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 선박식별 자동화 실현을 위한 기초 자료를 제공할 목적으로 선박에서 들려오는 소리를 일반 컴퓨터에서 상용 애플리케이션을 이용하여 신호 변환 및 처리를 통해 수중음파 특성을 추출하고, 추출된 자료를 데이터 마이닝 및 패턴인식을 통하여 선박들의 클래스를 분류함으로써 선박식별의 가능성을 보이고자 한다.
- 본 논문은 선박을 자동으로 식별하기 위한 기초자료를 제공할 목적으로 수중에서 발생하는 소리를 일반 상용 컴퓨터를 이용하여 사용자가 특징 음파를 추출 및 분석하기에 편리하도록 GUI 환경의 프로그램 개발 및 데이터 마이닝과 패턴인식을 시뮬레이션 및 실측 자료를 적용하여 선박의 선박 클래스를 식별해 보았다. 구현된 시스템에 자료를 적용한 결과 시뮬레이션 자료는 모든 미지 음원을식별하丑 실측자료는 전체 60개의 미지 음원 중에 59개의 음원을 식별하여 98%의 선박 클래스 분류를 함으로써, 높은 식별 능력을 보였다.
- 이를 위해서는 신호처리 과정이 필요하다. 본 절에서는 수중 음원 식별 시스템에 필요한 신호처리 및 주변소음 제거를 위한 필터링을 고찰하였다.
제안 방법
- 3.1 절에서 제시한 시스템의 요구사항을 토대로 선박식별 시스템을 설계하였다.
- mat파일을 SAS E-miner 시스템에서 인식하기 위한 작업을 실시한다. SAS E-miner는 많은 자료베이스를 인식하지만 본 시스템에서는 인식파일 중에서 엑셀을 이용하기로 하였으며, 자료는 두 개의 그룹으로 구분하여 저장하였다. 하나는 표준자료를 생성하기 위한 자료이고 또 다른 하나는 미지의 음원 신호를 생성하기 위한 자료이다.
- SAS E-miner에서 SOM/Kohonen 기법을 이용하기 위한 가장 적합한 분석방법은 'Batch Self Organizing Map'방식이며, Map의 크기와 본 연구의 실험 데이터의 크기와 맞게 seed 지정은 열을 1로, 행을 18로 지정하였다.
- SAS E-miner에서 추출한 각 클래스별 결과 값을 매트랩 도구에 적용하기 위해 각 자료들을 엑셀로 다시 변환하였다.
- 활용한 결과 값를 표준자료로 변환한다. 각 클래스별로 결과 값를 종합하여 매트랩 파일 형식으로 자료베이스를 구축한다.
- 구현된 음파 분석 도구를 사용하여 음파 특징을 추출한다. 특징음파를 추출하기 위해 파일을 열어서 웨이브 파일을 불러들인다.
- 또한 선박 식별 시스템 구현을 위해 일반 컴퓨터의 사운드 카드를 이용하였다. 또한 음탐 장비에서 나온 아날로그 소리를 디지털 파일인 웨이브 파일로 변환하고, 필터링 작업을 거친 뒤에 파일을 푸리에 변환을 통하여 주파수대 크기의 변환 값을 추출하였다.
- 또한 선박 식별 시스템 구현을 위해 일반 컴퓨터의 사운드 카드를 이용하였다. 또한 음탐 장비에서 나온 아날로그 소리를 디지털 파일인 웨이브 파일로 변환하고, 필터링 작업을 거친 뒤에 파일을 푸리에 변환을 통하여 주파수대 크기의 변환 값을 추출하였다. 추출된 변환 값을 데이터 마이닝 기법 중 군집기법의 하나인 SOM /Kohonen 기법을 활용하여 표준패턴을 생성하였다.
- 먼저 불러온 파일을 이용하여 사용자가 분석하기 편하게, 웨이브 변환', '푸리에 변화 스펙트로그램' 아이콘을 사용하여 웨이브 파일을 눈으로 직접 보면서 분석 할 수 있도록 하였다.
- 원시 자료를 일반 컴퓨터에서 지원되는 Jet Audio 프로그램을 이용하여 디지털 신호인 웨이브 파일로 변환한다. 변환된 자료는 여러 선박에 대한 많은 자료이므로 각 자료들을 선박 클래스별로 구분하여 파일형태로 자료베이스를 구축한다.
- 변환된 표준자료는 선박식별 시스템 라이브러리에 각각의 클래스로 저장하여 미지의 음원 신호와 비교할 수 있도록 하였으며, 변환된 미지의 음원 신호는 각각의 클래스별로 분류하여 별도로 저장하였다.
