본 논문에서는 하이라이트 모델에 기반하여 능동소나의 표적신호를 합성하고, 합성된 신호를 이용하여 표적인식 실험을 수행하였다. 동일 표적이라도 표적의 자세각에 따라 다양한 형태의 파형을 갖는 신호가 합성되는데, 이에 대한 표적인식 결과를 알아보기 위해서 두 가지 방법으로 실험을 수행하였다. 하나는 고정된 여러 가지 자세각에 대한 표적신호에 대한 인식실험이고, 다른 하나는 임의의 자세각을 가지는 교신에 대만 인식 실험을 수행하였다. 인식실험을 위한 특징 인자로는 합성된 표적신호에 대해 시간영역에서 정합필터 및 포락선 검출을 통해 얻어지는 하이라이트 패턴을 사용하였으며, 패턴인식 기법으로는 다중클래스 SVM과 인공신경망을 사용하였다.
본 논문에서는 하이라이트 모델에 기반하여 능동소나의 표적신호를 합성하고, 합성된 신호를 이용하여 표적인식 실험을 수행하였다. 동일 표적이라도 표적의 자세각에 따라 다양한 형태의 파형을 갖는 신호가 합성되는데, 이에 대한 표적인식 결과를 알아보기 위해서 두 가지 방법으로 실험을 수행하였다. 하나는 고정된 여러 가지 자세각에 대한 표적신호에 대한 인식실험이고, 다른 하나는 임의의 자세각을 가지는 교신에 대만 인식 실험을 수행하였다. 인식실험을 위한 특징 인자로는 합성된 표적신호에 대해 시간영역에서 정합필터 및 포락선 검출을 통해 얻어지는 하이라이트 패턴을 사용하였으며, 패턴인식 기법으로는 다중클래스 SVM과 인공신경망을 사용하였다.
In this paper, we synthesized active sonar target signals based on highlights model, and then carried out target classification using the synthesized signals. If the target aspect angle is changed, the different signals are synthesized. To know the result, two different experiments are done. First, ...
In this paper, we synthesized active sonar target signals based on highlights model, and then carried out target classification using the synthesized signals. If the target aspect angle is changed, the different signals are synthesized. To know the result, two different experiments are done. First, The classification results with respect to each aspect angle are shown. Second, the results in two group in aspect angle are acquired. Time domain feature extraction is done using matched filter and envelope detection. It shows the pattern of each highlights. Artificial neural networks and multi-class SVM are used for classifying target signals.
In this paper, we synthesized active sonar target signals based on highlights model, and then carried out target classification using the synthesized signals. If the target aspect angle is changed, the different signals are synthesized. To know the result, two different experiments are done. First, The classification results with respect to each aspect angle are shown. Second, the results in two group in aspect angle are acquired. Time domain feature extraction is done using matched filter and envelope detection. It shows the pattern of each highlights. Artificial neural networks and multi-class SVM are used for classifying target signals.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그러나 해양환경, 표적의 자세각 등 다양한 요인에 따라 동일한 표적에서 수신되는 음향신호에도 많은 차이와 왜곡이 존재하기 때문에 식별에 어려움이 많다 [1], 또한 관련 연구를 위한 표본 수집이 어렵기 때문에 실제 해상 데이터를 이용한 실험보다는 실험실에서 수조에 표적의 모형을 배치하고 다양한 각도에서 펄스 신호를 송신하여 수신된 신호를 이용하는 방법이 많이 사용된다 [2-3], 다른 방법으로는 표적을 모델링하여 송신된 신호를 특정 조건에 대하여 합성하는 방법이 있는데 대표적으로 많이 사용되는 방법이 하이라이트 모델을 이용한 표적신호의 합성이다 [4], 또한 최근 연구의 대부분이 능동 소나를 이용한 mine-like unit과 nonmine-like unit 의 분류에 집중되어 있다 [5-6]. 본 연구에서는 능동소나 표적인식에 관한 기초연구로서, 하이라이트 모델을 이용한 합성 방법을 이용하여 능동소나 표적신호를 합성하 고, 이를 이용한 표적식별 실험을 수행하였다. 표적식별을 위한 특징추출 및 패턴인식 기법으로는 시간영역에서 의 특징벡터 [7]와 과거 수중 표적의 인식에서 많이 사용 된 인공신경망 [8]과 최근 많이 연구되고 있는 SW을 사용하였다.
