[논문]콘볼루션 신경회로망을 이용한 능동펄스 식별 알고리즘

김근환; 최승률; 윤경식; 이균경; 이동화

doi:10.7776/ask.2019.38.1.106

콘볼루션 신경회로망을 이용한 능동펄스 식별 알고리즘
Active pulse classification algorithm using convolutional neural networks 원문보기

한국음향학회지= The journal of the acoustical society of Korea, v.38 no.1, 2019년, pp.106 - 113

김근환 (경북대학교 전자공학부) , 최승률 (경북대학교 전자공학부) , 윤경식 (김천대학교 IT융복합공학과) , 이균경 (경북대학교 전자공학부) , 이동화 (대구대학교 정보통신공학부)

초록
AI-Helper

본 논문은 능동소나 시스템이 비협동으로 운용될 경우 수신된 직접파로 부터 이를 탐지하여 식별하는 일련의 알고리즘을 제안하였다. 제안하는 알고리즘은 최근 다양한 분야에서 우수한 성능을 보여주고 있는 콘볼루션 신경회로망을 사용하였으며, 입력 데이터로 수신신호를 단시간 퓨리에 변환을 수행한 시간 주파수 분석 데이터를 사용하였다. 본 논문에서 사용한 콘볼루션 신경회로망의 구조는 두 개의 콘볼루션 계층과 풀링 계층을 사용하였으며, 출력층에 따라 데이터베이스 기반의 신경회로망과 펄스 특징인자 기반의 신경회로망을 설계하였다. 알고리즘의 성능을 검증하기 위해 실제 해상에서 수신한 3110개의 CW(Continuous Wave)펄스와 LFM(Linear Frequency Modulated) 펄스의 데이터를 가공하여 학습 데이터와 테스트 데이터를 구성하였다. 시뮬레이션을 수행한 결과 데이터베이스 기반의 신경회로망은 99.9 %의 정확도를 보였으며, 특징인자 기반의 신경회로망은 두 픽셀의 오차를 허용할 경우 약 96 %의 정확도를 보였다.

Abstract ▼ AI-Helper

In this paper, we propose an algorithm to classify the received active pulse when the active sonar system is operated as a non-cooperative mode. The proposed algorithm uses CNN (Convolutional Neural Networks) which shows good performance in various fields. As an input of CNN, time frequency analysis data which performs STFT (Short Time Fourier Transform) of the received signal is used. The CNN used in this paper consists of two convolution and pulling layers. We designed a database based neural network and a pulse feature based neural network according to the output layer design. To verify the performance of the algorithm, the data of 3110 CW (Continuous Wave) pulses and LFM (Linear Frequency Modulated) pulses received from the actual ocean were processed to construct training data and test data. As a result of simulation, the database based neural network showed 99.9 % accuracy and the feature based neural network showed about 96 % accuracy when allowing 2 pixel error.

주제어

표/그림 (11)

그림 Fig. 1. Non-cooperative bi-static sonar system.
그림 Fig. 2. Proposed pulse classification algorithm using convolutional neural networks.
그림 Fig. 3. Database based output layer structure.
그림 Fig. 4. Pulse feature based output layer structure.
그림 Fig. 5. Discretization of pulse features.
그림 Fig. 6. Example of sea experiments data.
그림 Fig. 7. Examples of data argumentation.
그림 Fig. 8. Training and test reysults of database based output layer structure.
그림 Fig. 9. Training and test results of pulse feature based output layer structure (start time).
그림 Fig. 10. Training and test results of pulse feature based output layer structure (end time).
표 Table 1. Error of pulse length estimation.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

그러나 그림에서 확인할 수 있듯이 다중경로로 인한 펄스의 잔향은 펄스의 길이를 길어 보이게 만들기 때문에 펄스식별을 어렵게 만드는 주요 요소이다. 본 논문에서는 저주파수의 잡음과 고주파에서 발생하는 클리핑 성분을 제거하기 위해 펄스 식별에 사용될 데이터의 주파수 대역을 제한하였다. 그림에서 네모 박스로 표현된 부분은 탐지된 전체 스펙트로그램에서 펄스 식별에 사용되는 데이터를 제한하는 예시를 나타낸 것으로 입력되는 데이터의 시간은 2 s이고 주파수는 샘플링 주파수 f_s의 0.
본 논문에서는 콘볼루션 신경회로망(Convolutional Neural Networks, CNN)를 이용한 능동펄스 식별 알고리즘을 제안한다. 콘볼루션 신경회로망은 최근 영상 처리 분야에서 최고의 성능을 보여주고 있는 알고리즘으로 시간 주파수 이미지를 식별해야하는 펄스 식별의 목적과 부합하는 알고리즘이다.
본 논문은 비협동 양상태 소나 시스템에서 송신된 능동펄스를 식별하기 위한 새로운 알고리즘을 제안하였다. 제안한 알고리즘은 최근 영상신호처리 분야에서 우수한 성능을 입증하고 있는 콘볼루션 신경회로망을 이용하였으며 컴퓨터 시뮬레이션을 통해 성능을 검증하였다.

