal 신호의 특성상 속력 비종속 성 분은 주파수 변화폭이 좁고, 속력 종속 성분은 주파수 변화폭이 상대적으로 넓다.
- Tonal 신호 추출에 는 다음의 두 과정을 거 쳤다. 먼저 극대 점을 추출하고, 그 다음 신호의 크기가 주어진 임계값을 넘는 지를 판단하여 추출하였다.
- 먼저, 각 프레임의 전 주파수 성분에 대하여 인접해 있는 주파수 성분과의 차분 계수를 구하여 극대점 여부를 조사한다. 그림 2에 나타낸 것과 같이, 현재의 주파수 성분 *( 耸)과왼쪽에 인접해 있는 주파수 성분 x(n-l) 과의차분계수 는
- 여기에 실제 신호와 유사하게 주위 잡음을 첨가하였다. 백색 가우시 안 잡음을 각각 0, 20, 40% 정도 부가하여 총 3종류의 시험 신호를 만들었다. 왼쪽에서부터 속력 비종속 성분, 1Hz 30 프레임, 2Hz 30프레임, 3Hz 30프레임, 1Hz 20프레임, 2Hz 20프레임, 3Hz 20프레임, 1Hz 10프레임, 2Hz 10프레임, 3HZ10프레임의 속력 종속 성분들이다.
- 즉 속력 종속 성분은 기계류의 부하 상태가 시간에 따라 변화하므로 주파수 변화가 일어 난다. 본 연구에서는 신호의 시간에 따른 주파수 변화폭의 관계에서, 중심 주파수에 대한 신호의 통계적인 형태를 바탕으로 두 가지 분류 방법을 도출하였다. 주파수 축에 대한 신호의 가중합을 바탕으로 한 1차원적 인 Qfactor에 의한 분류 방법이 하나이고, 주파수 축과 시간 축에서 의 신호의 분포를 바탕으로 한 2차원적인 신경회로망의 패턴 인식 기법을 이용한 분류 방법을 적용하였다.
- 실제 측정된 신호에 적용하였다. 사용된 신호의 종류는 각각 다른 선박의 방사소음으로 2가지 신호에 대하여 적용, 검토하였다. 2가지 신호는 편의상 신호 1, 2으로 하여 구분한다.
- 분으로 나누어 구성 하였다. 속력 비 종속 성 분은 주파수 변화폭이 전혀 없는 것으로 간주하여 직선으로 구성하였다. 속력 종속 성분은 주파수 변화폭이 각각 1, 2, 자Iz인 것과 신호의 주기가 각각 10, 20, 30프레임 인 것으로 가정하여 60프레임 길이의 9개의 신호를 만들었다.
- 속력 비 종속 성 분은 주파수 변화폭이 전혀 없는 것으로 간주하여 직선으로 구성하였다. 속력 종속 성분은 주파수 변화폭이 각각 1, 2, 자Iz인 것과 신호의 주기가 각각 10, 20, 30프레임 인 것으로 가정하여 60프레임 길이의 9개의 신호를 만들었다. 여기에 실제 신호와 유사하게 주위 잡음을 첨가하였다.
- 수치 시뮬레이션을 바탕으로실제 수중에서 측정된 선박 소음에 적용하여 제안된 알고리즘이 유용한 지에 대해 검토하였다. 그 결과, 신호 2의 경우 존재하는 미약한 Tonal을 추출을 못하는 부분과 속력 종속 또는 속력 비 종속 분류를 부정확하게 하는 부분이 있었다.
- 수치 시뮬레이션을 위해서 속력 종속 성분과 속력 비종속 성분이 포함된 시험 신호를 구성하였고, 실제 신호와 유사하게 백 색 가우시 안 잡음을 각각 20%, 40% 정 도 부가하여 총 3 종류의 시험 신호를 만들어 테스트하였다. 그 결과, 부가 잡음이 많아질수록 Tonal 신호가 끊어지는 현상이 증가함을 알 수 있었고, 원래의 Ton이이 아닌 신호가 임계값을 넘어서 추출되어지는 현상도 관찰할 수가 있었다.
- Tonal 신호의 특성상 속력 비종속 성 분은 주파수 변화폭이 좁고, 속력 종속 성분은 주파수 변화폭이 상대적으로 넓다. 이것을 바탕으로Tonal 신호의 중심주파수와 폭으로 Q factor를 계산하여 두 성분을 분류를 하였다. 그림 3은 일반적인 공진회로에서의 주파수대 진폭 관계를 나타낸 것이다.
- 이상의 방법을 바탕으로 수치 시뮬레이션을 하기 위해시험 신호를 그림 7과 같이 속력 종속 성분과 속력 비종속성 분으로 나누어 구성 하였다. 속력 비 종속 성 분은 주파수 변화폭이 전혀 없는 것으로 간주하여 직선으로 구성하였다.
- 이상의 수치 시뮬레이션 결과를 바탕으로 제안된 기 법을 실제 측정된 신호에 적용하였다. 사용된 신호의 종류는 각각 다른 선박의 방사소음으로 2가지 신호에 대하여 적용, 검토하였다.
- 본 연구에서는 신호의 시간에 따른 주파수 변화폭의 관계에서, 중심 주파수에 대한 신호의 통계적인 형태를 바탕으로 두 가지 분류 방법을 도출하였다. 주파수 축에 대한 신호의 가중합을 바탕으로 한 1차원적 인 Qfactor에 의한 분류 방법이 하나이고, 주파수 축과 시간 축에서 의 신호의 분포를 바탕으로 한 2차원적인 신경회로망의 패턴 인식 기법을 이용한 분류 방법을 적용하였다.
