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
- 3면이 바다로 둘러싸인 우리나라에서는 해양사고가 빈번히 발생하고 있으며, 이를 막기 위해서 기존의 파랑탐지 알고리즘을 분석하고 최적의 알고리즘을 개발하는 것이 요구된다. 본 논문에서는 파랑 탐지 알고리즘 기술들을 조사하고 분석한다. 특히 본 논문에서는 기존에 가장 효과적인 알고리즘으로 제시된 반복 최소 자승(Iterative-LS) 갱신 방법에 기반한 해류 산출을 수행, 분석하여 초기 해류 속도를 개선시키는 방안을 제안한다.
- 본 논문에서는 파랑 탐지 알고리즘 기술들을 조사하고 분석한다. 특히 본 논문에서는 기존에 가장 효과적인 알고리즘으로 제시된 반복 최소 자승(Iterative-LS) 갱신 방법에 기반한 해류 산출을 수행, 분석하여 초기 해류 속도를 개선시키는 방안을 제안한다. 제안한 방식은 초기 해류 속도를 산출하는 부분에서 정규화된 스펙트럼 값에 낮은 값은 더 낮게 높은 값은 상대적으로 더 높게 가중치를 줌으로써 성능이 개선될 수 있음을 보인다.
제안 방법
- X-band 레이더로부터 64장의 연속된 PPI 레이더 이미지를 불러와 128x128 크기의 서브 이미지 영역을 지정 한 후 3D FFT를 수행한다. 그리고 여러 방법에 따른 해류 속도 산출하여 선형분산관계를 이용해 대역통과 필터를 적용시켜 파랑성분만 색출한다.
- 여기서, i의 범위는 실험적으로 얻어진 12 ~ 32이다. 그리고 기존의 알고리즘으로 산출한 해류 속도를 포함한 분산관계식을 적용하여 파향을 예측하는 모의실험을 수행하였다.
- X-band 레이더로부터 64장의 연속된 PPI 레이더 이미지를 불러와 128x128 크기의 서브 이미지 영역을 지정 한 후 3D FFT를 수행한다. 그리고 여러 방법에 따른 해류 속도 산출하여 선형분산관계를 이용해 대역통과 필터를 적용시켜 파랑성분만 색출한다.
- 그리고, 파랑의 특성 중 파도가 장애물을 만나면 크게 한번 치고 다시 되돌아가는 잔파도가 생기는 특성을 가지고 있기 때문에 45도보다 크면 제일 많은 빈도수를 가진 각도와 대칭되는 각도를 제외하고 나머지 각도를 평균을 산출함으로써 파향을 도출한다. 여기서 Dpre는 이전의 예측된 파향이고, Dcur은 현재의 예측된 파향을 의미한다.
- 실제, 만족스러운 해류 속도는 2~3번의 반복만으로 얻을 수 있지만 일부의 경우 10번 이상이 필요할 수 있다. 따라서 본 논문에서는 식 (9)와 같이 해류 파라미터의 현재 n과 이전(n-1) 사이의 절대오차를 확인하여 적응적 종료 기준을 선택하도록 한다.
- 최근에 큰 해양 사고가 빈번히 발생함에 따라 해상교통관제를 통해 항해의 안정성과 더불어 효율성을 개선하기 위해, 먼저 본 논문에서는 VTS 센서를 이용한 3D 영상 분석에 기초한 파랑정보 추출 알고리즘에 대한 성능을 비교 분석하였다. 또한, 본 논문에서는 기존 파랑 탐지 알고리즘에서 해류 속도를 산출 성능 개선방안으로 반복 최소장승 갱신 기반의 초기 해류 속도를 구하는 부분에서 최대 스펙트럼 값의 일정 임계치보다 높은 좌표에 대해서 수행하지 않고, 해당 좌표의 스펙트럼 값을 정규화하여 낮은 값은 더 낮게 높은 값은 상대적으로 더 높게 가중치를 줌으로써 높은 초기 해류 속도 추정치를 얻어 성능을 개선하는 알고리즘을 제안하였다. 또한, 잔잔한 바다상태의 경우 파향은 시간이 지날수록 급변하지 않고 서서히 바뀌는 특성과 파도가 장애물을 만나면 크게 한번 치고 다시 되돌아가는 잔파도가 생기는 특성을 고려하는 방안으로 파향 성능을 개선하는 알고리즘을 제안하였다.
