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
- 하나의 데이터를 한 개의 음성과 같이 생각하여 데이터 전체에 걸쳐 단어단위 식별 실험을 진행하였으며, 실험은 같은 방법으로 데이터 조합을 바꿔가며 20회 반복하여 좀 더 신뢰성 있는 결과를 얻고자 하였다. HMM 은 일반적으로 시계열 데이터에 많이 사용하는 Left-to-Right 모델을 사용하였으며, 표 2와 같이 Gaussian mixture 수를 1, 2, 4, 8, 16, 32로 변화시키면서 식별 실험을 수행하였다.
제안 방법
- 본 논문에서는 PDR 에서 표적 식별을 위해 음성 인식 분야에서 많이 사용되는 MFCC 특징파라미터 및 HMM 식별 알고리즘을 이용한 자동식별방법을 제안하고, 시뮬레이션을 통해 식별 결과를 분석하고 검증하였다.
- 본 논문에서는 PDR에서 표적신호의 자동식별 방법을 제안하고, 실험을 통해 제안한 방법의 타당성을 분석하고 검증하였다. 먼저, 운용자의 도플러 오디오 청취에 의해 표적신호의 식별이 이루어지는 것에 근거하여 식별을 위한 특징 파라미터로는 음성인식 분야에서 주로 사용되며 우수한 인식성능을 보이는 Mel Frequency Cepstral Coefficients(MFCC) 방식을 사용하였으며[5]～[7], 식별 알고리즘은 임의의 시계열 신호에 대해 모델링이 용이한 Hidden Markov Model(HMM) 알고리즘을 적용하였다[8], [9].
- 본 논문에서는 각각의 클래스별 도플러 오디오 신호의 특징이 다른 점을 이용하여 음성신호처리 분야에서 널리 사용되는 MFCC 및 HMM 알고리즘을 적용한 이동표적의 클래스 자동식별 방법을 제안하였다.
- 본 논문에서는 제안한 HMM 시스템 구현에 HTK을 사용하였다.
- HTK 문법에 맞도록 transcription 파일을 작성하고 훈련 데이터를 설정하여 동작을 시키면 원하는 조건에서의 특징 파라미터를 구해내고, 구해진 특징 파라미터를 이용하여 각 클래스의 모델이 생성된다. 이렇게 생성된 모델은 각 클래스를 대표하게 되며, 입력되는 시험데이터에서 특징 파라미터를 추출하게 되고 훈련데이터에서 만들어진 모델과 Baum-Welch 알고리즘을 통하여 확률적으로 어떠한 클래스의 모델과 유사한지 계산하게 한다. 그리고 최종적으로 가장 높은 확률을 나타내는 클래스로 식별되게 된다.
- 모든 데이터는 모노(mono) 신호이며, 샘플링 주파수 3348㎐, 16bits/sample로 양자화 되어있다. 특징 파라미터로는 10차 MFCC에 20개의 필터뱅크를 사용하고 Hamming window를 이용하여 추출하였다. 분석 프레임의 크기는 0.
대상 데이터
- 먼저, 운용자의 도플러 오디오 청취에 의해 표적신호의 식별이 이루어지는 것에 근거하여 식별을 위한 특징 파라미터로는 음성인식 분야에서 주로 사용되며 우수한 인식성능을 보이는 Mel Frequency Cepstral Coefficients(MFCC) 방식을 사용하였으며[5]～[7], 식별 알고리즘은 임의의 시계열 신호에 대해 모델링이 용이한 Hidden Markov Model(HMM) 알고리즘을 적용하였다[8], [9]. 그리고 실험에 사용된 도플러 오디오 데이터는 helicopter, tracked vehicle, wheeled vehicle, pedestrian등 4개 클래스로 구분되는데, 실제 필드에서 운용되고 있는 PDR 시스템에서 수집된 데이터를 이용하였다.
- 클래스별로 수집된 데이터는 짧게는 8초, 길게는 60초로 평균 43초인 데이터 134개이다. 도플러 오디오 데이터는 helicopter, pedestrian, tracked vehicle, wheeled vehicle로 4개의 클래스로 구분하였으며, 클래스별 데이터 셋(훈련데이터, 시험데이터)은 표 1과 같다.
- 모든 데이터는 모노(mono) 신호이며, 샘플링 주파수 3348㎐, 16bits/sample로 양자화 되어있다. 특징 파라미터로는 10차 MFCC에 20개의 필터뱅크를 사용하고 Hamming window를 이용하여 추출하였다.
- 본 논문에서 사용된 훈련 및 시험 데이터는 실제 필드에서 운용중인 PDR 시스템에 저장된 도플러 오디오 신호 데이터를 수집한 것이다. 클래스별로 수집된 데이터는 짧게는 8초, 길게는 60초로 평균 43초인 데이터 134개이다.
