수중천이신호는 복잡하고 시변, 비선형 및 짧은 지속성의 특성을 지니고 있어서 기준패턴으로 모델링하기가 어렵다. 본 논문에서는 이러한 신호들을 프레임간의 중첩을 허용하는 일정한 짧은 신호로 잘라서 분석한다. 더빈 알고리듬을 이용하여 20차의 선형예측계수(LPC)를 프레임마다 추출하여 2층 은닉신경망회로의 입력신호로 사용한다. 추출된 선형예측계수들의 65%는 신경망구조의 학습에 이용되고 35%는 시험용 입력신호로 사용된다. 고래소리 분류에 사용된 고래 종류는 대왕고래, 들쇠고래, 귀신고래, 혹등고래, 밍크고래, 북방긴수염고래 등이다. 결과적으로 이러한 시험용의 신호들로부터 83%이상의 고래 소리 평균 분류율을 얻을 수 있었다.
수중천이신호는 복잡하고 시변, 비선형 및 짧은 지속성의 특성을 지니고 있어서 기준패턴으로 모델링하기가 어렵다. 본 논문에서는 이러한 신호들을 프레임간의 중첩을 허용하는 일정한 짧은 신호로 잘라서 분석한다. 더빈 알고리듬을 이용하여 20차의 선형예측계수(LPC)를 프레임마다 추출하여 2층 은닉신경망회로의 입력신호로 사용한다. 추출된 선형예측계수들의 65%는 신경망구조의 학습에 이용되고 35%는 시험용 입력신호로 사용된다. 고래소리 분류에 사용된 고래 종류는 대왕고래, 들쇠고래, 귀신고래, 혹등고래, 밍크고래, 북방긴수염고래 등이다. 결과적으로 이러한 시험용의 신호들로부터 83%이상의 고래 소리 평균 분류율을 얻을 수 있었다.
The underwater transients signals contain the characteristics of complexity, time varying, nonlinear, and short duration. So it is very hard to model for these signals with reference patterns. In this paper we separate the whole length of signals into some short duration of constant length with over...
The underwater transients signals contain the characteristics of complexity, time varying, nonlinear, and short duration. So it is very hard to model for these signals with reference patterns. In this paper we separate the whole length of signals into some short duration of constant length with overlapping frame by frame. The 20th LPC(Linear Predictive Coding) coefficients are extracted from the original signals using Durbin algorithm and applied to neural network. The 65% of whole signals were learned and 35% of the signals were tested in the neural network with two hidden layers. The types of the whales for sound classification are Blue whale, Dulsae whale, Gray whale, Humpback whale, Minke whale, and Northern Right whale. Finally, we could obtain more than 83% of classification rate from the test signals.
The underwater transients signals contain the characteristics of complexity, time varying, nonlinear, and short duration. So it is very hard to model for these signals with reference patterns. In this paper we separate the whole length of signals into some short duration of constant length with overlapping frame by frame. The 20th LPC(Linear Predictive Coding) coefficients are extracted from the original signals using Durbin algorithm and applied to neural network. The 65% of whole signals were learned and 35% of the signals were tested in the neural network with two hidden layers. The types of the whales for sound classification are Blue whale, Dulsae whale, Gray whale, Humpback whale, Minke whale, and Northern Right whale. Finally, we could obtain more than 83% of classification rate from the test signals.
본 연구는 해양관광 활성화 측면에서 울산 지역 유일의 고래 관광 산업을 미래의 해양 관광 신성장동력산업으로 발전시키기 위한 전 단계 연구로서 수중 천이 신호로부터 고래 신호를 분류하는 것이다. 추가적으로 해상에서 고래의 발견 확률을 높이는 연구가 지속적으로 이루어 져야 하며, 첨단 장비를 갖춘 고래 탐지 시스템을 개발하여 고래의 탐지 확률을 높여야 한다.
제안 방법
본 연구는 이러한 소리들의 분류 방법으로는 신호를 프레임별로 작게 분할하여 분석하고 이들로부터 소리들의 특징점을 DB화 한 후 신경망에 적용하여 고래소리를 분류하는 방법을 제안한다. 고래 소리를 탐지하기 위하여 수중에 지향성 하이드로폰을 설치하고, 여기에서 측정된 신호를 서버 컴퓨터로 이송하여 수중의 신호를 지속적으로 모니터링 한다. 모니터링 된 신호는 개발된 알고리듬으로 분석되고, 분석된 결과를 신경망으로 탐지하여 고래 신호를 분류할 수 있다.
