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 표적신호의 수신위치에 상대적으로 민감하지 않은 CCA를 사용하여 합성된 수중물체의 특징을 분석하였다. 사용된 방법은 일정각도의 간격을 두고 수중물체에 반사되어 되돌아오는 연속적인 두개의 소나신호를 CCA의 입력으로 하여 두 신호의 상관성을 분석하였다.
제안 방법
- 3차원 수중표적 신호합성은 신호표적에서 일정거리를 두고 소스에서 생성된 LFM 펄스를 수신기가 수신하도록 구성하였다. 표적이 회전함에 따라 표적-소스간의 다양한 각도에서의 신호를 얻을 수 있게 된다.
- 3차원 합성된 수중표적을 대상으로 하여 정준상관분석 기법을 적용하여 그 결과를 살펴보았다. 실험은 시간 영역, 주파수영역에서의 신호를 대상으로 정준상관분석을 실시하였다.
- 5000개의 스펙트럼 값은 50×100 행렬을 가지도록 구성하여 정준상관분석을 수행하였다.
- 구해진 스펙트럼을 정준상관분석의 입력으로 하여 실험을 수행하였다. 각각의 각도마다 수신된 신호는 10000-point FFT를 수행하여 5000개의 스펙트럼 값을 구하였다. 5000개의 스펙트럼 값은 50×100 행렬을 가지도록 구성하여 정준상관분석을 수행하였다.
- 시간영역에서는 매 각도마다 산개되어 입력되는 파형자체를 입력신호로 하여 CCA를 수행하였다. 각각의 각도마다 수신된 신호는 8192샘플로 이루어 있으며, 50 샘플의 프레임길이를 가지도록 하고 25샘플씩 오버랩 되도록 구성하였다. 이에 따라 CCA분석을 위해 입력되는 신호는 50×327 행렬을 가지도록 구성되었다.
- 산란된 신호를 수신하여 시간영역의 신호를 푸리에 변환을 통해 스펙트럼을 구하였다. 구해진 스펙트럼을 정준상관분석의 입력으로 하여 실험을 수행하였다. 각각의 각도마다 수신된 신호는 10000-point FFT를 수행하여 5000개의 스펙트럼 값을 구하였다.
- 시간 영역에서는 산란된 신호를 직접 입력하여 정준상관분석을 실시하였다. 그리고 푸리에 변환을 통해 얻은 스펙트럼을 입력으로 하여 정준상관 분석을 실시하였다.
- 따라서 CCA분석을 위한 두 입력신호는 각각 M×N행렬을 가지도록 하였다.
- 합성된 구와 잠수함의 3차원 수중표적모델은 각각 32m와 60m의 크기를 가지도록 하였다. 또한 수신기는 수중표적과의 거리를 500m로 하여, 각 각도에서 산개되어지는 신호를 수신하도록 하였다. 표적이 회전함에 따라 표적-소스간의 다양한 각도에서의 신호를 얻을 수 있지만, 이 실험에서는 표적-소스가 0° - 180°로 변화할 때의 상황만 고려하였다.
- 수중표적 인식에서는 표적의 형상/재질에 따른 수신 표적신호의 공간적인 정보를 특징인자로 추출하여 식별하고자 하는 특징추출하고, 표적신호의 수신 위치에 덜 민감한 특징파라미터 추출을 위해 다양한 신호처리 기법을 적용하는 연구가 수행되어왔다. 본 논문에 서는 3차원으로 합성된 수중표적물체를 이용하여 음선 추적 기반의 능동소나 표적 신호를 합성하고, 이를 이용하여 CCA분석을 수행하였다. 3차원 수중표적모델 합성의 어려움으로 인해 실험에 사용된 수중표적물 체의 수가 두 개에 불과했지만, 실험결과 CCA는 표적 신호의 수신위치에 상대적으로 민감하지 않은 것으로 나타났으며, 수중표적인식을 위한 특징벡터로 사용가능함을 확인하였다.
- 본 논문에서도 실제 수중데이터 획득의 어려움으로 인하여, 합성된 3차원물체를 수중표적으로 하여, 수중 표적에서 산개되어지는 신호를 수신하였다. 일반적으로 수중표적 인식에서 잠수함의 경우 실린더 형태로 모델링하게 되며, 기뢰와 같은 경우는 실린더 또는 구형모양이 대부분을 이루게 된다.
- 본 논문에서는 표적신호의 수신위치에 상대적으로 민감하지 않은 CCA를 사용하여 합성된 수중물체의 특징을 분석하였다. 사용된 방법은 일정각도의 간격을 두고 수중물체에 반사되어 되돌아오는 연속적인 두개의 소나신호를 CCA의 입력으로 하여 두 신호의 상관성을 분석하였다.
- 주파수영역에서는 입력되는 두 신호의 주파수 스펙트럼을 구하여 이를 입력으로 하였다. 산란된 신호를 수신하여 시간영역의 신호를 푸리에 변환을 통해 스펙트럼을 구하였다. 구해진 스펙트럼을 정준상관분석의 입력으로 하여 실험을 수행하였다.