가설 설정

이 경우에는 펄스의 길이, 중심 주파수, 대역폭 등의 특징 인자를 직접 추정해야한다. 두 번째로 설계한 출력층의 구조는 이러한 상황을 가정하고 각 특징 인자의 범위를 이산화하여 각 노드에 할당한 특징인자 기반의 구조이다. Fig.
^[4] 탐지 알고리즘은 송신 직접파의 수신시간을 대략적으로 추정하여 그 주위의 신호를 가져오는 역할을 수행하며, 이때 탐지된 신호를 펄스식별 알고리즘의 입력으로 사용한다. 따라서 탐지 알고리즘이 적절히 수행되었다면 송신 펄스의 정보를 충분히 포함하고 있다고 가정할 수 있으며, 높은 음압을 가지는 송신 직접파의 특성상 큰 문제없이 수행될 수 있다.
출력층의 구조는 두 가지로 설계하였다. 첫 번째는 송신 플랫폼에서 송신할 펄스의 데이터베이스를 수신 플랫폼에서 보유하고 있다고 가정하고 데이터베이스의 각 펄스를 출력층의 각 노드로 할당한 데이터베이스 기반의 구조이다. Fig.

제안 방법

그러나 최종적인 특징맵 벡터의 크기는 동일하며, 이를 위해서 풀링 필터의 크기를 4×4로 설정하여 풀링 계층을 통과하면 이미지의 크기가 4배 줄어들도록 설계하였다.
^[1,4]먼저 음향센서로 수신된 신호는 빔형성 기법을 적용하여 방위별 빔신호로 변환된다. 그리고 각 방위의 빔신호마다 정합필터를 적용하여 수신된 에코의 시간지연을 추정한다. 이렇게 출력된 신호는 방위-거리-도플러의 정보를 가지고 있으며, 시스템의 목적과 사용자의 요구에 따라 적절한 규준화를 적용한 후 전시된다.
앞의 데이터베이스 기반의 신경회로망과 마찬가지로 학습 데이터를 생성하기 위해서 데이터를 가공하였다. 데이터를 가공할 때 앞의 경우와 마찬가지로 시간천이를 이용하여 데이터를 생성하였으며, 또한 동일한 레이블의 데이터에 대해서 다양한 길이의 펄스를 생성하기 위해 시간축으로 늘이거나 줄였다. Fig.
두 번째로 특징인자 기반의 신경회로망을 학습시키고 테스트를 수행하였다. 본 시뮬레이션에서는 앞서 설명한 특징인자 중 시작 시간(strat time)과 끝 시간(end time)을 출력층으로 설계한 2가지 신경회로망에 대해서 검증을 수행하였다.
이때 해상 실험을 통해 획득한 3110개의 데이터만으로 신경회로망을 학습하기에는 개수가 부족하다. 따라서 데이터를 가공하여 추가적인 데이터를 생성하였으며, 탐지 알고리즘의 오차를 고려한 시간 천이를 고려하였다. Fig.
^[5,6] 현재 능동 소나에서 주로 사용되는 CW(Continuous Wave) 펄스와 LFM(Linear Frequency Modulated) 펄스는 시간 주파수 이미지에서 한 개의 직선으로 나타난다. 따라서 본 논문에서는 깊고 복잡한 네트워크를 사용하지 않고 2개의 콘볼루션 계층과 2개의 풀링 계층을 이용한 단순한 구조를 사용하였다. 또한 출력층은 데이터베이스를 사용하는 경우와 펄스의 식별인자를 직접적으로 추정하는 두 가지의 경우를 고려하여 설계하였다.
따라서 본 논문에서는 깊고 복잡한 네트워크를 사용하지 않고 2개의 콘볼루션 계층과 2개의 풀링 계층을 이용한 단순한 구조를 사용하였다. 또한 출력층은 데이터베이스를 사용하는 경우와 펄스의 식별인자를 직접적으로 추정하는 두 가지의 경우를 고려하여 설계하였다. 신경회로망의 학습은 실제 해상에서 획득한 3110개의 CW 펄스, LFM 펄스의 핑(ping)을 이용하였으며 학습에 유리하도록 데이터를 가공하여 약 10만개의 학습데이터와 2만 4천개의 테스트 데이터를 생성하였다.