- 영역을 직교좌표계에서 극좌표계로 변환함으로써 방향 θ를 구한다. 또한, 부이 가 5분 간격으로 얻어진 데이터이기 때문에 레이더 영상으로 예측한 파향도 5분 동안 방향의 평균으로 예측하였다. 제안하는 알고리즘과 기존 알고리즘들의 예측 파향 비교는 2015년 7월 23일 오후 8시부터 40분간 실험한 결과는 그림 9에 나타내었고, 2015년 7월 24일 오전 6시부터 40분간 실험한 결과는 그림 10에서 나타내었다.
- 또한, 본 논문에서는 기존 파랑 탐지 알고리즘에서 해류 속도를 산출 성능 개선방안으로 반복 최소장승 갱신 기반의 초기 해류 속도를 구하는 부분에서 최대 스펙트럼 값의 일정 임계치보다 높은 좌표에 대해서 수행하지 않고, 해당 좌표의 스펙트럼 값을 정규화하여 낮은 값은 더 낮게 높은 값은 상대적으로 더 높게 가중치를 줌으로써 높은 초기 해류 속도 추정치를 얻어 성능을 개선하는 알고리즘을 제안하였다. 또한, 잔잔한 바다상태의 경우 파향은 시간이 지날수록 급변하지 않고 서서히 바뀌는 특성과 파도가 장애물을 만나면 크게 한번 치고 다시 되돌아가는 잔파도가 생기는 특성을 고려하는 방안으로 파향 성능을 개선하는 알고리즘을 제안하였다. 제안한 방식은 모의실험을 통하여 기존의 알고리즘에 비해 해류 속도를 예측하는 부분과 파향 예측하는 부분에서 모두 우수한 성능을 보였다.
- 먼저, 레이더 영상으로부터 연속된 64개의 이미지를 불러와 3D FFT를 한다. 3D FFT는 연속된 이미지에 대해 각각 2D FFT의 결과를 취하고, 그 결과들을 다시 시간 축에 대해 1D FFT를 수행하게 되면 주파수별로 분리된 파수(Wave Number) 스펙트럼을 구성하게 된다.
- 레이더 이미지로부터 정확한 파랑 정보(wave information)를 추출하기 위해서는 먼저 해류 속도를 구해야 한다. 이를 해결하기 위해서 Young방법[1]은 기본 모드(fundamental mode wave) 분산관계(dispersion relationship)를 사용하여 최소 자승(Least-square) 정합 기술을 이용해서 해류를 구하는 방법을 최초로 제안하였고, 그 이후에 Gangeskar방법[2]에서는 Young방법에 가중치를 둔 최소 자승법을 이용한 알고리즘(알고리즘 A)과 알고리즘 A에 오류를 최소화 한 방식을 추가한 알고리즘(알고리즘B) 2가지 방법을 제안하였다. 이 방식은 Young방법[1]에 비해 성능이 개선되는 장점이 있지만, 알고리즘 B의 경우 많은 계산량과 추가적인 잡음 제거 처리를 필요로 하는 단점을 가지고 있다.
- Gangeskar[2]방법은 Young방법[1]을 기초로 스펙트럼값을 곱하여 가중치를 달리 주어 확인하는 방법으로 구하고, Senet방법[4] 또한 Young방법[1]을 기초로 기본 및 고조파 모드 분산관계식을 적용하여 모드의 선택에 따라 해류 속도를 반복적으로 갱신하는 방법으로 얻을 수 있다. 제안하는 방법은 Iterative-LS 기반으로 한 Senet방법[4]을 수행, 분석한 결과, Step 1)에서 Young방법[1]으로 설정한 초기 해류 속도 추정치가 Step 2)에서 반복갱신에 큰 영향을 미친다. 그래서 Step 1)에서 Young방법[1]에서 해당 좌표의 스펙트럼 값을 정규화(Normalization)하여 낮은 값은 더 낮게 높은 값은 상대적으로 더 높게 가중치를 줌으로써 높은 초기 해류 속도 추정치를 얻을 수 있다.