- 패턴 인식 기법을 이용하여, 입력층과 중간층을 연결하는 뉴런들의 연결강도를 학습을 통해 구하며, 학습이 되어진 회로망에 추출된 Tonal 신호의 패턴을 입력시켜 결과 값을 얻는다. 최종적으로 출력되는 기대값은속력 종속성분, 속력 비종속성분, 신호 없음으로 분류하여 각각 C(1), C(2), C(3)로 출력 뉴런을 3개 두었다. 속력 종속 성분의 경우 출력은 1, 0, 0이며, 속력비종속 성분의 경우 0, 1, 0, 신호 없음의 경우는 0, 0, 1로 나타나게 된다.
- 이 회로망은 입력층과 출력층 사이에 은닉층이 존재하는계층구조로써 다층퍼셉트론의 구조를 이룬다. 패턴 인식 기법을 이용하여, 입력층과 중간층을 연결하는 뉴런들의 연결강도를 학습을 통해 구하며, 학습이 되어진 회로망에 추출된 Tonal 신호의 패턴을 입력시켜 결과 값을 얻는다. 최종적으로 출력되는 기대값은속력 종속성분, 속력 비종속성분, 신호 없음으로 분류하여 각각 C(1), C(2), C(3)로 출력 뉴런을 3개 두었다.
- 학습용 패턴은2차원이나 입력층의 뉴런은 1차원으로 되어 있으므로 1차원으로 변형시켜 입력을 하며, 각각 11개의 주파수 빈과 11개의 프레임으로 정하여 입력층의 뉴런 수는 121(=11x11)개, 은닉층의 수는 50개로 구성하였다. 학습 패턴의 구성은 중심 주파수에서 주파수 변화폭을 고려하여 구성하였다. 그림 6 (a)의 경우, 왼쪽에서부터 순서 대로 주파수 변화폭 1 ~5也인 신호이 며, 좌우 대칭으로 구성되어 있다.
- 것이다. 학습용 패턴은2차원이나 입력층의 뉴런은 1차원으로 되어 있으므로 1차원으로 변형시켜 입력을 하며, 각각 11개의 주파수 빈과 11개의 프레임으로 정하여 입력층의 뉴런 수는 121(=11x11)개, 은닉층의 수는 50개로 구성하였다. 학습 패턴의 구성은 중심 주파수에서 주파수 변화폭을 고려하여 구성하였다.
데이터처리
- 다음으로 추출한 극대점을 Tonal 신호로 인정을 할 수 있는 지 없는 지를 정하는 그 판단 기준으로 임계값을 도입하였다. Tonal 신호는 주위에 비해 비교적 높은 값을 가지 므로 각 단에서 의 출력 값에 대하여 임 계 값을 초과하는 값을 Tonal 신호로 간주하고 그 성분만을 추출하였다.
성능/효과
- 원래 신호 및 (b)의 추출된 신호에서 300Hz 부근의 신호가 시간에 따라 주파수 변동을 하는 곡선처럼 보이지만, 주파수 변동폭이 적은 관계로 전부 속력 비종속 성분으로 분류가 되었으며, 실제로도 60Hz 신호의 고조파 성분으로 속력 비종속 성분으로 분류되어 야 하는 신호이 나, 패턴 인식의 결과에서는 8번째 신호로 속력 종속 성분으로 잘못 분류되었다.
- 그 결과, 부가 잡음이 많아질수록 Tonal 신호가 끊어지는 현상이 증가함을 알 수 있었고, 원래의 Ton이이 아닌 신호가 임계값을 넘어서 추출되어지는 현상도 관찰할 수가 있었다. Q factor에 의한 분류 결과는 전체 적으로 속력 종속성분과 속력 비종속 성분을 정확하게 분리할 수 있었다. 패턴 인식의 경우, 한 신호를 잘 못 분리하였다.
- 테스트하였다. 그 결과, 부가 잡음이 많아질수록 Tonal 신호가 끊어지는 현상이 증가함을 알 수 있었고, 원래의 Ton이이 아닌 신호가 임계값을 넘어서 추출되어지는 현상도 관찰할 수가 있었다. Q factor에 의한 분류 결과는 전체 적으로 속력 종속성분과 속력 비종속 성분을 정확하게 분리할 수 있었다.
- 그 결과, 신호 2의 경우 존재하는 미약한 Tonal을 추출을 못하는 부분과 속력 종속 또는 속력 비 종속 분류를 부정확하게 하는 부분이 있었다. 위의 두 경우를 제외하면, 전체적으로 제안한 알고리즘이 Tonal 신호를 추출하고 분류하는데 매우 효과적 임을 알 수 있었다.
- 왼쪽 위에서부터 오른쪽 아래 순으로 각 신호를 그린 것으로, 부가잡음 0% 및 20%의 경우, 모두 정확하게 속력 종속 성분과 속력 비 종속 성분을 인식하고 있다. 부가 잡음 40%의 두 번째 신호의 경우는, 신호가 잡음에 의해 불연속점이 많이 생겨 원래의 신호의 형태에서 절반 정도 신호가 소실된 상태로 인식 결과는 속력 종속 성분으로 나와 유일하게 오인식되는 결과를 얻었다.
- 그 결과, 신호 2의 경우 존재하는 미약한 Tonal을 추출을 못하는 부분과 속력 종속 또는 속력 비 종속 분류를 부정확하게 하는 부분이 있었다. 위의 두 경우를 제외하면, 전체적으로 제안한 알고리즘이 Tonal 신호를 추출하고 분류하는데 매우 효과적 임을 알 수 있었다.
후속연구
- 앞으로의 과제로는 Tonal의 안정성을 판단하는 것을 실제 측정된 신호로 확대, 적 용시 켜 Tonal 신호의 자동 분류 에러를 감소시키는 방안과 Tonal의 추출단계에서 최적의 임계값을 정하는 연구가 계속되어야 할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.