[논문]다중 레이블 콘볼루션 신경회로망을 이용한 능동펄스 식별 알고리즘 연구

김근환; 이석진; 이균경; 이동화

doi:10.9723/jksiis.2020.25.4.029

다중 레이블 콘볼루션 신경회로망을 이용한 능동펄스 식별 알고리즘 연구
A Study of Active Pulse Classification Algorithm using Multi-label Convolutional Neural Networks 원문보기

한국산업정보학회논문지 = Journal of the Korea Industrial Information Systems Research, v.25 no.4, 2020년, pp.29 - 38

김근환 (경북대학교 전자공학부) , 이석진 (경북대학교 전자공학부) , 이균경 (경북대학교 전자공학부) , 이동화 (대구대학교, ICT융합학부)

초록
AI-Helper

본 논문에서는 다중 레이블 콘볼루션 신경회로망(Multi-label Convolution Neural Networks)을 이용하는 능동펄스 식별 알고리즘을 제안한다. 제안하는 기법은 기존의 단일 레이블 기반 알고리즘이 여러 개의 신경회로망 구조로 되어 있던 것과 달리 하나의 신경회로망 구조로 능동펄스의 정보를 한번에 획득할 수 있으며, 학습과정 역시 간편해지는 장점이 있다. 제안한 능동펄스 식별 알고리즘을 검증하기 위해서 해상실험 데이터를 이용하여 신경회로망을 학습시키고 성능을 분석하였다. 분석결과 제안한 능동펄스 식별 알고리즘이 수렴하는 것을 확인하였으며, 오차행렬(Confusion Matrix) 분석을 통하여 우수한 능동펄스 식별성능을 가지는 것을 확인하였다.

Abstract ▼ AI-Helper

In this research, we proposed the active pulse classification algorithm using multi-label convolutional neural networks for active sonar system. The proposed algorithm has the advantage of being able to acquire the information of the active pulse at a time, unlike the existing single label-based algorithm, which has several neural network structures, and also has an advantage of simplifying the learning process. In order to verify the proposed algorithm, the neural network was trained using sea experimental data. As a result of the analysis, it was confirmed that the proposed algorithm converged, and through the analysis of the confusion matrix, it was confirmed that it has excellent active pulse classification performance.

주제어

표/그림 (9)

그림 Fig. 1 Active Sonar System Requiring Active Pulse Classification Algorithm
그림 Fig. 2 Flow Diagram of the Proposed Active Pulse Classification
그림 Fig. 3 Spectrogram of Active Pulse
그림 Fig. 4 Discretization of Pulse Features
표 Table 1 Convolutional Neural Networks Architecture
그림 Fig. 5 History of Model Training
그림 Fig. 6 Confusion Matrix
표 Table 2 Assessments of the Proposed Algorithm
표 Table 3 Comparison of Single-label and Multi-label Convolutional Neural Networks

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 능동펄스 식별 문제를 다중 레이블 식별 문제라고 판단하고, 이에 적합한 다중 레이블 콘볼루션 신경회로망 기반의 능동펄스 식별 알고리즘을 제안하였다. Fig.
그러나 능동펄스 식별문제는 수신된 신호에서 여러 개의 펄스 정보를 추정하는 문제이기 때문에 하나의 다중 레이블 식별 (Multi-Label Classification) 문제로 다루는 것이 타당하다. 본 논문에서는 다중 레이블 콘볼루션 신경회로망을 이용하는 능동펄스 식별 알고리즘을 제안한다. 제안하는 기법은 기존의 단일 레이블 기반 알고리즘이 모든 능동펄스 정보를 획득하기 위해서 여러 개의 신경회로망 구조가 필요했던 것과 달리 하나의 신경회로망 구조로 능동펄스의 정보를 한 번에 획득할 수 있으며, 학습과정 역시 간편해지는 장점이 있다.
본 논문에서는 다중 레이블 콘볼루션 신경회로망을 이용한 능동펄스 식별 알고리즘을 제안하였다. 제안한 알고리즘은 능동펄스 식별 문제를 여러 개의 단일 레이블 문제로 인식한 기존의 알고리즘과 달리 다중 레이블 문제로 다루었기 때문에 신경회로망의 구조가 단순하고 학습이 편리한 장점이 있다.