- 최근에 큰 해양 사고가 빈번히 발생함에 따라 해상교통관제를 통해 항해의 안정성과 더불어 효율성을 개선하기 위해, 먼저 본 논문에서는 VTS 센서를 이용한 3D 영상 분석에 기초한 파랑정보 추출 알고리즘에 대한 성능을 비교 분석하였다. 또한, 본 논문에서는 기존 파랑 탐지 알고리즘에서 해류 속도를 산출 성능 개선방안으로 반복 최소장승 갱신 기반의 초기 해류 속도를 구하는 부분에서 최대 스펙트럼 값의 일정 임계치보다 높은 좌표에 대해서 수행하지 않고, 해당 좌표의 스펙트럼 값을 정규화하여 낮은 값은 더 낮게 높은 값은 상대적으로 더 높게 가중치를 줌으로써 높은 초기 해류 속도 추정치를 얻어 성능을 개선하는 알고리즘을 제안하였다.
대상 데이터
- 실험 조건은 부산 해운대해수욕장 근해에 설치된 부이에서 추출한 데이터를 기반으로 비교분석하였고, 실험시각은 2015년 07월 23일 7:53pm에서 8:40pm까지, 2015년 07월 24일 05:53am에서 6:40am까지 5분단위로 예측을 하였다. 부이는 국립해양조사원(www.khoa.go.kr)에서 관측한 데이터이다.
-
제안된 알고리즘의 유효성을 검증하기 위해 기존의 알고리즘과 비교분석하였다. 실험 조건은 부산 해운대해수욕장 근해에 설치된 부이에서 추출한 데이터를 기반으로 비교분석하였고, 실험시각은 2015년 07월 23일 7:53pm에서 8:40pm까지, 2015년 07월 24일 05:53am에서 6:40am까지 5분단위로 예측을 하였다. 부이는 국립해양조사원(
데이터처리
- 제안된 알고리즘의 유효성을 검증하기 위해 기존의 알고리즘과 비교분석하였다. 실험 조건은 부산 해운대해수욕장 근해에 설치된 부이에서 추출한 데이터를 기반으로 비교분석하였고, 실험시각은 2015년 07월 23일 7:53pm에서 8:40pm까지, 2015년 07월 24일 05:53am에서 6:40am까지 5분단위로 예측을 하였다.
성능/효과
- 하지만, 제안하는 방법은 기존의 알고리즘보다 해류 속도 산출 하는 과정에서 성능이 우수함을 확인하였다. 그리고 해류 값을 반복 갱신하는 과정에서 반복 종료 기준을 추가하고 Senet방법[4]보다 높은 초기 해류 속도 추정치를 얻음으로써 반복횟수가 줄어짐을 볼 수 있었다. 또한, 제안하는 방법으로 산출된 해류 속도를 포함한 파향 예측 같은 경우에는 기존의 알고리즘보다 평균오차가 10도 이상 개선됨을 확인할 수 있었다.
- 그리고 해류 값을 반복 갱신하는 과정에서 반복 종료 기준을 추가하고 Senet방법[4]보다 높은 초기 해류 속도 추정치를 얻음으로써 반복횟수가 줄어짐을 볼 수 있었다. 또한, 제안하는 방법으로 산출된 해류 속도를 포함한 파향 예측 같은 경우에는 기존의 알고리즘보다 평균오차가 10도 이상 개선됨을 확인할 수 있었다.
