본 논문에서는 천해 환경에서 고밀도로 형성되는 클러터를 제거하는 군집화 기반의 능동소나 클러터 제거 기법을 제안한다. 먼저 제안하는 기법에서는 표적의 속도, 송신 핑 주기 등을 고려하여 측정치에 대해 밀도 기반의 군집화를 수행한다. 군집으로 분류된 측정치들을 실제 표적에 대한 후보로 가정하고 군집화 되지 않은 측정치인 잡음을 제거한다. 군집화 후 군집별 표적 여부를 판단하기 위해 유효성 검사를 실시하여 표적과 클러터를 구분한다. 최종적으로 표적으로 분류되지 않은 군집의 측정치들을 클러터로 간주하여 제거한다. 제안한 기법을 모의신호와 해상실험데이터를 이용하여 성능 분석한 결과, 본 논문에서 제안한 군집화 기반의 능동소나 클러터 기법의 성능이 기존 방법보다 우수함을 확인하였다.
본 논문에서는 천해 환경에서 고밀도로 형성되는 클러터를 제거하는 군집화 기반의 능동소나 클러터 제거 기법을 제안한다. 먼저 제안하는 기법에서는 표적의 속도, 송신 핑 주기 등을 고려하여 측정치에 대해 밀도 기반의 군집화를 수행한다. 군집으로 분류된 측정치들을 실제 표적에 대한 후보로 가정하고 군집화 되지 않은 측정치인 잡음을 제거한다. 군집화 후 군집별 표적 여부를 판단하기 위해 유효성 검사를 실시하여 표적과 클러터를 구분한다. 최종적으로 표적으로 분류되지 않은 군집의 측정치들을 클러터로 간주하여 제거한다. 제안한 기법을 모의신호와 해상실험데이터를 이용하여 성능 분석한 결과, 본 논문에서 제안한 군집화 기반의 능동소나 클러터 기법의 성능이 기존 방법보다 우수함을 확인하였다.
In this paper, we propose a new clutter reduction algorithm, which rejects heavy clutter density in shallow water environments, based on a clustering method. At first, it applies the density-based clustering to active sonar measurements by considering speed of targets, pulse repetition intervals, et...
In this paper, we propose a new clutter reduction algorithm, which rejects heavy clutter density in shallow water environments, based on a clustering method. At first, it applies the density-based clustering to active sonar measurements by considering speed of targets, pulse repetition intervals, etc. We assume clustered measurements as target candidates and remove noise, which is a set of unclustered measurements. After clustering, we classify target and clutter measurements by the validation check method. We evaluate the performance of the proposed algorithm on synthetic data and sea-trial data. The results demonstrate that the proposed algorithm provides significantly better performances to reduce clutter than the conventional algorithm.
In this paper, we propose a new clutter reduction algorithm, which rejects heavy clutter density in shallow water environments, based on a clustering method. At first, it applies the density-based clustering to active sonar measurements by considering speed of targets, pulse repetition intervals, etc. We assume clustered measurements as target candidates and remove noise, which is a set of unclustered measurements. After clustering, we classify target and clutter measurements by the validation check method. We evaluate the performance of the proposed algorithm on synthetic data and sea-trial data. The results demonstrate that the proposed algorithm provides significantly better performances to reduce clutter than the conventional algorithm.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 고밀도 클러터 환경에 강인한 클러터 제거 기법을 제안한다. 제안하는 클러터 제거 기법은 누적된 측정치에 대해 공간 및 시간에 대한 연관성을 고려하여 표적과 클러터를 구분하는 방법으로, 측정치를 여러 개의 군집으로 분할 하는 군집화와 군집 별로 유효성을 판단하는 클러터 제거로 구성된다.
본 논문에서는 천해 환경에서의 효과적인 클러터 제거를 위해 밀도 기반의 군집화를 이용하는 기법을 제안하였다. 제안한 기법의 성능 입증을 위해 모의 신호 및 해상실험데이터 기반의 실험을 수행하였으며, 기존 클러터 제거 기법과의 비교를 통해 기존 기법보다 최대 4 %의 클러터 제거 성능이 향상됨을 확인하였다.
