수중 표적 탐지 및 식별은 군사 및 비군사적으로 중요한 문제이다. 최근 패턴인식 분야에서 딥러닝 기술이 발전되면서 많은 성능개선 결과가 발표되고 있다. 그중 DBN(Deep Belief Network)기법은 DNN(Deep Neural Network)을 사전 훈련하는데 사용되어 좋은 성능을 보여주고 있다. 본 논문에서는 능동 소나를 이용한 수중 표적의 식별 문제에 DBN을 사용하여 실험을 진행하고, 그 결과를 비교하였다. 표적신호는 3차원 하이라이트 모델을 사용하여 합성된 능동 소나 신호를 사용하였고, 특징추출 방법으로는 FrFT(Fractional Fourier Transform) 기반의 특징추출을 사용하였다. 단일 센서, 즉, 단일 방위 데이터 기반의 실험에서 DBN을 이용한 식별 결과는 기존의 BPNN(Back Propagation Neural Network)에 비해 약 3.83 % 향상되었다. 또한, 다중 방위 기반의 식별 실험에서는 관측열의 개수가 3을 초과하면 95% 이상의 성능을 얻을 수 있었다.
수중 표적 탐지 및 식별은 군사 및 비군사적으로 중요한 문제이다. 최근 패턴인식 분야에서 딥러닝 기술이 발전되면서 많은 성능개선 결과가 발표되고 있다. 그중 DBN(Deep Belief Network)기법은 DNN(Deep Neural Network)을 사전 훈련하는데 사용되어 좋은 성능을 보여주고 있다. 본 논문에서는 능동 소나를 이용한 수중 표적의 식별 문제에 DBN을 사용하여 실험을 진행하고, 그 결과를 비교하였다. 표적신호는 3차원 하이라이트 모델을 사용하여 합성된 능동 소나 신호를 사용하였고, 특징추출 방법으로는 FrFT(Fractional Fourier Transform) 기반의 특징추출을 사용하였다. 단일 센서, 즉, 단일 방위 데이터 기반의 실험에서 DBN을 이용한 식별 결과는 기존의 BPNN(Back Propagation Neural Network)에 비해 약 3.83 % 향상되었다. 또한, 다중 방위 기반의 식별 실험에서는 관측열의 개수가 3을 초과하면 95% 이상의 성능을 얻을 수 있었다.
Detection and classification of underwater targets is an important issue for both military and non-military purposes. Recently, many performance improvements are being reported in the field of pattern recognition with the development of deep learning technology. Among the results, DBN showed good pe...
Detection and classification of underwater targets is an important issue for both military and non-military purposes. Recently, many performance improvements are being reported in the field of pattern recognition with the development of deep learning technology. Among the results, DBN showed good performance when used for pre-training of DNN. In this paper, DBN was used for the classification of underwater targets using active sonar, and the results are compared with that of the conventional BPNN. We synthesized active sonar target signals using 3-dimensional highlight model. Then, features were extracted based on FrFT. In the single aspect based experiment, the classification result using DBN was improved about 3.83% compared with the BPNN. In the case of multi-aspect based experiment, a performance of 95% or more is obtained when the number of observation sequence exceeds three.
Detection and classification of underwater targets is an important issue for both military and non-military purposes. Recently, many performance improvements are being reported in the field of pattern recognition with the development of deep learning technology. Among the results, DBN showed good performance when used for pre-training of DNN. In this paper, DBN was used for the classification of underwater targets using active sonar, and the results are compared with that of the conventional BPNN. We synthesized active sonar target signals using 3-dimensional highlight model. Then, features were extracted based on FrFT. In the single aspect based experiment, the classification result using DBN was improved about 3.83% compared with the BPNN. In the case of multi-aspect based experiment, a performance of 95% or more is obtained when the number of observation sequence exceeds three.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 능동 소나 표적 식별 성능을 향상시키기 위해 DBN을 이용한 다중 방위에서 획득된 표적신호의 식별 방법을 제시하였다. 능동 소나 표적신호는 3차원 하이라이트 모델을 사용하여 합성하였으며, 특징벡터로는 FrFT 기반의 스펙트럼 대역 에너지를 사용하였고, DBN을 사용하여 네 가지 표적을 식별하는 실험을 수행하였다.
본 논문에서는 능동 소나 표적신호 식별 성능을 향상시키기 위해 다중 방위 기반의 표적 식별기법을 연구한다. 능동 소나 표적신호는 3차원 하이라이트 모델을 이용한 표적에 대해 선추적(ray-tracing) 알고리즘을 기반으로 합성된다.