신경회로망의 학습은 실제 해상에서 획득한 3110개의 CW 펄스, LFM 펄스의 핑(ping)을 이용하였으며 학습에 유리하도록 데이터를 가공하여 약 10만개의 학습데이터와 2만 4천개의 테스트 데이터를 생성하였다. 또한 탐지 알고리즘의 오차로 인해 시간 축으로 천이(shift)될 경우를 고려하여 콘볼루션 신경망을 학습하였다. 학습된 콘볼루션 신경망을 이용하여 테스트를 한 결과 두 가지 설계 방식 모두 우수한 성능을 보이는 것을 확인할 수 있었다.
먼저 데이터베이스 기반의 신경회로망을 학습시키고 테스트를 수행하였다. 이때 해상 실험을 통해 획득한 3110개의 데이터만으로 신경회로망을 학습하기에는 개수가 부족하다.
2에 제안하는 콘볼루션 신경회로망을 이용한 능동펄스 식별 알고리즘을 나타내었다. 먼저 탐지된 신호에 시간-주파수 분석을 적용하여 데이터를 시간-주파수 분석 이미지로 변환한다. 이때 콘볼루션 신경회로망의 입력층에 알맞게 이미지의 크기를 조절한다.
두 번째로 특징인자 기반의 신경회로망을 학습시키고 테스트를 수행하였다. 본 시뮬레이션에서는 앞서 설명한 특징인자 중 시작 시간(strat time)과 끝 시간(end time)을 출력층으로 설계한 2가지 신경회로망에 대해서 검증을 수행하였다. 앞의 데이터베이스 기반의 신경회로망과 마찬가지로 학습 데이터를 생성하기 위해서 데이터를 가공하였다.
본 시뮬레이션에서는 앞서 설명한 특징인자 중 시작 시간(strat time)과 끝 시간(end time)을 출력층으로 설계한 2가지 신경회로망에 대해서 검증을 수행하였다. 앞의 데이터베이스 기반의 신경회로망과 마찬가지로 학습 데이터를 생성하기 위해서 데이터를 가공하였다. 데이터를 가공할 때 앞의 경우와 마찬가지로 시간천이를 이용하여 데이터를 생성하였으며, 또한 동일한 레이블의 데이터에 대해서 다양한 길이의 펄스를 생성하기 위해 시간축으로 늘이거나 줄였다.
최근 Kim et al.은 모폴로지, 미디안 필터 등의 후처리 과정을 이용하여 펄스 식별 과정을 자동화하는 알고리즘을 제안하였다.^[4] 그러나 Kim et al.
CW 펄스의 경우 중심주파수와 시작 시간, 끝 시간을 출력층으로 설정하였으며, LFM 펄스의 경우에는 시작 시간, 끝 시간, 시작 주파수, 끝 주파수를 출력층으로 설정하였다. 이러한 특징인자를 추정하면 펄스를 식별할 수 있으며, 신경회로망에 적용하기 위해 펄스의 특징인자가 가질 수 있는 시간, 주파수 축을 이산화하여 출력층의 각 노드에 할당하였다.
2에서의 예시와 같이 펄스의 정보를 포함하고 있다. 제안하는 알고리즘은 콘볼루션 계층과 풀링 계층이 2개씩 포함되는 구조이다. 이때 풀링 계층은 최댓값을 선택하는 Max 풀링을 사용하였다.
본 논문은 비협동 양상태 소나 시스템에서 송신된 능동펄스를 식별하기 위한 새로운 알고리즘을 제안하였다. 제안한 알고리즘은 최근 영상신호처리 분야에서 우수한 성능을 입증하고 있는 콘볼루션 신경회로망을 이용하였으며 컴퓨터 시뮬레이션을 통해 성능을 검증하였다. 향후에는 CW 펄스와 LFM 펄스와 같이 단순한 직선으로 나타나는 펄스 외에 능동 소나 시스템에서 사용되는 geometric comb 펄스, PTFM(Pulse Train Frequency Modulated) 펄스, SFM(Sinusoidal Frequency Modulated) 펄스, COSTAS 펄스 등의 다양한 펄스에 대한 식별을 시도할 예정이다.