이러한 신호 특성상 신호전체를 하나의 기준패턴으로 모델링하기가 어렵지만 수중 신호들을 분석하고 분류하는 연구는 국내외적으로 꾸준히 진행되어 왔다[2-7]. 본 연구는 이러한 소리들의 분류 방법으로는 신호를 프레임별로 작게 분할하여 분석하고 이들로부터 소리들의 특징점을 DB화 한 후 신경망에 적용하여 고래소리를 분류하는 방법을 제안한다. 고래 소리를 탐지하기 위하여 수중에 지향성 하이드로폰을 설치하고, 여기에서 측정된 신호를 서버 컴퓨터로 이송하여 수중의 신호를 지속적으로 모니터링 한다.
대상 데이터
실험에 사용한 여섯 종의 고래소리 (B:대왕고래, D:들쇠고래, G:귀신고래, D:혹등고래, M:밍크고래, R:북방긴수염고래)의 샘플링 주파수 및 파일의 길이는 표 1과 같다. 예로써, 이 파일들로 부터 2초간의 소리를 추출하여 20차의 LPC 계수를 구한 6종류의 고래소리를 그래프로 나타내면 그림 4와 같다.
이론/모형
분류 알고리듬을 그림 2에서 설명하면 먼저 취득된 대상 고래소리의 전체길이를 일정 프레임별로 윈도우를 적용하여 분할하고, 각 프레임마다의 시간영역(LPC 계수, N개)[10] 및 주파수영역(FFT 계수, N개)[11]의 계수들을 추출하여 DB화한다. LPC 계수 산정은 많이 알려진 기존의 더빈 알고리듬을 이용하고 FFT 특징계수산정은 다음의 방법을 따른다.
성능/효과
본연구가 실용화될 경우 고래탐지, 고래관광산업, 고래게임개발, 고래음향콘텐츠 산업, 고래 박물관 등에 활용이 가능하다. 현재까지의 분류율은 상용에 이르기까지에는 약간 미흡하지만 처음 시도한 연구 결과로서는 만족할 만한 수준이다.
이번 실험에는 먼저 20차의 LPC 계수만을 대상으로 실험하였다. 전체 신호 중 65%는 학습에 사용하고 35%는 시험용으로 LPC 계수를 신경망에 적용한 결과는 표3와 같이 평균 83.4% 분류율을 얻을 수 있었다. 표4는 신경망 회로의 파라미터에 대한 설명이다.
후속연구
향후, FFT와 결합한 계수를 신경망에 적용할 경우, 신경망의 입력벡터로 MFCC 특징벡터를 사용할 경우 및 CNN (Convolution Neural Network)을 적용할 경우 등에 고래 소리 분류율이 얼마나 향상되는지를 연구해야 한다. 개발된 알고리듬을 실제 수중에 적용하기 위해서는 수중에 존재하는 잡음에 대한 대책이 필요하며, 잡음에 강인한 시스템이 추가로 연구되어 져야한다.
현재까지의 분류율은 상용에 이르기까지에는 약간 미흡하지만 처음 시도한 연구 결과로서는 만족할 만한 수준이다. 향후, FFT와 결합한 계수를 신경망에 적용할 경우, 신경망의 입력벡터로 MFCC 특징벡터를 사용할 경우 및 CNN (Convolution Neural Network)을 적용할 경우 등에 고래 소리 분류율이 얼마나 향상되는지를 연구해야 한다. 개발된 알고리듬을 실제 수중에 적용하기 위해서는 수중에 존재하는 잡음에 대한 대책이 필요하며, 잡음에 강인한 시스템이 추가로 연구되어 져야한다.
질의응답
핵심어
질문
논문에서 추출한 답변
바다 밑에서 나는 고래소리는 어떤 특성을 가지고 있는가?
바다 밑에서 나는 고래소리는 복잡하고 다양하며, 시변(Time Varying), 비선형(Non-Linear) 및 짧은 지속성(Short Duration)등의 특성을 가지고 있다. 이러한 신호 특성상 신호전체를 하나의 기준패턴으로 모델링하기가 어렵지만 수중 신호들을 분석하고 분류하는 연구는 국내외적으로 꾸준히 진행되어 왔다[2-7].