- 단계는 미지의 음원신호 식별단계이다. 본 시스템 설계에서는 많은 종류의 선박을 대상으로 하지 않고 몇 가지 종류의 선박을 대상으로 시스템을 구축하였기 때문에 해당 자료베이스를 구축하지 않고 파일 형식으로 자료를 저장하는 방식을 사용하였다.
- 자료비교 단계에서 표준자료와 비교될 수 있는 미지의 음원자료가 생성되면, 이 자료를 서로 비교 및 분석하여 음원을 식별한다. 본 시스템에서는 단순 비교가 아닌 패턴인식 중 최근방 식별법에 근거하여 매트랩 도구를 이용 자체적으로 제작한 음원 식별도구를 이용한다. 음원 식별 단계에서 미지의 음원 신호와 표준자료를 비교하여 가장 유사성이 높은 음원 해당 선박으로 분류한다.
- 한다. 본 시스템에서는 디지털 파일에 대해 매트랩 도구를 이용하여 자체적으로 제작한 음탐분석도구를 활용하여 주변소음을 제거하기 위해 통과 특성이 좋은 Butterworth 필터로 필터링을 한 후에 푸리에 변환으로 주파수대 크기 형태로 특징 자료를 추출하고 추출된 자료를 엑셀을 이용하여 각 클래스 별로 자료베이스를 구축한다.
- 수중음파 자료의 적용범위는 일반 해양에서 들려오는 복합적인 소리를 시스템 특성에 맞게 고유의 소리를 획득하기위한 주파수 분리 및 음파 특성을 추줄해야하나, 연구 목적상 고유의 선박 소리를 추출하여 시스템에 적용하였다. 연구 범위로 적용한 자료는 시뮬레이션 및 실제 측정한 자료이다.
- 본 논문에서는 시뮬레이션 및 해양에서 고유선박을 측정한 실제 자료를 이용하였다. 시뮬레이션 자료는 여러가지 소리 중에서 상선 어선 등의선박에서 발생하는 여러 소리 중 특정부위에서 생성되는 수중음원인 프로펠러에서 발생하는 소리를 측정하였다. 표본으로 사용할 자료를 추출하기 위해 선박 각각의 프로펠러 속력을 달리하였을 경우에 발생하는 소리를 추출하였다.
- 시뮬레이션과 실측자료는 표준 지식에 적용할 자료와 미지의 수중음원에 적용할 자료로 구분하여 추출 및 저장하였다. 추출하는 방식은 연속적인 전체 아날로그 소리 중에서 일반 컴퓨터에서 지원되는 Jet Audio 프로그램을 이용하여 임의적으로 추출한 소리를 저장하였으며, 측정한 청음기에서 나오는 소리 중 다른 소음에 의해 오염이 심한 채널이나 수신 상태가 불량한 채널의 경우는 추출 소리에서 제외하였다[6].
- 시스템 구조의 단순화 및 사용자의 편의를 위해 특징 음파 추출 및 식별을 위한 도구는 매트랩 도구에서 한 화면에 표시할 수 있도록 개발한다. 이는 사용자에게 분석 및 식별을 모두 할 수 있는 장점뿐만 아니라 차후에 전체 시스템을 연결할 시 편리하기 때문이다.
- 표본으로 사용할 자료를 추출하기 위해 선박 각각의 프로펠러 속력을 달리하였을 경우에 발생하는 소리를 추출하였다. 실측자료는 수중 센서인 청음기를 탑재한 시험선에서 측정한 자료를 이용하였으며, 이때 측정하고자 하는 선박은 속도를 달리하여 멀리서부터 가까이, 다시 멀리 지나가는 소리를 정지된 시험선에서 측정하였다.
- 나뉜다.<그림 3>에서 설계된 흐름도에 따라 특징자료 추출에 대한 프로그램을 작성하였다.
- 원시자료에서 디지털 파일로 변환하는 디지털 파일 단계에서는 선박 클래스의 분류를 위해 먼저 음탐기로부터 수신된 아날로그 신호를 디지털로 변환해야 한다. 원시 자료를 일반 컴퓨터에서 지원되는 Jet Audio 프로그램을 이용하여 디지털 신호인 웨이브 파일로 변환한다. 변환된 자료는 여러 선박에 대한 많은 자료이므로 각 자료들을 선박 클래스별로 구분하여 파일형태로 자료베이스를 구축한다.
- 음원분석 및 식별도구(선박 클래스 식별)를 이용하여 시뮬레이션 및 실측 자료에 대한 미지의 음원 신호를 적용하였다. 표준자료는 시뮬레이션 및 실측에 대한 표준자료 8개를 전부 적용하여 미지의 신호와 비교하였다.