앞서 기술한 밀도 기반의 군집화와 직진도를 이용한 클러터 제거 기법의 효용성을 확인하기 위해 모의신호와 해상실험데이터에 대한 실험을 수행하였다. Blackman에 의하면, 표적 위치 오차는 확률적으로 가우시안 분포(Gaussian distribution)를 가진다고 알려져 있으며, 클러터의 개수는 PD(탐지 확률)와 Pfa(오탐지 확률)에 따라 탐지구역(surveillance area)에서 포아송 분포(Poisson distribution)로 존재하고, 클러터의 위치는 위의 확률적 발생빈도와 탐지구역을 기반으로 균등 분포(uniform distribution)로 존재하며, 신호대잡음비(Signal-to-Noise Ratio, SNR)는 레일리 분포(Rayleigh distribution)를 갖는 것으로 알려져 있다.
제안 방법
먼저 능동소나 신호처리를 통해 표적으로 추정되는 측정치의 2차원 좌표들을 획득한다. 각 송신 핑 별로 수집된 측정치의 좌표들은 자함의 위치를 기준으로 보정되며 연속된 M개의 송신 핑에 대한 측정치를 누적하여 데이터를 처리한다. 클러터 제거를 위해 시간 및 공간 정보를 이용하여 측정치에 대한 군집화를 수행하며, 군집화 후 각 군집 별로 주성분 분석법을 이용한 유효성 검사를 실시하여 클러터와표적을 구분한다.
군집화 기법을 통해 표적과 클러터를 각각 군집화하였다. 그러나 군집화 된 측정치 중 표적과 유사한 클러터도 군집화되기 때문에 표적의 특징을 이용한 식별 기법이 필요하다.
완벽한 직선이 아닐 경우에는 짧은 직선 보다 긴 직선의 고유값이 더 큰 경향이 있다. 따라서 제안하는 기법에서는 군집에 대해 클러터와 표적을 구분하는 임계치를 직선의 길이에 따라 보상하도록 하였으며, 보상 방법으로 Lee et al.[16] 기법을 사용하였다.
이러한 이유로 군집의 개수를 사전에 명시해야 하는 K-means 기법이나 EM(Expectation-Maximization) 등과 같은 기법을 클러터 제거를 위한 측정치 군집화에 적용하기 어렵다. 따라서 제안하는 클러터 제거 기법에서는 밀도 기반의 DBSCAN(Density-Based Spatial Clustering of Application with Noise) 기법[15]을 변형 및 적용하여 측정치의 군집화를 수행한다.
그 외의 잔향은 수중 복반사, 수중 구조물 및 해양 생물체에 의한 반향 혹은 내부파에 의한 영향 등으로 구성되어 공간적인 위치가 일정치 않은 랜덤 분포를 가진다. 본 논문에서 제안하는 방법은 이러한 특징을 이용하여 군집 별로 표적과 클러터를 식별하는 유효성 검사를 수행하였다.
본 논문에서 제안한 군집화 기반의 클러터 제거기법의 성능을 비교하기 위해 허프변환을 이용한 클러터 제거 기법을 비교 기법으로 선정하여 기법 적용 전과 후의 클러터 수를 분석하였다. 기존 허프변환을 이용한 클러터 제거 기법은 2차원의 직교 좌표계에서의 측정치를 2차원 허프공간에서 교차하는지를 판단하여 교차하는 경우에는 관심표적으로 판단하고 그 외에 교차하지 않는 경우에는 클러터로판단한다.
본 논문에서는 이러한 군집화 기법을 클러터 제거에 적용하기 위해 입력 파라미터를 다음은 방법으로 결정하였다. 먼저 코어 포인트를 결정하는 변수 minPts는 송신한 연속적인 핑의 개수이며, 이웃 포인트들을 결정하는 파라미터 ∊는 minPts개의 핑을 송신하는 동안 표적이 최대한 움직일 수 있는 거리로 표현할 수 있다.
표적 정보는 군집화를 통해 공간적, 시간적 연관성이 높은 형태로 분류되었다. 이에 대한 각 군집별 유효성 검사는 직진도를 추정하는 방법으로 직진도가 높은 군집을 표적으로 낮은 군집은 클러터로 구분하여 처리한다. 군집 별 직진도를 추정하기 위해 주성분 분석법(principal component analysis)[16]을 사용하며, 군집 포인트들의 (x,y) 좌표에 대한 공분산 행렬은 다음과 같다.