가설 설정
수심의 깊이는 300m, 표적과 센서 사이의 거리는 5000m, 표적은 수심 50m 아래에 존재하는 것으로 설정하였다. 송신기와 수신기는 단상태(monostatic) 또는 양상태(bistatic) 환경을 모두 고려 할 수 있으나, 본 연구에서는 그림 2에서와 같이 단상태를 가정하였다. 표적으로부터 직접 반사된 신호와 함께 해수면과 해저로부터 간접적으로 반사된 다중경로 반사 신호를 포함하여 표적신호를 합성하였다.
제안 방법
4. 훈련된 네트워크의 출력을 다음 RBM 네트워크의 입력으로하여 2,3번 과정을 반복하고 마지막 은닉층까지 훈련을 진행한다.
Fig. 2 Environment for target signal synthesis[4]
4종류의 표적을 대상으로 0도에서 360도까지 1도씩 증가시키면서 다양한 방위에서 각 표적에 대한 능동 소나 표적신호를 생성하였다
. 그림 3은 그림 1의 표적 (a)로부터 합성된 능동 소나 신호의 일부를 보여준다.
LFM 신호의 중심 주파수와 대역폭은 각각 7kHz와 400 Hz이다. 그 후, 표적의 자세각에 따라 각 하이라이트 포인트로부터 얻어지는 신호를 합산하여 합성 표적신호를 얻었다. 네 가지 모델의 자세각이 0도에서 359도인 경우까지 1도씩 증가시켜 총 1440개의 신호를 합성하였다.
그 후, 표적의 자세각에 따라 각 하이라이트 포인트로부터 얻어지는 신호를 합산하여 합성 표적신호를 얻었다. 네 가지 모델의 자세각이 0도에서 359도인 경우까지 1도씩 증가시켜 총 1440개의 신호를 합성하였다. FrFT의 α 매개 변수는 최대 피크 스펙트럼을 가지도록 하는 최적 값인 0.
능동 소나 신호의 합성에서, 샘플링 주파수와 LFM 펄스의 길이는 각각 31.25 kHz와 50 ms로 설정하였다. LFM 신호의 중심 주파수와 대역폭은 각각 7kHz와 400 Hz이다.
본 논문에서는 능동 소나 표적 식별 성능을 향상시키기 위해 DBN을 이용한 다중 방위에서 획득된 표적신호의 식별 방법을 제시하였다. 능동 소나 표적신호는 3차원 하이라이트 모델을 사용하여 합성하였으며, 특징벡터로는 FrFT 기반의 스펙트럼 대역 에너지를 사용하였고, DBN을 사용하여 네 가지 표적을 식별하는 실험을 수행하였다. 제안된 기법의 타당성을 증명하기 위해 같은 특징 추출 기법을 사용하는 BPNN의 실험 결과와 비교 하였다.
제안한 방법의 타당성을 보이기 위해 단일 센서, 즉, 단일 방위 데이터에 동일한 특징 추출 방법을 사용한 BPNN(Backpropagation Neural Network)과의 성능을 비교 하였다. 또한 성능 향상을 위해 다수결을 기반으로 하는 다중 방위 기반의 식별 기법을 제안한다.
본 논문은 다음과 같이 구성된다. 제 2장은 3차원 하이라이트 모델을 이용한 능동 소나 표적신호의 합성 방법을 기술하고, FrFT의 정의 및 FrFT를 이용한 특징 추출 방법을 제시한다. 본 연구에서 사용 된 DBN 분류기에 대한 간단한 소개는 3장에서 제시한다.
9919로 설정되었다. 특징 벡터는 FrFT 스펙트럼 크기 값을 100개의 동일한 대역으로 나누고 각 대역의 에너지를 계산하여 구하였다.
송신기와 수신기는 단상태(monostatic) 또는 양상태(bistatic) 환경을 모두 고려 할 수 있으나, 본 연구에서는 그림 2에서와 같이 단상태를 가정하였다. 표적으로부터 직접 반사된 신호와 함께 해수면과 해저로부터 간접적으로 반사된 다중경로 반사 신호를 포함하여 표적신호를 합성하였다.
대상 데이터
성능 평가를 위해 제안된 방법과 BPNN[4]을 이용한 이전 실험결과를 비교 하였다. BPNN의 경우 100개의 입력 뉴런, 24개의 뉴런을 가지는 은닉층 및 4개의 뉴런을 가지는 출력층으로 구성된 100-24-4 구조를 사용했다. 그림 8은 실험에 사용된 DBN의 구조를 보여준다.