그러나 해양환경, 표적의 자세각 등 다양한 요인에 따라 동일한 표적에서 수신되는 음향신호에도 많은 차이와 왜곡이 존재하기 때문에 식별에 어려움이 많다 [1], 또한 관련 연구를 위한 표본 수집이 어렵기 때문에 실제 해상 데이터를 이용한 실험보다는 실험실에서 수조에 표적의 모형을 배치하고 다양한 각도에서 펄스 신호를 송신하여 수신된 신호를 이용하는 방법이 많이 사용된다 [2-3], 다른 방법으로는 표적을 모델링하여 송신된 신호를 특정 조건에 대하여 합성하는 방법이 있는데 대표적으로 많이 사용되는 방법이 하이라이트 모델을 이용한 표적신호의 합성이다 [4], 또한 최근 연구의 대부분이 능동 소나를 이용한 mine-like unit과 nonmine-like unit 의 분류에 집중되어 있다 [5-6]. 본 연구에서는 능동소나 표적인식에 관한 기초연구로서, 하이라이트 모델을 이용한 합성 방법을 이용하여 능동소나 표적신호를 합성하 고, 이를 이용한 표적식별 실험을 수행하였다. 표적식별을 위한 특징추출 및 패턴인식 기법으로는 시간영역에서 의 특징벡터 [7]와 과거 수중 표적의 인식에서 많이 사용 된 인공신경망 [8]과 최근 많이 연구되고 있는 SW을 사용하였다.
본 연구에서는 하이라이트 모델을 이용하여 능동소나 표적신호를 제한된 조건을 바탕으로 합성하고 이를 이용 한 3가지 표적에 대한 인식실험을 수행하였다. 합성된 신호를 이용하여 표적을 분류하기 위해서 표적의 하이라이트 분포를 잘 구별할 수 있는 시간영역에서의 특징벡터를 추출하고 이를 다중클래스 SVM 및 인공신경망을 이용하 여 분류해 보았다.
가설 설정
능동소나 표적신호를 합성하기 위해서 본 연구에서는 그림 1과 같은 간단한 수중환경을 가정하였다. 표적에서의 반사신호는 직접 반사경로와 수면 반사경로를 고려하였으며, 센서의 수심 및 표적의 수심을 달리하면서 신호를 합성하였다.
수중에서의 음속을 1500 m/s로 가정하였으며 표적 길이는 100 m, 표적과 센서와의 거리는 5 km로 고정하였다. 센서와 표적의 수심을 각각 다르게 배치하고 합성하기 위해서 센서의 위치는 각각 0.
제안 방법
센서와 표적의 수심을 각각 다르게 배치하고 합성하기 위해서 센서의 위치는 각각 0. 150, 300, 750, 1500 m로 변화시키고 그에 따라 표적의 수심도 60, 70, 80, 90, 100 m로 다르게 하여 표적신호를 합성하였다. 3가지 표적에 따른 합성된 신호의 예시를 그림 3에 나타내었다.
센서와 표적의 수심을 각각 다르게 배치하고 합성하기 위해서 센서의 위치는 각각 0. 150, 300, 750, 1500 m로 변화시키고 그에 따라 표적의 수심도 60, 70, 80, 90, 100 m로 다르게 하여 표적신호를 합성하였다. 3가지 표적에 따른 합성된 신호의 예시를 그림 3에 나타내었다.
신호의 표적강도 모델링에는 그림 2와 같은 등간격 하이라이트 모델을 사용하였다. 각각의 표적들은 각기 다른 가중치를 갖는 등간격 하이라이트들의 조합으로 모델링 되는데, 본 논문에서는 3가지 선표적에 대해서 각기 다른 가중치를 부여하였다. 그림 2에서 X 표시가 된 부분이 표적에서 반사가 강하게 일어나는 하이라이트 위치가 된다.
신호의 표적강도 모델링에는 그림 2와 같은 등간격 하이라이트 모델을 사용하였다. 각각의 표적들은 각기 다른 가중치를 갖는 등간격 하이라이트들의 조합으로 모델링 되는데, 본 논문에서는 3가지 선표적에 대해서 각기 다른 가중치를 부여하였다. 그림 2에서 X 표시가 된 부분이 표적에서 반사가 강하게 일어나는 하이라이트 위치가 된다.
실험 데이터는 3개의 표적에 대하여 각 표적별로 입사 각에 따라 표적신호를 생성하였다. 입사각은 0°~90° 사이에서 15°간격으로 추출하여 합성하였다. 각 표적당 훈련에 사용된 데이터 수는 70개이고 인식 실험에 사용된 데이터 수는 105개이다.
능동소나에서는 송신신호를 알고 있으므로 먼저 수신된 신호의 SNR을 높이기 위해서 정합필터를 통과시키고, 시간에 따른 하이라이트 패턴을 구별하기 위해 시간영역 에서의 특징추출기법을 사용하였다. 그림 5는 시간영역 특징인자 추출기법의 흐름도를 보인 것이며, 그림 6에 각 단계에서의 신호를 예시로 나타내었다.