제안하는 기법에서는 측정치의 위치를 누적하여 군집화하기 때문에 주로 2차원 좌표를 사용하여 밀도를 결정하지만, 측정치 별 시간 정보인 송신 핑의순서도 군집화에 활용하여 클러터가 최대한 군집에 포함되지 않도록 한다. 일반적으로 클러터는 불규칙적으로 발생하여 공간적으로 인접한 위치에 있는 포인트들이라도 시간적 연관성이 적은 경우가 많다.
표적 위치 오차는 환경적 요인과 센서 특성에 따라 달라질 수 있으며, 클러터 제거 성능에 영향을 준다. 제안하는 방법에서는 표적의 속도, 거리, 시간 정보 등을 군집화 기법에 반영하여 거리추정 에러에 대한영향을 최소화하였다.
본 논문에서는 고밀도 클러터 환경에 강인한 클러터 제거 기법을 제안한다. 제안하는 클러터 제거 기법은 누적된 측정치에 대해 공간 및 시간에 대한 연관성을 고려하여 표적과 클러터를 구분하는 방법으로, 측정치를 여러 개의 군집으로 분할 하는 군집화와 군집 별로 유효성을 판단하는 클러터 제거로 구성된다. Fig.
제안한 기법의 성능을 확인하기 위해 30핑에 대한 총 측정치 개수 중 표적과 클러터의 개수를 기존 기법과 제안한 기법 적용 전과 적용 후로 정리하였으며, 결과는 Table 2와 같다. 클러터 제거에 대한 성능 비교 시 기존 기법의 클러터 제거율은 모의신호에서 96.
각 송신 핑 별로 수집된 측정치의 좌표들은 자함의 위치를 기준으로 보정되며 연속된 M개의 송신 핑에 대한 측정치를 누적하여 데이터를 처리한다. 클러터 제거를 위해 시간 및 공간 정보를 이용하여 측정치에 대한 군집화를 수행하며, 군집화 후 각 군집 별로 주성분 분석법을 이용한 유효성 검사를 실시하여 클러터와표적을 구분한다. 실험 결과를 통하여 본 논문에서 제안한 클러터 제거 기법의 성능이 우수함을 확인하였다.
표적에 대해서는 Swerling model I을 적용하였으며,[18] 해저면 반사에 의한 클러터는 해상실험데이터와 유사한 조건에서의 모의신호 생성을 위해 해저면 반사에 대한 클러터는 수심 ±10 % 내에서 고밀도로 클러터가 존재하는 조건으로, 나머지 클러터는공간상 균일 확률로 클러터가 존재하는 조건으로 적용하였다.
이론/모형
따라서 제안하는 기법에서는 군집에 대해 클러터와 표적을 구분하는 임계치를 직선의 길이에 따라 보상하도록 하였으며, 보상 방법으로 Lee et al.[16] 기법을 사용하였다. 또한, 군집이 minPts에 따라 달라지므로 minPts도 임계치 보상에 적용하였다.
군집 별 직진도를 추정하기 위해 주성분 분석법(principal component analysis)[16]을 사용하며, 군집 포인트들의 (x,y) 좌표에 대한 공분산 행렬은 다음과 같다.
성능/효과
4(c)와 (d)는 각각 기존 기법과 제안한 기법에 대한 클러터 제거 결과를 나타낸다. 결과 그림에서 볼 수 있듯이 제안한 기법을 적용한 결과에서 기존 기법에 비해 클러터가 상당부분 제거됨을 확인할 수 있다.
더 정확하게 설명하면 모의신호에서는 30개 표적의 측정치에서 기존 기법은 56.7 %를 클러터로 식별하여 제거하였으나, 제안한 기법은 0 %로 모의한 표적신호를 모두 표적 신호로 식별한 것을 알 수 있다.
클러터 제거를 위해 시간 및 공간 정보를 이용하여 측정치에 대한 군집화를 수행하며, 군집화 후 각 군집 별로 주성분 분석법을 이용한 유효성 검사를 실시하여 클러터와표적을 구분한다. 실험 결과를 통하여 본 논문에서 제안한 클러터 제거 기법의 성능이 우수함을 확인하였다.