제안 방법

본 논문의 구성은 다음과 같다. 1 장의 서론에 이어 2 장에서는 본 논문에서 능동펄스 식별 문제가 발생하는 상황에 대해서 기술하고, 3 장에서 다중 레이블 콘볼루션 신경회로망을 이용한 능동펄스 식별 알고리즘을 제안한다. 4 장에서 해상 데이터를 이용하여 제안한 알고리즘을 분석 및 검증하고, 5 장에서 결론과 향후연구에 대한 논의로 끝을 맺는다.
본 논문에서는 시간 프레임과 주파수 빈을 모두 112 개로 재조정하여 스펙트로그램 데이터를 112×112 픽셀 (Pixel)의 이미지로 변환하였다.
그림에서 모든 레이블에 대해서 오차행렬의 값이 대각성분 근처에 위치하는 것을 확인할 수 있으며, 따라서 제안한 알고리즘이 우수한 성능을 가지는 것을 알 수 있다. 이를 정량적으로 평가하기 위해서 오차행렬 결과를 이용한 평가지표를 정의하였다. 일반적으로 신경회로망과 같은 기계학습 (Machine Learning) 알고리즘의 평가는 다양한 방법이 있지만 오차행렬에서 대각 성분이 차지하는 비율을 의미하는 정확도 (Accuracy)가 주로 사용된다.
입력은 112×112 픽셀의 이미지 데이터이며, 3개의 콘볼루션 층 (Convolutional Layer)을 사용하고 과적합 방지를 위해서 최대풀링 (Max Pooling)과 드롭아웃 (Dropout) 구조를 뒤따라 적용하였다.
본 논문에서는 다중 레이블 콘볼루션 신경회로망을 이용하는 능동펄스 식별 알고리즘을 제안한다. 제안하는 기법은 기존의 단일 레이블 기반 알고리즘이 모든 능동펄스 정보를 획득하기 위해서 여러 개의 신경회로망 구조가 필요했던 것과 달리 하나의 신경회로망 구조로 능동펄스의 정보를 한 번에 획득할 수 있으며, 학습과정 역시 간편해지는 장점이 있다.
제안하는 다중 레이블 콘볼루션 신경회로망을 이용한 능동펄스 식별 기법을 검증하기 위해서 해상실험 데이터를 이용하여 학습시키고 검증하였다.
학습과 검증을 위해서 해상 데이터에서 수집된 3천여 개의 핑을 8:2 비율로 학습과 검증용으로 분할 하였다. 또한 학습에 사용되도록 분류된 데이터를 시간 축과 주파수 축으로 천이하는 방식으로 데이터 증강 (Data Argumentation)을 적용하여 60만 개의 학습 데이터를 생성하였다.

대상 데이터

학습과 검증을 위해서 해상 데이터에서 수집된 3천여 개의 핑을 8:2 비율로 학습과 검증용으로 분할 하였다. 또한 학습에 사용되도록 분류된 데이터를 시간 축과 주파수 축으로 천이하는 방식으로 데이터 증강 (Data Argumentation)을 적용하여 60만 개의 학습 데이터를 생성하였다. 데이터 학습을 위한 최적화 알고리즘은 최근 자주 사용되는 Adam (Adaptive Moment Estimation)을 사용하였고 에폭 (Epoch) 100회, 배치크기 (Batch Size)는 500으로 설정하여 학습을 수행하였다.
본 논문에서 정의하는 능동펄스의 정보는 펄스 종류 (Pulse Type), 시작 시간 (Start Time), 끝 시간 (End Time), 시작 주파수 (Start Frequency), 끝 주파수 (End Frequency), 이렇게 5 개로 구성된다.
분석에 사용된 해상실험 데이터는 수심 약 90m의 천해환경 (Shallow Water)에서 송신기와 수신기가 수 km 이격되어 있는 상황에서 실험하였으며 총 3천여 개의 핑으로 구성되어 있다. 송신된 펄스의 종류는 CW 펄스와 LFM 펄스이며 수신기는 무지향성의 단일 센서를 사용하였다.
분석에 사용된 해상실험 데이터는 수심 약 90m의 천해환경 (Shallow Water)에서 송신기와 수신기가 수 km 이격되어 있는 상황에서 실험하였으며 총 3천여 개의 핑으로 구성되어 있다. 송신된 펄스의 종류는 CW 펄스와 LFM 펄스이며 수신기는 무지향성의 단일 센서를 사용하였다. 펄스의 길이는 세 가지로 0.
입력은 112×112 픽셀의 이미지 데이터이며, 3개의 콘볼루션 층 (Convolutional Layer)을 사용하고 과적합 방지를 위해서 최대풀링 (Max Pooling)과 드롭아웃 (Dropout) 구조를 뒤따라 적용하였다. 이어서 특징 추출을 위한 플래튼 층 (Flatten Layer)를 사용하였으며, 최종 출력노드는 5 개의 전결합층 (Fully Connected Layer/Dense Layer)으로 구성되며 총 450 개의 노드를 가진다. 각각의 전결합 층은 차례대로 펄스 종류, 시작 시간, 끝 시간, 낮은쪽 주파수, 높은쪽 주파수를 의미한다.

