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
- Type 4는 가장 복잡한 분포 형태를 이루고 있으며 원통의 양 끝단에 약간의 비대칭적 분포를 포함하고 있다. 본 연구에서는 대칭적인 모델을 기본으로 가정하여 인식 연구를 수행하지만 실제 비대칭성이 존재하는 표적의 반사 신호를 인식할 경우의 결과를 분석하기 위함이다. 전체적으로 볼 때 4가지 모델은 대체적으로 180° 기준으로 회전 했을 때 거의 대칭적인 형태를 이루고 있음을 확인할 수 있다.
가설 설정
- 하이라이트 모델을 이용하여 다중각도 상태 소나 신호 합성 환경을 가정하였다. 수심은 대략 300m로 가정하고 해수면 반사 및 해저면 반사 경로만 고려되어 있다.
제안 방법
- 수신된 표적 반사 신호를 대상으로 FRFT를 적용하여 특징벡터를 추출하였다. 3장에서 설명된 바와 같이, FRFT 영역을 100개의 균일 필터뱅크를 사용하여 필터뱅크의 에너지 100개를 특징벡터로 사용하였다. 비교를 위해 기존의 푸리에 변환(Fourier Transform : FT) 영역에서 동일한 방법으로 100개의 특징벡터를 추출하였다.
- 수심은 대략 300m로 가정하고 해수면 반사 및 해저면 반사 경로만 고려되어 있다. 각 표적은 4개의 3차원의 서로 다른 구조를 갖는 하이라이트 모델을 이용하여 생성하였다. 각각의 점은 하이라이트 위치를 나타낸다.
- 하지만 FRFT영역에서는 수신각도에 따라 특징벡터 각기 다른 형태를 보여주고 있다. 구해진 특징벡터의 성능을 검증하기 위해 역전파 신경망(Back Propagation Neural Network : BPNN)을 이용하여 인식실험을 수행하였다. 표적 인식을 위해 4 종류의 표적 신호에 대하여 0도에서 360까지 1도 단위로 수신하여, 총 1440개의 데이터로 데이터베이스를 구축하였다.
- 본 논문에서는 3차원 하이라이트 분포를 가지는 모델을 이용하여, 능동소나 표적신호를 음선 추적기법을 기반으로 하여 합성하였다. 합성된 표적신호를 대상으로 FRFT를 적용하여 특징벡터를 추출하였고, 신경회로망 인식기를 이용하여 인식 실험을 수행하였다.
- 본 논문에서는 FRFT영역을 100개의 균일 필터뱅크를 사용하여 100개의 각 필터뱅크의 에너지를 특징벡터로 사용하였다. 그림 6은 FRFT영역에서 특징벡터 추출과정을 보여주고 있다.
- 본 논문에서는 수중환경이라는 특성으로 인하여 관련 연구를 위한 실제 해상 데이터를 이용한 표본 수집이 어렵기 때문에 3차원 하이라이트 분포를 가지는 모델을 이용하여, 능동소나 표적신호를 음선 추적기법[11]을 기반으로 하여 합성하였다. 합성된 표적신호를 대상으로 FRFT를 적용하여 특징벡터를 추출하는 방법을 제안하였고, 성능검증을 위해 신경회로망 인식기를 이용하여 인식 실험을 수행하였다.
- 3장에서 설명된 바와 같이, FRFT 영역을 100개의 균일 필터뱅크를 사용하여 필터뱅크의 에너지 100개를 특징벡터로 사용하였다. 비교를 위해 기존의 푸리에 변환(Fourier Transform : FT) 영역에서 동일한 방법으로 100개의 특징벡터를 추출하였다. 그림 8과 9는 0도에서 90도까지 10도 간격으로 Type 1 하이라이트 모델에서 반사되어 수신된 신호를 각각 FT와 FRFT를 적용하여 구해진 특징벡터의 모양을 보여주고 있다.
- 능동소나 표적신호를 합성하기 위해서 그림 1과 같은 간단한 수중환경을 고려하였다. 소나는 단상태 또는 다중상태 소나 환경 모두를 고려 할 수 있으며 수신 신호는 다중 경로 및 추후 잔향 환경을 고려하도록 하였다.
- 수신된 표적 반사 신호를 대상으로 FRFT를 적용하여 특징벡터를 추출하였다. 3장에서 설명된 바와 같이, FRFT 영역을 100개의 균일 필터뱅크를 사용하여 필터뱅크의 에너지 100개를 특징벡터로 사용하였다.
- 인식성능을 비교하기 위해, 기존의 FT 영역에서 동일한 방법으로 특징벡터를 추출하여 인식성능을 비교하였다. 실험결과 FRFT 영역에서 추출된 특징벡터를 이용하는 방법이 기존의 FT 영역에서의 특징추출 방법보다 우수한 성능을 보임을 확인하였다.
- 표적 반사신호의 합성은 신호표적에서 일정거리를 두고 소스에서 생성된 LFM(Linear Frequency Modulation)펄스를 수신기가 수신하도록 구성하였다. 표적이 회전함에 따라 표적-소스간의 다양한 각도에서의 신호를 얻을 수 있게 된다.