7 %만 표적신호를 클러터로 식별하였다. 이를 통해 제안한 기법이 표적 신호를 클러터로 판단하지 않고 클러터만 효과적으로 제거함을 확인할 수 있다.
본 논문에서는 천해 환경에서의 효과적인 클러터 제거를 위해 밀도 기반의 군집화를 이용하는 기법을 제안하였다. 제안한 기법의 성능 입증을 위해 모의 신호 및 해상실험데이터 기반의 실험을 수행하였으며, 기존 클러터 제거 기법과의 비교를 통해 기존 기법보다 최대 4 %의 클러터 제거 성능이 향상됨을 확인하였다. 특히 제안한 기법 이용한 클러터 제거 시 표적 신호의 수는 적용 전과 전용 후의 차이가 거의 발생하지 않음을 알 수 있어, 클러터 제거뿐만 아니라 표적 탐지에 대한 성능도 우수함을 알 수 있다.
1 %로 나타났다. 제안한 기법이 기존 기법대비 해상실험데이터와 모의신호에서 모두 뛰어난클러터 제거율을 보였다. 또한, Fig.
제안한 기법의 성능을 확인하기 위해 30핑에 대한 총 측정치 개수 중 표적과 클러터의 개수를 기존 기법과 제안한 기법 적용 전과 적용 후로 정리하였으며, 결과는 Table 2와 같다. 클러터 제거에 대한 성능 비교 시 기존 기법의 클러터 제거율은 모의신호에서 96.0 %, 해상실험데이터에서 97.7 %이나, 제안한 기법을 적용한 결과는 모의신호에서 99.9 %, 해상데이터에서 99.1 %로 나타났다. 제안한 기법이 기존 기법대비 해상실험데이터와 모의신호에서 모두 뛰어난클러터 제거율을 보였다.
제안한 기법의 성능 입증을 위해 모의 신호 및 해상실험데이터 기반의 실험을 수행하였으며, 기존 클러터 제거 기법과의 비교를 통해 기존 기법보다 최대 4 %의 클러터 제거 성능이 향상됨을 확인하였다. 특히 제안한 기법 이용한 클러터 제거 시 표적 신호의 수는 적용 전과 전용 후의 차이가 거의 발생하지 않음을 알 수 있어, 클러터 제거뿐만 아니라 표적 탐지에 대한 성능도 우수함을 알 수 있다.
7 %를 클러터로 식별하여 제거하였으나, 제안한 기법은 0 %로 모의한 표적신호를 모두 표적 신호로 식별한 것을 알 수 있다. 해상실험데이터의 경우 60개의 표적 신호 중 기존 기법은 63.3 %를 클러터로 판단함에 비해 제안한 기법은 6.7 %만 표적신호를 클러터로 식별하였다. 이를 통해 제안한 기법이 표적 신호를 클러터로 판단하지 않고 클러터만 효과적으로 제거함을 확인할 수 있다.
후속연구
제안한 기법은 능동소나를 이용한 수중음향탐지체계에 유용하게 활용될 수 있을 것이며, 향후에는 추가적인 실험을 통하여 다양한 환경에서의 적용 가능여부를 확인할 수 있을 것으로 기대된다.
질의응답
핵심어
질문
논문에서 추출한 답변
DBSCAN 기법의 기본 개념을 설명하는 군집화를 위한 정의들은 무엇인가?
· ∊-이웃 포인트(∊-neighborhood): pi로부터의 거리가 ∊인 영역 내부에 있는 포인트들의 집합으로 다음과 같이 정의된다.
N∊(pi)=[p∈D|d(pi,p) ≤ ∊, (1)
여기서 D는 측정치 전체에 대한 집합이며, d(pi,p)는 pi와 p 간의 거리로 본 기법에서는 2차원 유클리디안(Euclidean) 거리로 둔다.
· 코어 포인트(core point): ∊-이웃 포인트들의 개수가minPts보다 크거나 같은 포인트로 다음과 같이 표현된다.
P=[p∈D| ∥Ne(p)∥≥ minPts]. (2)
· 직접 밀도 도달가능(directly density-reachable): 코어 포인트 P의 ∊-이웃 포인트들은 P로부터 직접 밀도 도달가능하다.