- 수신기가 표적을 중심으로 원을 그리며 180°까지 회전하면서 매 10°마다 산개 신호를 수집하였다.
- 실험은 시간 영역, 주파수영역에서의 신호를 대상으로 정준상관분석을 실시하였다. 시간 영역에서는 산란된 신호를 직접 입력하여 정준상관분석을 실시하였다. 그리고 푸리에 변환을 통해 얻은 스펙트럼을 입력으로 하여 정준상관 분석을 실시하였다.
- 3차원 합성된 수중표적을 대상으로 하여 정준상관분석 기법을 적용하여 그 결과를 살펴보았다. 실험은 시간 영역, 주파수영역에서의 신호를 대상으로 정준상관분석을 실시하였다. 시간 영역에서는 산란된 신호를 직접 입력하여 정준상관분석을 실시하였다.
- 일반적으로 수중표적 인식에서 잠수함의 경우 실린더 형태로 모델링하게 되며, 기뢰와 같은 경우는 실린더 또는 구형모양이 대부분을 이루게 된다. 이에 따라 본 논문에서도 수중표적대상으로 구와 잠수함으로 선정을 하였으며, 선정된 구와 잠수함을 CAD프로그램을 이용하여 3차원으로 형상화하여 사용하였다. 그림 1은 합성된 3차원 수중 표적의 예를 보여주고 있다.
- 주파수영역에서는 입력되는 두 신호의 주파수 스펙트럼을 구하여 이를 입력으로 하였다. 산란된 신호를 수신하여 시간영역의 신호를 푸리에 변환을 통해 스펙트럼을 구하였다.
- 특정각도 β1에서 산개된 신호와 Δβ만큼 회전한 각도 β2 = β1 + Δβ에서 산개된 신호를 CCA분석을 위한 두 입력으로 하였다.
- 표적을 중심으로 일정한 거리를 두고 원을 그리며 360° 회전하면서 각각 원하는 각도에 따라 산개된 신호를 수집하였다.
- 표적이 회전함에 따라 표적-소스간의 다양한 각도에서의 신호를 얻을 수 있지만, 이 실험에서는 표적-소스가 0° - 180°로 변화할 때의 상황만 고려하였다.
대상 데이터
- 실험에 사용된 능동소나 표적 신호를 합성하기 위해서 표본화 주파수는 31.25 kHz, 펄스 폭은 50ms, 중심 주파수는 7 kHz, 그리고 대역폭은 400 Hz의 LFM(Linear Frequency Modulated) 펄스신호를 사용하였다. 그림 4는실제 실험에 사용된 LFM 펄스의 파형과 주파수 스펙스럼을 보여주고 있다.
- 합성된 구와 잠수함의 3차원 수중표적모델은 각각 32m와 60m의 크기를 가지도록 하였다. 또한 수신기는 수중표적과의 거리를 500m로 하여, 각 각도에서 산개되어지는 신호를 수신하도록 하였다.
성능/효과
- 본 논문에 서는 3차원으로 합성된 수중표적물체를 이용하여 음선 추적 기반의 능동소나 표적 신호를 합성하고, 이를 이용하여 CCA분석을 수행하였다. 3차원 수중표적모델 합성의 어려움으로 인해 실험에 사용된 수중표적물 체의 수가 두 개에 불과했지만, 실험결과 CCA는 표적 신호의 수신위치에 상대적으로 민감하지 않은 것으로 나타났으며, 수중표적인식을 위한 특징벡터로 사용가능함을 확인하였다. 향후, 수중표적의 수를 더 늘리고 HMM이나 신경망 등의 인식기를 사용한 인식실험을 수행할 예정이다.
- 결과적으로 두 입력신호는 CCA 분석을 통해 총 N개의 상관계수를 가지게 되며, 상관계수의 크기에 따라 정해진 수만큼 특징벡터로 사용할 수 있게 된다. 그림 3은 CCA분석을 위해 입력되는 두신호의 구성방법을 보여 주고 있다.
- 그림 5와 그림 6을 보면 알 수 있듯이 시간영역 및 주파수영역에서 비슷한 결과를 보였다. 구의 경우 각도가 달라짐에 따라 변화가 없는 모양이고, 첫 번째 상관계수와 두 번째 상관계수가 상당히 높으며 거의 일치하는 것으로 분석되었다. 잠수함의 경우, 각도에 따라 수중표적의 모양도 변하고 이에 따른 산개신호의 형태 또한 달라 짐에 따라 상관계수의 강도도 구에 비해 상대적으로 떨어지며 상관계수의 분포 또한 구에 비해 더 넓게 분포하는 것으로 분석되었다.
후속연구
- 3차원 수중표적모델 합성의 어려움으로 인해 실험에 사용된 수중표적물 체의 수가 두 개에 불과했지만, 실험결과 CCA는 표적 신호의 수신위치에 상대적으로 민감하지 않은 것으로 나타났으며, 수중표적인식을 위한 특징벡터로 사용가능함을 확인하였다. 향후, 수중표적의 수를 더 늘리고 HMM이나 신경망 등의 인식기를 사용한 인식실험을 수행할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.