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
- 하지만이러한 방법들은 각각 다양한 환경에서 적용되지 않는 문제점과 기존의 계측 시스템과 유사하게 나타나지만 잡음을 제거하는 필터가 따로 필요로 하는 문제점 그리고 성능의 한계점을 안고 있다[12, 13]. 본논문에서는 파랑정보를 예측하는 기존의 알고리즘에 대해 분석하고, 레이더 신호를 통하여 중요 파랑 정보에 대한 예측 성능을 조사한다.특히, 본 논문에서는 해류 속도 예측에 있어 비교적으로 우수한 결과를 산출하는 Senet의 방법[4]에 기초하여 잡음을 제거하고, 파랑 정보를 추출하는 알고리즘을 고안한다.
- 최근에 큰 해양 사고가 빈번히 발생함에 따라 해상교통관제를 통해 항해의 안정성과 더불어 효율성을 개선하기 위해, 본 논문에서는 VTS센서를 이용한 3D영상 분석에 기초한 파랑정보 예측 알고리즘에 대한 성능을 비교 분석하였고 더불어 선형회귀모델을 도입하여 파랑 정보 예측 및 보정 알고리즘을 제안하였다.먼저, 제안된 알고리즘은 파향을 구하는 과정에서 각각 해류를 산출하는 알고리즘들을 적용하여 예측한 파향과 실제 수집된 파향과 비교하고, 유의파고는 초기에 제안된 Gomen의 방법과 파주기와의 상관관계를 고려하여 기존에 제안된 연 엔지니어링의 방법과의 성능을 비교하였다.
- 본논문에서는 파랑정보를 예측하는 기존의 알고리즘에 대해 분석하고, 레이더 신호를 통하여 중요 파랑 정보에 대한 예측 성능을 조사한다.특히, 본 논문에서는 해류 속도 예측에 있어 비교적으로 우수한 결과를 산출하는 Senet의 방법[4]에 기초하여 잡음을 제거하고, 파랑 정보를 추출하는 알고리즘을 고안한다. 이 방식에 기초하여 1차 선형 모델과 오차 모델을 적용 보정함으로써 예측 데이터가 실제 부이 데이터에 가깝도록 하는 예측 방식을 제안하고 실측치와의 비교를 통하여 제안 방식의 유효성을 검증한다.
제안 방법
- 먼저, PPI이미지에서 관찰하려 하는 특정 영역을 추출한 후 2D-FFT를 수행하여 특정 영역의 신호를 주파수영역으로 변환한다. 그리고 시간적인 정보를 얻어내기 위해 2D-FFT를 수행한 64장의 특정 영역의 이미지를 수집하여 시간 축에 대해 1D-FFT를 수행함으로써 주파수별로 분리된 파수(WaveNumber)스펙트럼을 구성하게 된다.그럼으로 인해 주파수의 특성을 찾아내어 파랑의 정보를 추출할 수 있게 된다[2].
- 두 번째, 현재 파랑정보와 이전 파랑정보의 오차 모델을 구성하고 첫 번째 보정된 파랑정보에 적용함으로써 한 번 더 보정을 수행한다.
- 잡음성분도 포함되어 있다. 따라서 해류속도를 포함한 분산관계식을 이용하여 대역 통과 필터링 (Band-passfiltering)을 수행하여 특정 범위의 주파수에 벗어나는 신호를 제거함으로써 파수 스펙트럼을 재구성한다.
- 구성할 수 있다.따라서 현재 예측된 파랑 정보와 이전 예측된 파랑정보의 변화 오차를 고려하여 오차 모델(ErrorModel)을 구성하고 선형모델로 인해 예측된 파랑정보에 한 번 더 적용함으로써 성능을 개선하기 위해 통계적인 특성에 기초하여 다음과 같은 보정을 수행한다.
- 추출하고 비교분석한다. 또한, 선형모델과 오차 모델을 구성함으로써 효과적인 파랑 추출 알고리즘을 설계한다.Fig.
- 변환하는 공식이다.먼저, PPI이미지에서 관찰하려 하는 특정 영역을 추출한 후 2D-FFT를 수행하여 특정 영역의 신호를 주파수영역으로 변환한다. 그리고 시간적인 정보를 얻어내기 위해 2D-FFT를 수행한 64장의 특정 영역의 이미지를 수집하여 시간 축에 대해 1D-FFT를 수행함으로써 주파수별로 분리된 파수(WaveNumber)스펙트럼을 구성하게 된다.