대상 데이터

또한 출력층은 데이터베이스를 사용하는 경우와 펄스의 식별인자를 직접적으로 추정하는 두 가지의 경우를 고려하여 설계하였다. 신경회로망의 학습은 실제 해상에서 획득한 3110개의 CW 펄스, LFM 펄스의 핑(ping)을 이용하였으며 학습에 유리하도록 데이터를 가공하여 약 10만개의 학습데이터와 2만 4천개의 테스트 데이터를 생성하였다. 또한 탐지 알고리즘의 오차로 인해 시간 축으로 천이(shift)될 경우를 고려하여 콘볼루션 신경망을 학습하였다.
제안한 펄스식별 알고리즘의 성능을 분석하기 위해서 실제 해상실험을 통해 획득된 3110개의 CW 펄스, LFM 펄스의 데이터를 사용하였다. 펄스의 데이터는 펄스 길이, 중심주파수, 대역폭에 따라 다시 여러 개의 펄스로 분류할 수 있으나 데이터의 보안을 위해 자세한 값은 생략하였다.
그림에서 동일한 펄스이지만 시간축 상으로 천이되어 있는 여러 데이터를 확인할 수 있다. 학습에 사용된 데이터의 개수는 96,168개이고, 학습 방법으로는 크기 100의 미니 배치를 사용하였다. 또한 에폭(epoch)은 15로 설정하였다.
0 s인 것을 밝힌다. 해상 실험은 송신 플랫폼과 수신기가 5 km에서 10 km 사이의 거리를 두고 수신된 송신 직접파를 수집하였으며 사용된 수신기는 무지향성(omni-directional) 센서이다. 해역의 수심은 약 90 m의 천해환경이다.

이론/모형

본 시뮬레이션에서는 탐지 알고리즘으로 펄스의 에너지를 이용한 미디안 탐지기를 사용하였으며,[4] 시간-주파수 분석 알고리즘으로 단시간 퓨리에 변환을 사용하였다.
이렇게 출력된 신호는 방위-거리-도플러의 정보를 가지고 있으며, 시스템의 목적과 사용자의 요구에 따라 적절한 규준화를 적용한 후 전시된다. 이때 정합필터를 수행하기 위한 레플리카가 필수적이며 이는 능동펄스 식별 알고리즘을 이용하여 획득한다. 능동펄스 식별 알고리즘을 수행하기 위해서는 먼저 송신 직접파를 탐지하는 탐지 알고리즘이 수행되어야한다.

성능/효과

05 s 펄스의 경우 펄스 구분 없이 오차율이 50 %가 넘는 것을 확인할 수 있다. 그러나 그 외의 펄스의 경우 최대 8.3 % 이내의 오차로 추정이 가능한 것을 확인하며 최저 오차 1.6 %의 성능을 가지는 것을 알 수 있다.
즉 해상환경과 다중경로에 따라 펄스의 시작과 끝 시간이 모호해져서 수작업으로 생성한 학습 데이터에 오차가 발생하기 때문이다. 따라서 픽셀의 오차를 허용하지 않고 각 레이블의 정확도를 계산하여 평균을 구해보면 각각 64.3 %와 49.4 %가 나온다. 그러나 ±1 픽셀의 오차를 허용할 경우 93.
10(b)에 각각 펄스의 시작시간과 끝시간을 학습한 구조를 이용하여 테스트를 수행한 결과를 오차 행렬로 나타내었다. 오차 행렬에서 대각선을 중심으로 99.9 %의 값이 모여 있는 데이터베이스 기반의 신경회로망에 대한 결과와 달리 특징인자 기반의 신경회로망을 테스트한 오차 행렬에서는 대각선을 중심으로 값이 다소 퍼져있는 것을 확인할 수 있다. 이는 학습 데이터를 생성할 때 데이터베이스에 정리되어 있는 펄스와 달리 시작 시간과 끝 시간에 대한 ground truth에는 모호한 점이 발생하기 때문으로 분석된다.
제안한 콘볼루션 신경회로망을 이용한 알고리즘의 경우 Kim et al.의 알고리즘과 비교할 때 0.05 s 펄스에 대한 성능은 비슷하지만 그 외의 펄스에서는 동등하거나 최대 8.5 %의 성능 개선이 있음을 확인할 수 있다. 또한 Kim et al.
또한 Kim et al.의 알고리즘은 후처리 과정에서 사용되는 알고리즘이 최적의 성능을 가지기 위해 미디안 필터나 모폴로지 기법 등에 대한 파라미터를 적절히 설정해야하는 문제가 있으나 제안하는 콘볼루션 신경회로망의 경우 학습이 되면 별도의 파라미터 설정 없이 견실한 성능을 가지는 장점이 있다. 그러나 현재 해상실험의 결과에서 0.
또한 탐지 알고리즘의 오차로 인해 시간 축으로 천이(shift)될 경우를 고려하여 콘볼루션 신경망을 학습하였다. 학습된 콘볼루션 신경망을 이용하여 테스트를 한 결과 두 가지 설계 방식 모두 우수한 성능을 보이는 것을 확인할 수 있었다.