능동소나에서는 송신신호를 알고 있으므로 먼저 수신된 신호의 SNR을 높이기 위해서 정합필터를 통과시키고, 시간에 따른 하이라이트 패턴을 구별하기 위해 시간영역 에서의 특징추출기법을 사용하였다. 그림 5는 시간영역 특징인자 추출기법의 흐름도를 보인 것이며, 그림 6에 각 단계에서의 신호를 예시로 나타내었다.
본 연구에서는 하이라이트 모델을 이용하여 능동소나 표적신호를 제한된 조건을 바탕으로 합성하고 이를 이용 한 3가지 표적에 대한 인식실험을 수행하였다. 합성된 신호를 이용하여 표적을 분류하기 위해서 표적의 하이라이트 분포를 잘 구별할 수 있는 시간영역에서의 특징벡터를 추출하고 이를 다중클래스 SVM 및 인공신경망을 이용하 여 분류해 보았다.
그림 5는 시간영역 특징인자 추출기법의 흐름도를 보인 것이며, 그림 6에 각 단계에서의 신호를 예시로 나타내었다. 우선 수신된 신 호를 정합필터에 통과시킨 후 신호의 포락선을 검출하고 시간정렬 과정을 거친 신호로부터 시간영역 특징인자를 추출한다. 그림 6-(a)는 앞서 언급한 합성된 신호의 예를 나타내고 있고.
그림 5는 시간영역 특징인자 추출기법의 흐름도를 보인 것이며, 그림 6에 각 단계에서의 신호를 예시로 나타내었다. 우선 수신된 신 호를 정합필터에 통과시킨 후 신호의 포락선을 검출하고 시간정렬 과정을 거친 신호로부터 시간영역 특징인자를 추출한다. 그림 6-(a)는 앞서 언급한 합성된 신호의 예를 나타내고 있고.
표적신호에 부가된 잡음은 평균적인 해양환경을 고려하여 SNR 15 dB가 되도록 백색 가우시안 잡음을 사용하였고. 패턴 분류기는 다중클래스 SVW과 인공신경망을 사용하였다. SW은 기본적으로 이진 분류기이기 때문에 실험에서는 ECOC (Error Correcting Output Codes) [11] 를 적용한 다중클래스 SVK1을 사용하였다.
표적신호에 부가된 잡음은 평균적인 해양환경을 고려하여 SNR 15 dB가 되도록 백색 가우시안 잡음을 사용하였고. 패턴 분류기는 다중클래스 SVW과 인공신경망을 사용하였다.
능동소나 표적신호를 합성하기 위해서 본 연구에서는 그림 1과 같은 간단한 수중환경을 가정하였다. 표적에서의 반사신호는 직접 반사경로와 수면 반사경로를 고려하였으며, 센서의 수심 및 표적의 수심을 달리하면서 신호를 합성하였다. 수중에서 능동소나의 중심주파수 및 거리에 따른 감쇄는 식 (1)-(2)와 같이 계산된다 [9], 여기서 r은 표적과 센서 사이의 거리이다.
본 연구에서는 하이라이트 모델을 이용하여 능동소나 표적신호를 제한된 조건을 바탕으로 합성하고 이를 이용 한 3가지 표적에 대한 인식실험을 수행하였다. 합성된 신호를 이용하여 표적을 분류하기 위해서 표적의 하이라이트 분포를 잘 구별할 수 있는 시간영역에서의 특징벡터를 추출하고 이를 다중클래스 SVM 및 인공신경망을 이용하 여 분류해 보았다. 실험결과 동일한 입사각에 대한 실험 데이터에서는 90°를 제외한 영역에서 평균 90% 이상의 인식률을 보이나 입사각이 다를 때에는 즉, 같은 표적이 라도 표적의 자세각이 달라질 경우 시간영역에서의 특징 벡터로는 신뢰성 있는 인식이 어려움을 확인하였다.
본 연구에서는 하이라이트 모델을 이용하여 능동소나 표적신호를 제한된 조건을 바탕으로 합성하고 이를 이용 한 3가지 표적에 대한 인식실험을 수행하였다. 합성된 신호를 이용하여 표적을 분류하기 위해서 표적의 하이라이트 분포를 잘 구별할 수 있는 시간영역에서의 특징벡터를 추출하고 이를 다중클래스 SVM 및 인공신경망을 이용하 여 분류해 보았다. 실험결과 동일한 입사각에 대한 실험 데이터에서는 90°를 제외한 영역에서 평균 90% 이상의 인식률을 보이나 입사각이 다를 때에는 즉, 같은 표적이 라도 표적의 자세각이 달라질 경우 시간영역에서의 특징 벡터로는 신뢰성 있는 인식이 어려움을 확인하였다.