- 알고리즘을 제안하였다.먼저, 제안된 알고리즘은 파향을 구하는 과정에서 각각 해류를 산출하는 알고리즘들을 적용하여 예측한 파향과 실제 수집된 파향과 비교하고, 유의파고는 초기에 제안된 Gomen의 방법과 파주기와의 상관관계를 고려하여 기존에 제안된 연 엔지니어링의 방법과의 성능을 비교하였다. 하지만 Gomen의 방법은 오차가 커서 정밀도가 떨어지는 문제점을 가지고 있고, 연 엔지니어링의 방법은 실험환경에 따라 모델이 성능이 크게 달라지기 때문에 효과적인 성능을 기대할 수 없었다.
- 1에서 나타낸 제안된 알고리즘에서 해류속도(currentvelocity)를 예측하기 위해서는 Young의 방법[2], Gangeskar의 방법 [3], Senet의 방법[4]세 가지 방법을 사용하여 성능을 모의실험으로 평가하였다.모의실험은 2015년 7 월 23일과 24일 이틀간에 획득된 레이더 데이터에 대해 수행하였으며, 그 성능은 실측치 데이터와의 비교를 통하여 이루어졌다.모의실험 결과는 Fig.
- 본 논문에서 제안하는 방법은 다음과 같이 두 개의 단계를 거쳐서 예측된 파랑정보를 보정하는 방법을 고안한다.
- 한다.본 논문에서는 Fig.1에서 나타낸 제안된 알고리즘에서 해류속도(currentvelocity)를 예측하기 위해서는 Young의 방법[2], Gangeskar의 방법 [3], Senet의 방법[4]세 가지 방법을 사용하여 성능을 모의실험으로 평가하였다.모의실험은 2015년 7 월 23일과 24일 이틀간에 획득된 레이더 데이터에 대해 수행하였으며, 그 성능은 실측치 데이터와의 비교를 통하여 이루어졌다.
- 본 논문에서는 Senet의 방법을 이용하여 해류 속도를 산출하였고, 파랑 정보 예측 알고리즘의 파향, 유의파고를 산출하는 과정에서 실제 부이데이터와비교분석하여 얻어진 선형모델과 오차모델을 구성함으로써 자동회귀분석을 통해 파랑 정보를 보다 효과적으로 보정하는 방법을 제안하였다.제안하는 방법으로 보정된 파랑 정보들은 기존 알고리즘과 비교했을 때, 파향 같은 경우에는 평균 10°의 오차가 보정되는 효과를 얻을 수 있었고, 유의파고 같은 경우에는 환경에 따라 적용되는 연 엔지니어링의 방법과 달리 다양한 데이터를 통해 선형모델을 구성함으로써 다른 환경에 적용했을 때도 보정효과가 개선되어 나타나는 것을 확인하였다.
- 본 논문에서는 우선 기존에 제안된 파랑 추출 알고리즘을 통해 파도의 해류속도, 방향, 높이 등 파랑 정보를 추출하고 비교분석한다. 또한, 선형모델과 오차 모델을 구성함으로써 효과적인 파랑 추출 알고리즘을 설계한다.
- 레이더로부터 입력되는 PPI이미지를 통해 본 논문에서 제안된 알고리즘을 통해 파랑 정보를 예측하게 되고, 그 결과는 국립해양조사원[14]을 통해서 수집하였다. 실험시간은레이더 영상을 수집한 시간에 따라서 2015년 07월 23일 8:00pm에서 10:40pm까지, 2015년 07월 24일 06:00am에서 08:40am까지로 5분단위로 실측된 데이터를 수집하여 모델을 구성하였고, 2015년 11월 27일 16:15pm에서 16:50pm까지의 파랑정보에 적용함으로써 제안하는 모델의 유효성을 검증하였다.
- 특히, 본 논문에서는 해류 속도 예측에 있어 비교적으로 우수한 결과를 산출하는 Senet의 방법[4]에 기초하여 잡음을 제거하고, 파랑 정보를 추출하는 알고리즘을 고안한다. 이 방식에 기초하여 1차 선형 모델과 오차 모델을 적용 보정함으로써 예측 데이터가 실제 부이 데이터에 가깝도록 하는 예측 방식을 제안하고 실측치와의 비교를 통하여 제안 방식의 유효성을 검증한다.
- 이상의 과정을 통해 얻은 방향 파 스펙트럼을 이용하여 파향과 해류속도를 산출하고, 유의파고를 산출하기 위해 야코비얀 행렬식을 이용하여 파고 스펙트럼으로 변환한다.이후, 실제 부이 데이터와 비교분석하여 선형적 모델과 오차 모델을 통해 구성된 자동회귀모델을 통해 효과적으로 파랑 정보를 추출한다.