다중 방위 기반의 식별에서는 하이라이트 모델의 방위각을 따라 0도에서 359도 범위에서 1도 간격으로 수신된 신호를 사용하였다. 다중 방위 데이터, 즉, 관측열의 개수가 1에서 31까지에서 홀수 개에 해당하는 경우만을 사용하였으며, 관측열의 개수에 따른 식별 결과를 확인하였다. 식별률은 다수 투표 방법으로 측정하였다.
실제 수중 환경에서 능동 소나 신호 획득의 어려움으로 인하여, 하이라이트 모델 기반 합성 데이터를 사용하였다. 또한, FrFT 기반의 특징 벡터가 추출되어 식별기의 입력으로 사용된다[4][6].
실험에 사용된 표적은 3차원 공간에서 하이라이트로 표시된 4가지 유형의 모델로 그림 1에 나타내었다. 표적과 센서 사이의 위치 관계는 그림 2와 같다.
데이터처리
단일 센서 기반 식별에서는 특정 자세각에서 반사된 하나의 신호만이 식별기의 입력으로 사용된다. 성능 평가를 위해 제안된 방법과 BPNN[4]을 이용한 이전 실험결과를 비교 하였다. BPNN의 경우 100개의 입력 뉴런, 24개의 뉴런을 가지는 은닉층 및 4개의 뉴런을 가지는 출력층으로 구성된 100-24-4 구조를 사용했다.
능동 소나 표적신호는 3차원 하이라이트 모델을 사용하여 합성하였으며, 특징벡터로는 FrFT 기반의 스펙트럼 대역 에너지를 사용하였고, DBN을 사용하여 네 가지 표적을 식별하는 실험을 수행하였다. 제안된 기법의 타당성을 증명하기 위해 같은 특징 추출 기법을 사용하는 BPNN의 실험 결과와 비교 하였다.
특징을 추출하기 위한 방법으로는 FrFT(Fractional Fourier Transform)를 기반으로 한 특징추출을 사용하고[4], 추출한 특징을 이용한 표적의 식별 방법으로는 DBN (Deep Belief Network) [5]을 사용한다. 제안한 방법의 타당성을 보이기 위해 단일 센서, 즉, 단일 방위 데이터에 동일한 특징 추출 방법을 사용한 BPNN(Backpropagation Neural Network)과의 성능을 비교 하였다. 또한 성능 향상을 위해 다수결을 기반으로 하는 다중 방위 기반의 식별 기법을 제안한다.
이론/모형
다중 방위 데이터, 즉, 관측열의 개수가 1에서 31까지에서 홀수 개에 해당하는 경우만을 사용하였으며, 관측열의 개수에 따른 식별 결과를 확인하였다. 식별률은 다수 투표 방법으로 측정하였다. 즉, 특정 표적으로 식별된 결과가 절반 이상이면 해당 표적으로 간주된다.
능동 소나 표적신호는 3차원 하이라이트 모델을 이용한 표적에 대해 선추적(ray-tracing) 알고리즘을 기반으로 합성된다. 특징을 추출하기 위한 방법으로는 FrFT(Fractional Fourier Transform)를 기반으로 한 특징추출을 사용하고[4], 추출한 특징을 이용한 표적의 식별 방법으로는 DBN (Deep Belief Network) [5]을 사용한다. 제안한 방법의 타당성을 보이기 위해 단일 센서, 즉, 단일 방위 데이터에 동일한 특징 추출 방법을 사용한 BPNN(Backpropagation Neural Network)과의 성능을 비교 하였다.
성능/효과
그림 10으로부터 알 수 있는 바와 같이, 관측열의 개수가 증가함에 따라 식별률도 증가함을 보이고 있다. DBN을 사용하면 관측열의 개수가 3을 초과하면 95% 이상의 성능을 보이고 관측열의 개수가 13을 초과하면 100 %의 성능을 얻을 수 있었다.
단일 센서, 즉, 단일 방위 데이터를 이용한 실험에서는 DBN을 이용한 식별 결과가 기존의 BPNN에 비해 약 3.83% 향상됨을 보였다. 또한, 다중 방위 기반의 식별을 수행할 때 관측열의 개수가 3을 초과하면 95% 이상의 식별 성능을 보이며, 관측열의 개수가 13을 초과하면 100%의 식별률을 얻을 수 있었다.