- 연구 범위로 적용한 자료는 시뮬레이션 및 실제 측정한 자료이다. 이는 전체 선박을 적용하여 클래스를 식별할 수 있는 시스템을 설계 및 구현하는 것이 중요하나, 선박을 식별하기위한 수중음파 자료 획득의 어려움으로 인해 본 논문에서는 자료 적용에 범위를 두었다.
- 이를 위해 선박을 식별하는데 필요한 수중 음파 분석 및 신호처리는 매트랩 도구를 이용하여 특징 음파를 추출하였으며, 데이터 마이닝 기법 및 패턴인식을 적용하여 선박의 클래스를 파악하고 식별하였다. 또한 선박 식별 시스템 구현을 위해 일반 컴퓨터의 사운드 카드를 이용하였다.
- 것이다. 추출한 자료는 4가지 종류의 선박 시뮬레이션 및 실측 자료를 15초 간격으로 추출하였으며, 미지의 수중 음원신호는 전체의 자료 중에서 표준지식 자료와는 별도로 추출하였다.
- 시뮬레이션 자료는 여러가지 소리 중에서 상선 어선 등의선박에서 발생하는 여러 소리 중 특정부위에서 생성되는 수중음원인 프로펠러에서 발생하는 소리를 측정하였다. 표본으로 사용할 자료를 추출하기 위해 선박 각각의 프로펠러 속력을 달리하였을 경우에 발생하는 소리를 추출하였다. 실측자료는 수중 센서인 청음기를 탑재한 시험선에서 측정한 자료를 이용하였으며, 이때 측정하고자 하는 선박은 속도를 달리하여 멀리서부터 가까이, 다시 멀리 지나가는 소리를 정지된 시험선에서 측정하였다.
- 획득한 자료를 이용하여 Matlab 도구에서 음파의 주파수 스펙트럼을 추출하기 위해 이산 푸리에변환을 적용하고 주변 소음을 제거하기 위해 필터링 중 하나인 Butterworth 필터를 이용하는 분석 도구를 개발하였다, 특히 사용자의 편의를 위해 GUI기반으로 사용자가 편리하게 하였으며, 특징 음파 추출 이외에 웨이브 및 푸리에 변환, 스펙트로 그램을 연산 후 전시함으로써 사용자가 음파를 분석하는데 더욱 용이하게 하였다. 또, 화면상에 전시된 화면은 스케 일을 확장 및 축소가 가능하게 함으로써 세부적인 분석이 요구될 경우에 사용자가 임의대로 변환이 가능하게 하였다[7][9].
대상 데이터
- 본 논문에서는 시뮬레이션 및 해양에서 고유선박을 측정한 실제 자료를 이용하였다. 시뮬레이션 자료는 여러가지 소리 중에서 상선 어선 등의선박에서 발생하는 여러 소리 중 특정부위에서 생성되는 수중음원인 프로펠러에서 발생하는 소리를 측정하였다.
- 시스템에 적용하였다. 연구 범위로 적용한 자료는 시뮬레이션 및 실제 측정한 자료이다. 이는 전체 선박을 적용하여 클래스를 식별할 수 있는 시스템을 설계 및 구현하는 것이 중요하나, 선박을 식별하기위한 수중음파 자료 획득의 어려움으로 인해 본 논문에서는 자료 적용에 범위를 두었다.
데이터처리
- 이는 표준자료 생성이나 특징 자료 추출 시에 모두 사용되는 방법이며, 이때 사용한 샘플링 수는 1024이다.<그림 5>는 '주파수 특징 추출, 아이콘 선택 시 실행된 결과이며, 그림에서 보이듯이 필터링하기 전과 필터링 후의 결과를 도식하여 상호 비교 및 분석할 수 있게 하였다.
- 신호를 적용하였다. 표준자료는 시뮬레이션 및 실측에 대한 표준자료 8개를 전부 적용하여 미지의 신호와 비교하였다.<그림 8>은 미지의 음원 신호를 적용한 결과 중 한 가지 예를 그래프로 도식한 것이다.
이론/모형
- D/M(데이터 마이닝) 단계에서는 엑셀로 저장한 파일을 SAS E-miner 도구를 이용하여 데이터마이닝을 적용한다. 데이터 마이닝의 군집분석 및 패턴 인식의 이론적 배경으로 SOM/Kohonen 기법을 활용하여 분석을 실시하고 분석결과를 저장한다.
- 적용한다. 데이터 마이닝의 군집분석 및 패턴 인식의 이론적 배경으로 SOM/Kohonen 기법을 활용하여 분석을 실시하고 분석결과를 저장한다.
- 어렵다. 본 논문에서는 스커트 특성은 불량하지만, 잔 진동을 제거하는 능력이 우수한 Butterworth 기법으로 필터링하였다.