· 밀도 도달가능(density-reachable): 여러 개의 연속된 포인트들 p1, p2···pn이 있고 코어 포인트 p가 p1일 때, 모든 (pi,pi +1)에 대해 pi+1의 포인트가 pi로부터 직접 밀도 도달가능하면, pn은 p로부터 밀도 도달가능하다.
· 밀도 연결(density-connected): 두 개의 포인트 p1와p2가 각각 p3으로부터 밀도 도달가능하면 p1와 p2는 밀도 연결이 된다.
· 군집(cluster): 밀도 연결된 점들의 최대 집합을 의미한다.
능동소나가 가진 수동 소나와 다른 특징은?
소나는 소음원인 음향신호의 종류와 신호처리 방법에 따라 수동음탐기와 능동음탐기로 구분된다. 수동소나와 달리 능동소나는 높은 준위의 음파를 송신하여 반사되어 돌아오는 표적의 반향음을 이용하여 표적을 탐지하는 장치로 표적에 의한 반향음과 더불어 해저면, 해양생물 및 산란과 복반사 등에 의한 반향음인 클러터(clutter)가 동시에 탐지되는 특징이 있다. 이러한클러터는 표적과 유사한 특징으로 인해 표적 오탐지를 유발하는 요소[1]로 작용하며 능동소나의 탐지성능을 저하시킨다.
소나를 소음 원인 음향신호의 종류와 신호처리 방법에 따라 구분하면?
일반적으로 수중탐지체계는 수중 침투 세력의 위협에 대응하기 위해 표적에서 방사되는 여러 종류의 소음원을 기반으로 탐지를 수행한다. 소나는 소음원인 음향신호의 종류와 신호처리 방법에 따라 수동음탐기와 능동음탐기로 구분된다. 수동소나와 달리 능동소나는 높은 준위의 음파를 송신하여 반사되어 돌아오는 표적의 반향음을 이용하여 표적을 탐지하는 장치로 표적에 의한 반향음과 더불어 해저면, 해양생물 및 산란과 복반사 등에 의한 반향음인 클러터(clutter)가 동시에 탐지되는 특징이 있다.
참고문헌 (18)
R. J. Urick, Principles of Underwater Sound for Engineers (McGraw-Hill, New York, 1967), pp. 211-262.
J. M. Fialkowski and R. C. Gauss, "Methods for identifying and controlling sonar clutter," IEEE J. Ocean. Eng. 35, 330-354 (2010).
D. D. Ellis, "Measurements and analysis of reverberation and clutter data," Defence R&D Canada - Atlantic. Rep., 2007.
J. R. Preston, "Studies on sonar clutter and reverberation," ARL-PSU, Rep., 2012.
F. B. Shin, D. H. Kil, and R. Wayland, "IER clutter reduction in shallow water," IEEE Int. Conf. ICASSP, 6, 3041-3044 (1996).
G. J. Dobeck, "Algorithm fusion for automated sea mine detection and classification," IEEE Oceans Conf. 1, 130-134 (2001).
J. M. Aughenbaugh, B. A. Yocom, and B. R. La Cour, "Active clutter reduction through fusion with passive data," IEEE FUSION, 1-8 (2010).
E. Hanusa, D. Krout, and M. R. Gupta, "Clutter rejection by clustering likelihood-based similarities," IEEE FUSION, 1-6 (2011).
S. W. Kim, "Hough transform clutter reduction algorithm for piecewise linear path active sonar target detection and tracking improvement" (in Korean), J. Acoust. Soc. Kr. 32, 354-360 (2013).
C. H. Kwak and M. J. Jeoung, "Robust clutter reduction algorithm in shallow sea reverberation background" (in Korean), J. KIMST, 416-417 (2015).
M. Ester, H. P. Kriegel, J. Sander, and X. Xu, "A density-based algorithm for discovering clusters in large spatial databases with noise," KDD-96, 226-231 (1996).
Y. S. Lee, H. S. Koo, and C. S. Jeong, "A straight line detection using principal component analysis," Pattern Recognition Letters, 27, 14-15, 1744-1754 (2006).
※ AI-Helper는 부적절한 답변을 할 수 있습니다.