83% 향상됨을 보였다. 또한, 다중 방위 기반의 식별을 수행할 때 관측열의 개수가 3을 초과하면 95% 이상의 식별 성능을 보이며, 관측열의 개수가 13을 초과하면 100%의 식별률을 얻을 수 있었다.
표 1은 BPNN [4]과 DBN 식별기를 이용한 분류 결과를 보여준다. 표 1에 나타난 바와 같이 DBN을 이용한 분류 성능은 기존 BPNN 식별기에 비해 약 3.83 % 향상되었음을 확인하였다.
질의응답
핵심어
질문
논문에서 추출한 답변
FrFT는 무엇인가?
FrFT는 시간 - 주파수 표현 방법 중 하나이며 LFM(Linear Frequency Modulation) 신호와 관련된 응용에 이점이 있는 것으로 알려져 있다[7]. 파라미터 α를 갖는 FrFT의 정의는 식 (1) - (4)와 같다[8].
능동 소나 표적신호의 특징은 무엇인가?
본 논문에서는 능동 소나 표적신호 식별 성능을 향상시키기 위해 다중 방위 기반의 표적 식별기법을 연구한다. 능동 소나 표적신호는 3차원 하이라이트 모델을 이용한 표적에 대해 선추적(ray-tracing) 알고리즘을 기반으로 합성된다. 특징을 추출하기 위한 방법으로는 FrFT(Fractional Fourier Transform)를 기반으로 한 특징추출을 사용하고[4], 추출한 특징을 이용한 표적의 식별 방법으로는 DBN (Deep Belief Network) [5]을 사용한다.
LFM 신호들의 선형조합으로 얻을 수 있는 것은?
합성된 표적반사 신호는 각각의 하이라이트 포인트에서 반사된 LFM 신호들이 일정지연을 가지며 더해진 LFM 신호들의 선형조합으로 간주할 수 있다. 이 경우, 사용된 하이라이트 모델의 모양과 수에 따라 각기 다른 합성신호를 얻을 수 있게 된다. 이러한 LFM 신호들의 선형조합인 표적반사 신호에 FrFT를 적용하면, 수신된 각도 및 표적의 모양에 따라 FrFT 영역에서 각 표적의 특징을 반영하는 스펙트럼 특징을 얻을 수 있게 된다.
참고문헌 (11)
P. R. Runkle, P. K. Bharadwaj, L. Couchman, and L. Carin, "Hidden Markov models for multiaspect target classification," IEEE Transactions on Signal Processing, vol.47, no. 7, pp. 2035-2040, Jul. 1999.
R. H. Huan, Y Pan. "Target recognition for multi-aspect SAR images with fusion strategies," Progress In Electromagnetics Research, vol. 134, pp. 267-288, Jan. 2013.
D. P. Williams, E. Fakiris, "Exploiting environmental information for improved underwater target classification in sonar imagery," IEEE Transactions on Geoscience and Remote Sensing, vol. 52, no. 10, pp. 6284-6297, Oct. 2014.
J. Seok and K. Bae, "Target Classification Using Features Based on Fractional Fourier Transform," IEICE Transactions on Information and Systems, vol. E97.D, no. 9, pp. 2518-2521, Sep. 2014.
G. E. Hinton, S. Osindero, and Y.-W. Teh, "A fast learning algorithm for deep belief nets," Neural computation, vol. 18, no. 7, pp. 1527-1554, Jul. 2006.
J. Baek, J. Seok, K. Bae, "Active sonar target detection using fractional fourier trasform," Journal of the Korea Institute of Information and Communication Engineering, vol. 20, no. 1, pp. 22-29, Jan. 2016.
D. MJ. Cowell, Steven Freear. "Separation of overlapping linear frequency modulated(LFM) signals using the fractional Fourier transform," IEEE Ttransactions on Ultrasonics, Ferroelectrics, and Frequency Control, vol.57, no.10, pp. 2324-2333, Sep. 2010.
H. Ozaktas, O. Arikan, M. Kutay, and G. Bozdagt, "Digital computation of the fractional Fourier transform," IEEE Trans. Signal Process, vol. 44, no. 9, pp. 2141-2150, Sep. 1996.
J. Kim, K. Bhatele, "Recognition using Cyber bullying in view of Semantic-Enhanced Minimized Auto-Encoder", Asia-pacific Journal of Convergent Research Interchange, vol. 2, no. 4, pp. 7-14, Dec. 2016.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.