- 그리고 파랑성분 외의 잡음을 제거하기 위해 유체학적으로 증명된 분산 관계식에 가장 효과적인 해류 산출 알고리즘인 Senet의 방법[4]을 적용하여 대역 통과 필터링(BandPassFiltering)을 수행한다. 잡음이 제거된 파수 스펙트럼의 방향 모호성을 극복하기 위해 양의 주파수 영역만을 다루어 방향파 스펙트럼을 도출한다.이상의 과정을 통해 얻은 방향 파 스펙트럼을 이용하여 파향과 해류속도를 산출하고, 유의파고를 산출하기 위해 야코비얀 행렬식을 이용하여 파고 스펙트럼으로 변환한다.
- 첫 번째, 기존의 파랑 추출 알고리즘을 통해 예측된 파향 또는 파고와 실제 부이에 설치된 센서를 통해 얻어진 파향 또는 파고와의 오차율을 분석하여 n차 회귀분석을 구성하고 예측 파랑정보에 적용하여 보정한다.여기서는 1차 선형회귀분석을 사용하는데, 예측된 파랑정보와 실측된 파랑정보의 차이가 크지 않고 두 변수의 변화가 비례적이기 때문에 단순 선형모델로 구성한다.
대상 데이터
- 근해에 설치되어 있다.레이더로부터 입력되는 PPI이미지를 통해 본 논문에서 제안된 알고리즘을 통해 파랑 정보를 예측하게 되고, 그 결과는 국립해양조사원[14]을 통해서 수집하였다. 실험시간은레이더 영상을 수집한 시간에 따라서 2015년 07월 23일 8:00pm에서 10:40pm까지, 2015년 07월 24일 06:00am에서 08:40am까지로 5분단위로 실측된 데이터를 수집하여 모델을 구성하였고, 2015년 11월 27일 16:15pm에서 16:50pm까지의 파랑정보에 적용함으로써 제안하는 모델의 유효성을 검증하였다.
- 본 논문에서 사용된 레이더는 부산 용호동 용호부두에 설치되어 있고, 그리고, 예측치와 비교를 위한 실측치를 얻기 위한 부이(buoy)는 부산 해운대해수욕장 근해에 설치되어 있다.레이더로부터 입력되는 PPI이미지를 통해 본 논문에서 제안된 알고리즘을 통해 파랑 정보를 예측하게 되고, 그 결과는 국립해양조사원[14]을 통해서 수집하였다.
이론/모형
- Fig.5는 Gomen의 방법[15]으로 예측한 유의 파고와 연 엔지니어링의 방법[8]을 사용하여 예측한 유의 파고, 제안하는 방법으로 예측한 유의파고를 비교하였다. 그 결과에서 볼 수 있듯이 기존의 연 엔지니어링의 방법[8]같은 경우, 평균오차가 약 0.
- 거친다. 그리고 파랑성분 외의 잡음을 제거하기 위해 유체학적으로 증명된 분산 관계식에 가장 효과적인 해류 산출 알고리즘인 Senet의 방법[4]을 적용하여 대역 통과 필터링(BandPassFiltering)을 수행한다. 잡음이 제거된 파수 스펙트럼의 방향 모호성을 극복하기 위해 양의 주파수 영역만을 다루어 방향파 스펙트럼을 도출한다.
- 평균파고를 의미한다.식(10)과 같이 야코비안 행렬(Jacobian Matrix)식을 이용하여 방향 파 스펙트럼의 직교 도메인을 주파수와 각도 즉, 와 같은 극 도메인으로 좌표 변환하고, Gomen의방법[15]으로 식(11)과 같이 0차 원점 모멘트를 사용하여 유의파고를 산출한다.
- 잡음이 제거된 파수 스펙트럼의 방향 모호성을 극복하기 위해 양의 주파수 영역만을 다루어 방향파 스펙트럼을 도출한다.이상의 과정을 통해 얻은 방향 파 스펙트럼을 이용하여 파향과 해류속도를 산출하고, 유의파고를 산출하기 위해 야코비얀 행렬식을 이용하여 파고 스펙트럼으로 변환한다.이후, 실제 부이 데이터와 비교분석하여 선형적 모델과 오차 모델을 통해 구성된 자동회귀모델을 통해 효과적으로 파랑 정보를 추출한다.
성능/효과
- 3에서 구성한 선형모델을 적용하여 보정한 예측 파향, 식(14) 로 구한 오차모델을 적용하여 한 번 더 보정한 예측 파 향을 비교한 것이다.Senet의 방법[4]으로 산출된 해류 속도를 적용하여 예측한 파향은 약 26˚의 평균 오차가 나타났고, 실제 파향과의 선형회귀분석을 통해 보정된 파향은 약 20˚의 평균오차, 제안하는 AR model을 통해 보정된 파향은 약 17˚의 평균 오차로 가장 유사하게 나타나는 것을 확인하였다.즉, 기존의 방법보다 제안하는 방법이 약 10°의 오차가 보정되는 것을 확인할 수 있었다.