- 제안한 방식은 초기 해류 속도를 산출하는 부분에서 정규화된 스펙트럼 값에 낮은 값은 더 낮게 높은 값은 상대적으로 더 높게 가중치를 줌으로써 성능이 개선될 수 있음을 보인다. 또한, 파향예측은 잔잔한 바다일 경우에는 일정 각도범위를 벗어나지 않는 각도만 취급하고 제일 많은 빈도수를 가진 각도와 대칭되는 각도를 제외하여 나머지 각도를 평균을 구함으로써 기존 알고리즘보다 성능이 개선됨을 보인다.
- 본 논문에서 실험 레이더 영상은 비교적으로 잔잔한 바다 상태이기 때문에 해류 속도는 5~10cm/s로 얻을 수 있었다. 예측한 해류 속도와 부이 데이터를 비교한 결과, 최대 약 2cm/s 오차가 나타났다.
- 본 논문에서 실험 레이더 영상은 비교적으로 잔잔한 바다 상태이기 때문에 해류 속도는 5~10cm/s로 얻을 수 있었다. 예측한 해류 속도와 부이 데이터를 비교한 결과, 최대 약 2cm/s 오차가 나타났다. 이 차이는 굉장히 미미한 것이며, 파향 예측에 영향을 크게 미치지 않는 것으로 확인되었다.
- 먼저 제안하는 방법과 기존의 해류 속도를 산출하는 방법을 구현하여 비교한 결과는 그림 6에서 나타내었다. 이 실험 결과에서 알 수 있듯이 Young방법[1], Gangeskar방법[2], Senet방법[4]으로 산출한 해류 속도는 실제 해운대 해수욕장에 설치된 부이에서 추출한 해류 속도와 유사하게 나오는 것을 볼 수 있다.
- 또한, 잔잔한 바다상태의 경우 파향은 시간이 지날수록 급변하지 않고 서서히 바뀌는 특성과 파도가 장애물을 만나면 크게 한번 치고 다시 되돌아가는 잔파도가 생기는 특성을 고려하는 방안으로 파향 성능을 개선하는 알고리즘을 제안하였다. 제안한 방식은 모의실험을 통하여 기존의 알고리즘에 비해 해류 속도를 예측하는 부분과 파향 예측하는 부분에서 모두 우수한 성능을 보였다.
- 특히 본 논문에서는 기존에 가장 효과적인 알고리즘으로 제시된 반복 최소 자승(Iterative-LS) 갱신 방법에 기반한 해류 산출을 수행, 분석하여 초기 해류 속도를 개선시키는 방안을 제안한다. 제안한 방식은 초기 해류 속도를 산출하는 부분에서 정규화된 스펙트럼 값에 낮은 값은 더 낮게 높은 값은 상대적으로 더 높게 가중치를 줌으로써 성능이 개선될 수 있음을 보인다. 또한, 파향예측은 잔잔한 바다일 경우에는 일정 각도범위를 벗어나지 않는 각도만 취급하고 제일 많은 빈도수를 가진 각도와 대칭되는 각도를 제외하여 나머지 각도를 평균을 구함으로써 기존 알고리즘보다 성능이 개선됨을 보인다.
- 이 차이는 굉장히 미미한 것이며, 파향 예측에 영향을 크게 미치지 않는 것으로 확인되었다. 하지만, 제안하는 방법은 기존의 알고리즘보다 해류 속도 산출 하는 과정에서 성능이 우수함을 확인하였다. 그리고 해류 값을 반복 갱신하는 과정에서 반복 종료 기준을 추가하고 Senet방법[4]보다 높은 초기 해류 속도 추정치를 얻음으로써 반복횟수가 줄어짐을 볼 수 있었다.
후속연구
- 본 논문에서 비교한 파랑 탐지 알고리즘들은 다소 잔잔한 바다 상태의 실제 데이터에 대해 주로 모의실험 결과가 수행되었으므로, 해류 속도가 2m/s 이상의 거친 바다 상태일 때의 실 데이터에 대해 추가적으로 실험해볼 필요가 있으며, 다소 다양한 해안에서 지속적인 관찰과 비교를 통해 검증이 이루어질 필요가 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.