후속연구

이는 학습을 위해 생성한 ground truth가 오차를 가지기 때문으로 분석되며, 특히 짧은 펄스의 경우 현재 시간-주파수 분석 결과의 시간 해상도로는 정확한 시작 시간과 끝 시간을 확인하기 어려웠기 때문이다. 따라서 향후 시간-주파수 분석의 해상도를 향상시켜 ground truth의 오차를 줄일 수 있다면 짧은 길이의 펄스를 포함한 전반적인 식별 성능이 개선될 것으로 기대한다.
향후에는 CW 펄스와 LFM 펄스와 같이 단순한 직선으로 나타나는 펄스 외에 능동 소나 시스템에서 사용되는 geometric comb 펄스, PTFM(Pulse Train Frequency Modulated) 펄스, SFM(Sinusoidal Frequency Modulated) 펄스, COSTAS 펄스 등의 다양한 펄스에 대한 식별을 시도할 예정이다. 또한 식별인자 기반 신경회로망의 성능을 개선하기 위해 시간-주파수 분석의 해상도를 높일 수 있는 개선방안과 정확한 ground truth를 확보할 수 있는 연구를 수행할 예정이다.
^[4] 그러나 Kim et al.이 제안한 알고리즘은 후처리 과정에서 사용되는 여러 가지 알고리즘의 파라미터에 대해 적절한 튜닝 과정이 필요하며, 복잡한 해상환경에서 최적의 성능을 가지는 파라미터를 장담하기 어려운 단점이 존재한다.
제안한 알고리즘은 최근 영상신호처리 분야에서 우수한 성능을 입증하고 있는 콘볼루션 신경회로망을 이용하였으며 컴퓨터 시뮬레이션을 통해 성능을 검증하였다. 향후에는 CW 펄스와 LFM 펄스와 같이 단순한 직선으로 나타나는 펄스 외에 능동 소나 시스템에서 사용되는 geometric comb 펄스, PTFM(Pulse Train Frequency Modulated) 펄스, SFM(Sinusoidal Frequency Modulated) 펄스, COSTAS 펄스 등의 다양한 펄스에 대한 식별을 시도할 예정이다. 또한 식별인자 기반 신경회로망의 성능을 개선하기 위해 시간-주파수 분석의 해상도를 높일 수 있는 개선방안과 정확한 ground truth를 확보할 수 있는 연구를 수행할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	능동소나 시스템은 어떻게 구분되는가?	수중에서 은밀하게 기동하는 잠수함을 탐지, 추적, 식별하기 위한 능동소나 시스템은 크게 단상태(mono-static)와 양상태(bi-static) 소나로 구분할 수 있다. 기존의 능동펄스는 송신기와 수신기가 동일한 플랫폼에서 운용되어 간단한 구조를 가지는 단상태 소나를 주로 사용하였으나, 최근 송신기와 수신기가 이격된 구조를 가지기 때문에 다양한 장점이 있는 양상태 소나에 대한 연구가 활발히 진행되고 있다.
	능동소나 시스템의 역할은?	수중에서 은밀하게 기동하는 잠수함을 탐지, 추적, 식별하기 위한 능동소나 시스템은 크게 단상태(mono-static)와 양상태(bi-static) 소나로 구분할 수 있다. 기존의 능동펄스는 송신기와 수신기가 동일한 플랫폼에서 운용되어 간단한 구조를 가지는 단상태 소나를 주로 사용하였으나, 최근 송신기와 수신기가 이격된 구조를 가지기 때문에 다양한 장점이 있는 양상태 소나에 대한 연구가 활발히 진행되고 있다.
	본논문에서 데이터베이스 기반의 신경회로망을 학습시키고 테스트를 수행시 데이터를 가공하여 추가적인 데이터를 생성하였으며, 탐지 알고리즘의 오차를 고려한 시간 천이를 고려한 이유는?	먼저 데이터베이스 기반의 신경회로망을 학습시키고 테스트를 수행하였다. 이때 해상 실험을 통해 획득한 3110개의 데이터만으로 신경회로망을 학습하기에는 개수가 부족하다. 따라서 데이터를 가공하여 추가적인 데이터를 생성하였으며, 탐지 알고리즘의 오차를 고려한 시간 천이를 고려하였다.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증