대상 데이터
입사각은 0°~90° 사이에서 15°간격으로 추출하여 합성하였다. 각 표적당 훈련에 사용된 데이터 수는 70개이고 인식 실험에 사용된 데이터 수는 105개이다. 실험은 두 가지 방법으로 진행되었으며 그 결과를 표 2-5에 제시 하였다.
각 표적당 훈련에 사용된 데이터 수는 70개이고 인식 실험에 사용된 데이터 수는 105개이다.
본 연구에서 사용된 블록의 개수는 하이라이트 개수를 고려하여 25개를 사용하였고 각 블록에서의 특징인자는 블록내의 값 중 최대값을 사용하였다.
본 연구에서 사용된 블록의 개수는 하이라이트 개수를 고려하여 25개를 사용하였고 각 블록에서의 특징인자는 블록내의 값 중 최대값을 사용하였다.
표 1에 신호합성에 사용된 파라미터 값들을 나타내었다. 송신신호의 샘플링 주파수는 31.25 kHz이고 펄스 폭은 50 ms와 300 ms의 두가지를 사용하였다. 또한 LFM 신호의 중심주파수 및 대역폭은 7.
송신신호의 샘플링 주파수는 3125 皿이고 펄스 폭은 50 ms와 300 ms의 두가지를 사용하였다.
실험 DB에서 15°, 60°에서 생성된 데이터만을 각 구역의 훈련에 사용하고 나머지 데이터를 인식실험에 사용하였다.
실험 데이터는 3개의 표적에 대하여 각 표적별로 입사 각에 따라 표적신호를 생성하였다. 입사각은 0°~90° 사이에서 15°간격으로 추출하여 합성하였다.
실험 데이터는 3개의 표적에 대하여 각 표적별로 입사 각에 따라 표적신호를 생성하였다. 입사각은 0°~90° 사이에서 15°간격으로 추출하여 합성하였다.
데이터처리
SW은 기본적으로 이진 분류기이기 때문에 실험에서는 ECOC (Error Correcting Output Codes) [11] 를 적용한 다중클래스 SVK1을 사용하였다. SVM의 커널 함수는 RBF를 사용하였고 RBF의 폭에 관한 파라미터는 0.5, 분류 에러에 대한 조절인자 L는 10으로 적용하여 실험하였다. 그림 7은 패턴 분류에 사용된 인공신경망의 구조를 나타낸다.
이론/모형
SWe 기본적으로 이진 분류기이기 때문에 실험에서는 ECOC (Error Correcting Output Codes) [11] 를 적용한 다중클래스 SVK1을 사용하였다.
패턴 분류기는 다중클래스 SVW과 인공신경망을 사용하였다. SW은 기본적으로 이진 분류기이기 때문에 실험에서는 ECOC (Error Correcting Output Codes) [11] 를 적용한 다중클래스 SVK1을 사용하였다. SVM의 커널 함수는 RBF를 사용하였고 RBF의 폭에 관한 파라미터는 0.
신호의 표적강도 모델링에는 그림 2와 같은 등간격 하이라이트 모델을 사용하였다. 각각의 표적들은 각기 다른 가중치를 갖는 등간격 하이라이트들의 조합으로 모델링 되는데, 본 논문에서는 3가지 선표적에 대해서 각기 다른 가중치를 부여하였다.
표적식별을 위한 특징추출 및 패턴인식 기법으로는 시간 영역에서의 특징벡터 [기와 과거 수중 표적의 인식에서 많이 사용된 인공신경망 ⑻과 최근 많이 연구되고 있는 SW을 사용하였다.
본 연구에서는 능동소나 표적인식에 관한 기초연구로서, 하이라이트 모델을 이용한 합성 방법을 이용하여 능동소나 표적신호를 합성하 고, 이를 이용한 표적식별 실험을 수행하였다. 표적식별을 위한 특징추출 및 패턴인식 기법으로는 시간영역에서 의 특징벡터 [7]와 과거 수중 표적의 인식에서 많이 사용 된 인공신경망 [8]과 최근 많이 연구되고 있는 SW을 사용하였다. 본 논문의 구성은 다음과 같다.