- 수중음파에 대한 특징 자료를 주줄하기 위해서 '주파수 특징 추출' 아이콘을 선택하면 이산 푸리에 변환 및 Butterworth 기법을 이용하여 음파 특징을 주줄한다. 이는 표준자료 생성이나 특징 자료 추출 시에 모두 사용되는 방법이며, 이때 사용한 샘플링 수는 1024이다.
- 여러가지 패턴 인식 기법이 있으나, 본 논문에서는 최소거리 식별법 중의 하나인 최근방 식별법을 사용하였다.
- 입력 자료로 변환된 파일을 주파수는 목적함수로 크기(dB)를 입력함수로 결정하고, 전 처리 과정을 거쳐 변수변환 과정에서는 크기인 입력함수를 군집분석 할 수 있게 하였으며, 이후에 SOM/Kohonen 기법을 사용한다. 모든 결과를 보고할 경우에는 보고 과정을 거쳐서 보고서를 작성할 수도 있다.
- 또한 음탐 장비에서 나온 아날로그 소리를 디지털 파일인 웨이브 파일로 변환하고, 필터링 작업을 거친 뒤에 파일을 푸리에 변환을 통하여 주파수대 크기의 변환 값을 추출하였다. 추출된 변환 값을 데이터 마이닝 기법 중 군집기법의 하나인 SOM /Kohonen 기법을 활용하여 표준패턴을 생성하였다. 표준패턴을 미지의 음원신호와 비교하기위해 패턴인식 방법 중 최소 거리 식별법의 하나인 최근방 식별법을 적용하여 각 클래스별로 식별 및 분류하였다 [[65]] .
- 추출된 변환 값을 데이터 마이닝 기법 중 군집기법의 하나인 SOM /Kohonen 기법을 활용하여 표준패턴을 생성하였다. 표준패턴을 미지의 음원신호와 비교하기위해 패턴인식 방법 중 최소 거리 식별법의 하나인 최근방 식별법을 적용하여 각 클래스별로 식별 및 분류하였다 [[65]] .
성능/효과
- 식별해 보았다. 구현된 시스템에 자료를 적용한 결과 시뮬레이션 자료는 모든 미지 음원을식별하丑 실측자료는 전체 60개의 미지 음원 중에 59개의 음원을 식별하여 98%의 선박 클래스 분류를 함으로써, 높은 식별 능력을 보였다.
- 적용한 자료 모두에 대해 분석한 결과 값을에서 볼 수 있는데, 이를 분석하면 시뮬레이션 자료를 적용한 결과는 각각의 선박 클래스에 대해 미지의 음원신호를 적용했을 때 선박 클래스를 모두 식별해 내는 반면, 실측 자료 적용 시에는 전체 중에서 1개의 음원신호를 식별해 내지 못했다.
- 있다. 첫째, 본 시스템을 통하여 해양에서 소리의 음원을 자동으로 판독하고 식별하는 것이 가능하고 이를 통하여 군의 전력 상승에 커다란 도움을 줄 수 있으며, 둘째, 고가의 장비가 아닌 일반 컴퓨터에서도 음원을 식별할 수 있었으며 그동안의 숙련된 전문 인력에 의존할 수밖에 없었던 해군의 현재 시스템에 새로운 발전방향을 제시하였다.
후속연구
- 그리고, 선박 클래스 식별 시에 베이지안 학습과 같은 확률론적이나 퍼셉트론과 같은 신경망 등 여러 방법들을 적용 및 상호 비교하여 더 좋은 식별 알고리즘에 대한 연구가 필요하다. 이러한 연구 뒤에 전체 시스템을 하나로 연결하여 자동식별이 되도록 시스템 자동화를 실현하여야 한다.
- 있다. 또한 정확한 소리자료의 추출이 필요하다는 것을 알 수 있고 이를 위한 연구가 필요할 것으로 보인다.
- 이러한 연구 뒤에 전체 시스템을 하나로 연결하여 자동식별이 되도록 시스템 자동화를 실현하여야 한다. 또한 현재 운용 및 개발 중인 자료 전송기술을 이용하여 사용자가 획득한 자료를 전체 자료를 가진 관련 기관과 연계하여 전문적으로 분석 및 식별할 수 있는 시스템을 개발해야 할 것이다.
- 향후 연구 발전 방향은 먼저 해양에서의 복합적인 여러 소리를 분리하여 고유의 소리를 추출 및 시스템에 적용하는 방안을 연구하여야 한다. 그리고, 선박 클래스 식별 시에 베이지안 학습과 같은 확률론적이나 퍼셉트론과 같은 신경망 등 여러 방법들을 적용 및 상호 비교하여 더 좋은 식별 알고리즘에 대한 연구가 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.