- 5는 Gomen의 방법[15]으로 예측한 유의 파고와 연 엔지니어링의 방법[8]을 사용하여 예측한 유의 파고, 제안하는 방법으로 예측한 유의파고를 비교하였다. 그 결과에서 볼 수 있듯이 기존의 연 엔지니어링의 방법[8]같은 경우, 평균오차가 약 0.55m/s로차이가 많이 나타나는 것을 확인하였고, Gomen의방법[15]으로 구했을 때는 약 0.26m/s차이가 나타나는 것을 확인하였다.제안하는 방법을 이용한 유의 파고는 약 0.
- 1m/s의 평균오차로 Gomen의 방법[15] 보다 우수하게 보정됨을 알 수 있으며, 더불어 연 엔지니어링의 방법[8]과의 비교에서도 성능이 우수하게 나타나는 것을 확인할 수 있었다.따라서 본 논문에서 제안한 알고리즘은 파고 예측에 있어 더욱 안정적인 성능을 예측한데 더욱 효과적임을 확인할 수 있었다.
- 제안하는 방법으로 보정된 파랑 정보들은 기존 알고리즘과 비교했을 때, 파향 같은 경우에는 평균 10°의 오차가 보정되는 효과를 얻을 수 있었고, 유의파고 같은 경우에는 환경에 따라 적용되는 연 엔지니어링의 방법과 달리 다양한 데이터를 통해 선형모델을 구성함으로써 다른 환경에 적용했을 때도 보정효과가 개선되어 나타나는 것을 확인하였다.또한 오차모델을 구성하여 한 번 더 보정함으로써 실제 부이 데이터와 약 0.1m/s의 평균오차로 가장 유사하게 나타나는 것을 확인하였으며, 이를 통해 파고 예측에 있어 더욱 효과적임을 확인하였다.앞으로 파고가 3m이상의 거친 바다상태일 때 추가적인 실험을 통해 제안된 알고리즘에 대한 안정화 연구를 수행할 필요가 있다.
- 2(b)는 7월 23일의 데이터에 대해 Young의 방법[2]을 제외한 두 가지의 방법만을 비교분석하여 나타낸 것이다.이 결과에서 알 수 있듯이 Senet의 방법[4]이 실측치(buoy)데이터 가장 정확한 결과를 도출하게 됨을 알 수 있다.
- 보정하는 방법을 제안하였다.제안하는 방법으로 보정된 파랑 정보들은 기존 알고리즘과 비교했을 때, 파향 같은 경우에는 평균 10°의 오차가 보정되는 효과를 얻을 수 있었고, 유의파고 같은 경우에는 환경에 따라 적용되는 연 엔지니어링의 방법과 달리 다양한 데이터를 통해 선형모델을 구성함으로써 다른 환경에 적용했을 때도 보정효과가 개선되어 나타나는 것을 확인하였다.또한 오차모델을 구성하여 한 번 더 보정함으로써 실제 부이 데이터와 약 0.
- 26m/s차이가 나타나는 것을 확인하였다.제안하는 방법을 이용한 유의 파고는 약 0.1m/s의 평균오차로 Gomen의 방법[15] 보다 우수하게 보정됨을 알 수 있으며, 더불어 연 엔지니어링의 방법[8]과의 비교에서도 성능이 우수하게 나타나는 것을 확인할 수 있었다.따라서 본 논문에서 제안한 알고리즘은 파고 예측에 있어 더욱 안정적인 성능을 예측한데 더욱 효과적임을 확인할 수 있었다.
- Senet의 방법[4]으로 산출된 해류 속도를 적용하여 예측한 파향은 약 26˚의 평균 오차가 나타났고, 실제 파향과의 선형회귀분석을 통해 보정된 파향은 약 20˚의 평균오차, 제안하는 AR model을 통해 보정된 파향은 약 17˚의 평균 오차로 가장 유사하게 나타나는 것을 확인하였다.즉, 기존의 방법보다 제안하는 방법이 약 10°의 오차가 보정되는 것을 확인할 수 있었다.
후속연구
- 1m/s의 평균오차로 가장 유사하게 나타나는 것을 확인하였으며, 이를 통해 파고 예측에 있어 더욱 효과적임을 확인하였다.앞으로 파고가 3m이상의 거친 바다상태일 때 추가적인 실험을 통해 제안된 알고리즘에 대한 안정화 연구를 수행할 필요가 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.