데이터처리

Table 3에 기존의 Kim et al. (2019)이 제안한 단일 레이블 구조와 제안하는 다중 레이블 구조를 정량적으로 비교 분석하였다. 제안한 다중 레이블 구조는 기존의 구조보다 콘볼루션 층을 1 개 더 사용하였으며, 이때 함께 사용되는 풀링구조로 인해 최종적으로 최적화해야 하는 파라미터의 구조가 감소하는 장점이 있다.

이론/모형

또한 학습에 사용되도록 분류된 데이터를 시간 축과 주파수 축으로 천이하는 방식으로 데이터 증강 (Data Argumentation)을 적용하여 60만 개의 학습 데이터를 생성하였다. 데이터 학습을 위한 최적화 알고리즘은 최근 자주 사용되는 Adam (Adaptive Moment Estimation)을 사용하였고 에폭 (Epoch) 100회, 배치크기 (Batch Size)는 500으로 설정하여 학습을 수행하였다. 학습에 사용된 컴퓨터 시스템은 Intel(R) Core(TM) i7-8700 CPU @3.
펄스 식별 과정을 자동화하기 위해서는 먼저 능동펄스가 수신되었는지 판정하는 에너지 탐지기법이 먼저 수행되어야 한다. 수신되는 신호의 에너지를 탐지하는 기법은 중앙값 (Median) 탐지기, 엔트로피 (Entorpy) 탐지기 등이 있으며 (Neumeister, 2002), 본 논문에서는 구현이 간편하고 계산량이 적은 중앙값 탐지기를 사용하였다. 탐지기를 통해서 능동펄스 정보가 포함된 적절한 길이(수 초 이내) 신호를 추출할 수 있다.
각각의 전결합 층은 차례대로 펄스 종류, 시작 시간, 끝 시간, 낮은쪽 주파수, 높은쪽 주파수를 의미한다. 콘볼루션층의 활성화 함수는 ReLU 함수를 사용하였고, 출력노드에는 확률적 의미를 부여하기 위해서 소프트맥스 (Softmax) 함수를 사용하였다.