- 표적을 중심으로 일정한 거리를 두고 원을 그리며 360° 회전하면서 각각 원하는 각도에 따라 산개된 신호를 수집하였다.
- 본 논문에서는 수중환경이라는 특성으로 인하여 관련 연구를 위한 실제 해상 데이터를 이용한 표본 수집이 어렵기 때문에 3차원 하이라이트 분포를 가지는 모델을 이용하여, 능동소나 표적신호를 음선 추적기법[11]을 기반으로 하여 합성하였다. 합성된 표적신호를 대상으로 FRFT를 적용하여 특징벡터를 추출하는 방법을 제안하였고, 성능검증을 위해 신경회로망 인식기를 이용하여 인식 실험을 수행하였다.
- 본 논문에서는 3차원 하이라이트 분포를 가지는 모델을 이용하여, 능동소나 표적신호를 음선 추적기법을 기반으로 하여 합성하였다. 합성된 표적신호를 대상으로 FRFT를 적용하여 특징벡터를 추출하였고, 신경회로망 인식기를 이용하여 인식 실험을 수행하였다. 추출된 특징벡터는 표적 및 수신 각도에 따른 표적 반사신호의 변화를 잘 반영함을 확인하였다.
대상 데이터
- 표적 인식을 위해 4 종류의 표적 신호에 대하여 0도에서 360까지 1도 단위로 수신하여, 총 1440개의 데이터로 데이터베이스를 구축하였다. 1440개의 데이터베이스에서 360개의 데이터를 이용하여 BPNN 인식기의 훈련에 사용하였다. 사용된 BPNN인식기는 100개의 입력노드, 24개의 노드를 가지는 은닉층, 그리고 4개의 출력노드를 가지도록 구성되었다.
- 모든 모델은 앞서 설명한 바와 같이 공통적으로 동일한 길이 및 형태의 등 간격 하이라이트가 분포하고 있으며 Type 2는 이에 좌-우, 180°에 대칭적인 형태의 분포를 추가 하였으며 Type 3은 180°에 대칭적인 분포를 추가한 모델이다.
- 1440개의 데이터베이스에서 360개의 데이터를 이용하여 BPNN 인식기의 훈련에 사용하였다. 사용된 BPNN인식기는 100개의 입력노드, 24개의 노드를 가지는 은닉층, 그리고 4개의 출력노드를 가지도록 구성되었다. 훈련에서 최대 반복횟수(Iteration)는 10000번으로 제한하였고, 오류률(error rate)은 0.
- 실험에 사용된 능동소나 표적 신호를 합성하기 위해서 표본화 주파수는 31.25 kHz, 펄스 폭은 50ms, 중심 주파수는 7 kHz, 그리고 대역폭은 400 Hz의 LFM 신호를 사용하였다. 합성된 신호는 신장 효과 및 다중 경로 반사 효과로 인하여 송신 신호의 길이 보다 길어졌으며 표적 모델에 따라서 서로 다른 길이 및 형태를 갖는다.
- 구해진 특징벡터의 성능을 검증하기 위해 역전파 신경망(Back Propagation Neural Network : BPNN)을 이용하여 인식실험을 수행하였다. 표적 인식을 위해 4 종류의 표적 신호에 대하여 0도에서 360까지 1도 단위로 수신하여, 총 1440개의 데이터로 데이터베이스를 구축하였다. 1440개의 데이터베이스에서 360개의 데이터를 이용하여 BPNN 인식기의 훈련에 사용하였다.
이론/모형
- 등 간격 하이라이트 사이의 거리는 일반적으로 송신신호의 펄스 길이를 고려하여 합성된 반사 신호가 불연속적이지 않도록 설정 하는데 여기서는 10 m 간격으로 설정하였다. 신호 합성에는 음선 추적 기법을 이용하였다. 그림 2는 사용된 4가지 형태의 하이라이트 모델을 보여주고 있다.
성능/효과
- 001로 설정하였다. 실제 실험결과 최대 반복횟수에 도달하기 전에 설정된 오류률에 도달하여 훈련을 끝낼 수 있었다.
- 인식성능을 비교하기 위해, 기존의 FT 영역에서 동일한 방법으로 특징벡터를 추출하여 인식성능을 비교하였다. 실험결과 FRFT 영역에서 추출된 특징벡터를 이용하는 방법이 기존의 FT 영역에서의 특징추출 방법보다 우수한 성능을 보임을 확인하였다.
- 전체적으로 볼 때 4가지 모델은 대체적으로 180° 기준으로 회전 했을 때 거의 대칭적인 형태를 이루고 있음을 확인할 수 있다.
- 합성된 표적신호를 대상으로 FRFT를 적용하여 특징벡터를 추출하였고, 신경회로망 인식기를 이용하여 인식 실험을 수행하였다. 추출된 특징벡터는 표적 및 수신 각도에 따른 표적 반사신호의 변화를 잘 반영함을 확인하였다.
- 표 1은 실제 인식결과를 보여주고 있다. 표 1에서 확인할 수 있듯이, FRFT 영역에서 추출된 특징벡터를 이용한 인식결과가 FT영역에서 추출된 특징벡터를 이용한 인식결과 보다 약 20% 정도 향상된 결과를 보임을 확인하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.