고래를 볼 수 있는 확률을 높이는 기술 개발이 어느 때 보다도 절실한 이유는?
고래류의 자원은 IWC의 국제 포경규제협약(ICRW)에 의해 우리나라는 1986년부터 상업포경이 금지되어 오고 있다. 최근 여러 종의 고래류가 우리나라 해상에 출현하고 있으며 고래를 보기 위한 고래 관광산업은 새로운 신 성장 동력 산업으로 성장할 가능성도 높다. 따라서 고래를 볼 수 있는 확률을 높이는 기술 개발은 어느 때 보다도 절실하다고 본다.
고래 소리를 탐지하기 위해 무엇을 이용하는가?
본 연구는 이러한 소리들의 분류 방법으로는 신호를 프레임별로 작게 분할하여 분석하고 이들로부터 소리들의 특징점을 DB화 한 후 신경망에 적용하여 고래소리를 분류하는 방법을 제안한다. 고래 소리를 탐지하기 위하여 수중에 지향성 하이드로폰을 설치하고, 여기에서 측정된 신호를 서버 컴퓨터로 이송하여 수중의 신호를 지속적으로 모니터링 한다. 모니터링 된 신호는 개발된 알고리듬으로 분석되고, 분석된 결과를 신경망으로 탐지하여 고래 신호를 분류할 수 있다.
참고문헌 (14)
S.J. Park, J.W. Hong, "A Study on the Improvement of Legal System for the Revitalization of Korea's Marine Tourism", J. of the Korean Society of Marine Environment & Safety", Vol. 18, No. 2, pp. 131-138, 2012
T.G. Lim, K.S. Bae, C.S. Hwang, H.U. Lee, "Classification of Underwater Transient Signals using MFCC Feature Vector", J. of Korea Communication Association, Vol. 32, No. 8, pp. 675-679, 2007
T.G. Lim, I.H. Kim, T.H. Kim, K.S. Bae, "Frame Based Classification of Underwater Transient Signal using MFCC Feature Vector and Neural Network", The Proceeding of Korea Electronics Association 2008, Vol. 31, No. 1, pp. 883-884, 2008
J.G. Jung, J.H. Park,D.W. Kim, C.S. Hwang, "Feature Extraction and Classification of Underwater Transient Signal using MFCC and Wavelet Packet Based on Entropy", The Proceeding of Korea Univ.-Industry Tech Association, Pp 781-784, Spring of 2009
J.H. Kim, T.H. Bok, D.G. Paeng, J.H. Bae, C.H. Lee, S.G. Kim, "Classification of Transient Signal in Ocean Background Noise using Bayesian Classifier", J. of The Korean Society of Ocean Engineers, Vol. 26, No. 4, pp. 57-63, 2012
D. Cazu, R. Lefort, J. Bonnel, J. Krywyk, "Bi-class of Humpback Whale Sound Units Against Complex Background Noise With Deep Convolution Neural Network", Workshop Track-ICLR 2017, pp. 1-7, 2017
Sherin B.M., Dr. Supriya M.H., "WOA based Selection and Parameter Optimization of SVM Kernel Function for Underwater Target Classification", International J. of Advanced Research in Computer Science, Vol. 8, No. 3, pp. 223-226, 2017
Micheal Bittle, Alec Duncan. "A review of current marine mammal detection and classification algorithms for use in automated passive acoustic monitoring", Proceeding of Acoustics, pp. 1-8, 2013
U.P. Chong, N.G. Kim, "Underwater Transient Signal Classification Apparatus and Method", The Petition of Korean Patent, #10-2017-0146963, 2017
H.S. Han, U.P. Chong, "Neural Network-based Driver Drowsiness Detection System using Linear Prediction Coding Coefficients EEG Changes", J. of Korean Institute of Signal Processing and Systems, Vol. 13, No. 3, pp. 136-141, 2012
A.V. Oppenheim, R.W. Schafer, "Discrete-Time Signal Processing", pp. 635-650, Prentice Hall, 1999
H.S. Han, U.P. Chong, "Neural Network Based Detection of Drowsiness with Eyes Open using AR Modeling", IETE Tech. Review, Vol. 33, No, 5, pp. 518-524, 2016
※ AI-Helper는 부적절한 답변을 할 수 있습니다.