- 본 논문에서 사용된 훈련 및 시험 데이터는 실제 필드에서 운용중인 PDR 시스템에 저장된 도플러 오디오 신호 데이터를 수집한 것이다. 클래스별로 수집된 데이터는 짧게는 8초, 길게는 60초로 평균 43초인 데이터 134개이다. 도플러 오디오 데이터는 helicopter, pedestrian, tracked vehicle, wheeled vehicle로 4개의 클래스로 구분하였으며, 클래스별 데이터 셋(훈련데이터, 시험데이터)은 표 1과 같다.
이론/모형
- 하나의 데이터를 한 개의 음성과 같이 생각하여 데이터 전체에 걸쳐 단어단위 식별 실험을 진행하였으며, 실험은 같은 방법으로 데이터 조합을 바꿔가며 20회 반복하여 좀 더 신뢰성 있는 결과를 얻고자 하였다. HMM 은 일반적으로 시계열 데이터에 많이 사용하는 Left-to-Right 모델을 사용하였으며, 표 2와 같이 Gaussian mixture 수를 1, 2, 4, 8, 16, 32로 변화시키면서 식별 실험을 수행하였다.
- 본 논문에서는 PDR에서 표적신호의 자동식별 방법을 제안하고, 실험을 통해 제안한 방법의 타당성을 분석하고 검증하였다. 먼저, 운용자의 도플러 오디오 청취에 의해 표적신호의 식별이 이루어지는 것에 근거하여 식별을 위한 특징 파라미터로는 음성인식 분야에서 주로 사용되며 우수한 인식성능을 보이는 Mel Frequency Cepstral Coefficients(MFCC) 방식을 사용하였으며[5]～[7], 식별 알고리즘은 임의의 시계열 신호에 대해 모델링이 용이한 Hidden Markov Model(HMM) 알고리즘을 적용하였다[8], [9]. 그리고 실험에 사용된 도플러 오디오 데이터는 helicopter, tracked vehicle, wheeled vehicle, pedestrian등 4개 클래스로 구분되는데, 실제 필드에서 운용되고 있는 PDR 시스템에서 수집된 데이터를 이용하였다.
성능/효과
- 표 3은 평균 식별률이 가장 좋은 32개의 mixture에서 클래스별 식별결과를 보인 것이다. 각 클래스별 식별 결과를 확인해보면 상대적으로 데이터 셋이 적은 helicopter 경우 식별률이 다소 낮게 나타났는데 그 이유는 HMM을 이용한 식별의 경우 훈련 데이터가 많을수록 각 클래스의 특징을 나타내는 모델이 잘 만들어 지고 식별 결과도 우수하게 나타나기 때문이다. 한편, helicopter와 비슷한 수준의 데이터 셋을 갖는 tracked vehicle의 경우 높은 식별률을 보였는데 그 이유는 그림 2(b)에서 나타나듯이 타 클래스에 비해 고조파 성분을 갖는 스펙트럼 특성을 많이 포함하여 타 클래스와 구분되기 때문이다.
- 먼저 helicopter는 RCS 기타 클래스에 비해 상대적으로 크고 구조 및 형상(rotor blade)의 특징으로 인해 여러 주파수 대역에 에너지가 분산되어 나타나며, tracked vehicle은 RCS 도 비교적 크면서 형상(tracked chain)의 특징으로 인해 고조파 형태의 주파수 성분이 많이 나타난다. 그리고 wheeled vehicle은 단일 주파수 대역에 에너지가 분포하며, pedestrian은 다른 클래스에 비해 상대적으로 이동속도가 느리므로 낮은 주파수 영역에 에너지가 집중됨을 확인할 수 있다.
- 본 논문에서는 PDR 에서 표적 식별을 위해 음성 인식 분야에서 많이 사용되는 MFCC 특징파라미터 및 HMM 식별 알고리즘을 이용한 자동식별방법을 제안하고, 시뮬레이션을 통해 식별 결과를 분석하고 검증하였다. 실험결과, mixture의 수가 32개일 때 평균 식별률이 83.07%로 가장 높게 나타남을 확인하였으며, 표적식별 실험에서 각 클래스별 고유의 특징이 잘 나타나는 좀 더 많은 양의 도플러 오디오 데이터 수집과 반복된 훈련과정을 통해 평균 식별률이 향상될 것으로 판단된다.
- 본 논문에서 제안한 HMM 을 이용한 도플러 오디오 신호의 식별 결과는 표 2와 같다. 실험결과에서 mixture가 32개일 때 가장 좋은 평균 식별률(83.07%)을 보였다. 표 3은 평균 식별률이 가장 좋은 32개의 mixture에서 클래스별 식별결과를 보인 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.