성능/효과
합성된 신호를 이용하여 표적을 분류하기 위해서 표적의 하이라이트 분포를 잘 구별할 수 있는 시간영역에서의 특징벡터를 추출하고 이를 다중클래스 SVM 및 인공신경망을 이용하 여 분류해 보았다. 실험결과 동일한 입사각에 대한 실험 데이터에서는 90°를 제외한 영역에서 평균 90% 이상의 인식률을 보이나 입사각이 다를 때에는 즉, 같은 표적이 라도 표적의 자세각이 달라질 경우 시간영역에서의 특징 벡터로는 신뢰성 있는 인식이 어려움을 확인하였다. 또한, SVM 및 인공신경망은 표적에 따라 인식율의 차이를 보였지만, 전체적으로는 비슷한 양상을 나타내었다.
실험결과 동일한 입사각에 대한 실험 데이터에서는 90°를 제외한 영역에서 평균 90% 이상의 인식률을 보이나 입사각이 다를 때에는 즉, 같은 표적이 라도 표적의 자세각이 달라질 경우 시간영역에서의 특징 벡터로는 신뢰성 있는 인식이 어려움을 확인하였다.
그림 7은 패턴 분류에 사용된 인공신경망의 구조를 나타낸다. 특징 벡터의 차원이 25이므로 입력 노드수는 25이며, 은닉층의 노드 수는 5개, 전달 함수는 은닉층과 출력층 모두 log sigmoid 함수가 사용되었다. 출력층의 노드 수는 3개로 그것은 분류하고자하는 클래스의 수와 같다.
그림 7은 패턴 분류에 사용된 인공신경망의 구조를 나타낸다. 특징 벡터의 차원이 25이므로 입력 노드수는 25이며, 은닉층의 노드 수는 5개, 전달 함수는 은닉층과 출력층 모두 log sigmoid 함수가 사용되었다. 출력층의 노드 수는 3개로 그것은 분류하고자하는 클래스의 수와 같다.
후속연구
또한, SVM 및 인공신경망은 표적에 따라 인식율의 차이를 보였지만, 전체적으로는 비슷한 양상을 나타내었다. 향후에 표적의 자세각에 강인한 특징추출 기법이나 자세각을 추정하여 보완하는 방법 등에 대한 지속적 인 연구가 필요하다.
또한, SVM 및 인공신경망은 표적에 따라 인식율의 차이를 보였지만, 전체적으로는 비슷한 양상을 나타내었다. 향후에 표적의 자세각에 강인한 특징추출 기법이나 자세각을 추정하여 보완하는 방법 등에 대한 지속적 인 연구가 필요하다.
참고문헌 (11)
Mahmood R. Azimi-Sadjadi, De Yao, Qiang Huang, and Gerald J. Dobeck, "Underwater Target Classification Using Wavelet Packets and Neural Networks," IEEE Trans. Neural Networks, vol. 11, no. 3, pp. 784-794, 2000
Ali Pezeshki, Mahmood R Azimi-Sadjadi, and Louis L. Scharf, "Undersea Target Classification Using Canonical Correlation Analysis," iEEE J. Ocean Engineerng, vol. 32, no. 4, p. 948-955, 2007
Paul Runkle, Lawrence Carin, Luise Couchman, Timothy J. Yoder, and Joseph A. Bucaro, "Multiaspect Target Identification with Wave-Based Matched Pursuits and Continuous Hidden Markov Models," IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 21, no. 12, pp. 1371-1378, 1999
Boo II Kim, Hyeong Uk Lee, and Myung Ho Park, "A study on Highlight Distribution for Underwater Simulated Target," Proc. ISlE 2001, pp. 1988-1992, Jun. 2001
Mahmood R. Azimi-Sadjadi, De Yao, Arta A. Jamshidi, and Gerry J. Dobeck, "Underwater Target Classification in Changing Environments Using and Adaptive Feature Mapping," IEEE Trans. Neural Networks, vol. 13, no. 5, pp. 1099-1111, 2002
Marc Robinson, Mahmood R. Azimi-Sadjadi, and Jaime Salazar, "Multi-Aspect Target Discrimination Using Hidden Markov Models and Neural Networks," IEEE Trans. Neural Networks, vol. 16, no. 2, pp. 447-459, 2006
Robet J. Urick, Principles of Underwater Sound 3rd edition, Peninsula Publishing, Los Altos, California, 1996
김부일, "외부헐 불연속점을 포함한 능동소나 모의표적의 반사신호 합성 기법," 박사학위논문, 경북대학교, 28-32쪽, 2001
T. Dietterich and G. Bakiri, "Solving Multiclass Learning Pro-blems via Error-Correcting Output Codes," J. Artificial Intelli-gence Research, vol.2, pp. 263-286, 1995
※ AI-Helper는 부적절한 답변을 할 수 있습니다.