성능/효과

중심주파수와 대역폭 역시 몇 가지를 사용하였으나 보안상 문제로 정확한 값은 논문에 명시하지 않았다. 그러나 본 논문에서 다루는 능동펄스 식별문제는 스펙트로그램 상에서 펄스가 시간-주파수 상에서 나타나는 상대적인 위치 정보를 다루는 것이기 때문에 절대적인 값에 알고리즘의 성능이 좌우되지 않아 검증에 사용하는 것은 문제가 없을 것으로 판단된다.
6에 각각의 출력 레이블에 대한 오차행렬 (Confusion Matrix) 계산하여 나타내었다. 그림에서 모든 레이블에 대해서 오차행렬의 값이 대각성분 근처에 위치하는 것을 확인할 수 있으며, 따라서 제안한 알고리즘이 우수한 성능을 가지는 것을 알 수 있다. 이를 정량적으로 평가하기 위해서 오차행렬 결과를 이용한 평가지표를 정의하였다.
5에서 매 에폭마다 비용함수의 값이 감소하여 수렴하는 것을 확인할 수 있다. 따라서 다중 레이블 구조를 가지는 콘볼루션 신경회로망에 대해서 학습이 문제없이 수행되는 것을 확인하였다. 알고리즘의 성능 평가를 위해 Fig.
02 s, 20 Hz의 오차가 발생한다. 따라서 제안하는 다중 레이블 콘볼루션 신경회로망을 이용해서 능동펄스의 정보를 효율적으로 추정할 수 있음을 확인하였으며, 실제 시스템에서 운용하기에 어려움이 없을 것으로 판단된다.
더욱이 기존의 구조는 여러 개의 펄스에 대한 특징을 각각 식별해야하기 때문에 최적화 파라미터의 개수가 약 5배 많은 단점이 있다. 또한 기존의 알고리즘과 제안하는 알고리즘을 이용하여 얻어진 정확도를 비교해본 결과 제안한 알고리즘의 성능이 최소 2.1%, 최대 6.2% 향상된 것을 확인할 수 있다. 이는 제안하는 알고리즘이 구조가 더 깊고 펄스의 여러 특징인자를 한 번에 반영하는 특성을 가지기 때문으로 분석된다.
이들이 제안한 알고리즘은 성공적으로 데이터를 학습하였으며, 성능 분석 결과 능동펄스의 정보를 높은 정확도로 식별할 수 있었다. 그러나 Kim et al.
(2019)이 제안한 단일 레이블 구조와 제안하는 다중 레이블 구조를 정량적으로 비교 분석하였다. 제안한 다중 레이블 구조는 기존의 구조보다 콘볼루션 층을 1 개 더 사용하였으며, 이때 함께 사용되는 풀링구조로 인해 최종적으로 최적화해야 하는 파라미터의 구조가 감소하는 장점이 있다. 더욱이 기존의 구조는 여러 개의 펄스에 대한 특징을 각각 식별해야하기 때문에 최적화 파라미터의 개수가 약 5배 많은 단점이 있다.
본 논문에서는 다중 레이블 콘볼루션 신경회로망을 이용한 능동펄스 식별 알고리즘을 제안하였다. 제안한 알고리즘은 능동펄스 식별 문제를 여러 개의 단일 레이블 문제로 인식한 기존의 알고리즘과 달리 다중 레이블 문제로 다루었기 때문에 신경회로망의 구조가 단순하고 학습이 편리한 장점이 있다. 제안한 알고리즘을 검증하기 위해 실제 해상실험을 통해 수집된 능동 펄스 데이터를 이용하였으며, 펄스의 정보를 효율적으로 추정할 수 있음을 확인하였다.
제안한 알고리즘은 능동펄스 식별 문제를 여러 개의 단일 레이블 문제로 인식한 기존의 알고리즘과 달리 다중 레이블 문제로 다루었기 때문에 신경회로망의 구조가 단순하고 학습이 편리한 장점이 있다. 제안한 알고리즘을 검증하기 위해 실제 해상실험을 통해 수집된 능동 펄스 데이터를 이용하였으며, 펄스의 정보를 효율적으로 추정할 수 있음을 확인하였다.
계산된 평가지표를 Table 2에 정리하였다. 펄스 종류를 구별하는 것은 쉬운 문제이기 때문에 표에서 이에 대한 결과를 확인해 보면 99.9%의 정확도를 나타내는 것을 확인할 수 있으며, 이를 구별하는 것 확인할 수 있다. 그러나 그 외의 펄스 정보의 경우 대각성분만을 고려하는 Acc₀의 값이 55%에서 70% 정도로 낮게 나타나는 것을 확인할 수 있다.

후속연구

향후에는 Comb 펄스, SFM 펄스 등 시간-주파수 상에서 특징이 빠르게 변화하는 능동펄스를 식별하기 위한 신경회로망의 구조를 연구할 예정이다. 이를 위해서 시간-주파수 해상도를 향상시키기 위한 전처리 과정에 대한 연구가 필요할 것으로 판단되며, 신경회로망의 구조도 복잡한 정보를 추정할 수 있도록 개선이 필요할 것으로 판단된다.
향후에는 Comb 펄스, SFM 펄스 등 시간-주파수 상에서 특징이 빠르게 변화하는 능동펄스를 식별하기 위한 신경회로망의 구조를 연구할 예정이다. 이를 위해서 시간-주파수 해상도를 향상시키기 위한 전처리 과정에 대한 연구가 필요할 것으로 판단되며, 신경회로망의 구조도 복잡한 정보를 추정할 수 있도록 개선이 필요할 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	대잠전을 위한 소나 시스템은 어떻게 구분할 수 있는가?	대잠전을 위한 소나 시스템은 크게 표적의 방사하는 소음을 수신하여 정보를 획득하는 수동 소나 (Passive Sonar)와 함선에서 음파를 송신하여 반사되는 신호를 수신 후 분석하는 능동소나 (Active Sonar)로 구분할 수 있다. 초기의 소나 시스템은 수동소나를 주로 사용하였으나 잠수함의 방사소음이 점차 감소함에 따라 탐지가 어려워졌으며, 능동소나에 대한 연구가 활발히 진행되고 있다.
	소나 시스템이란 무엇인가?	소나 시스템 (Sonar System)은 음파를 사용하여 수중의 정보를 획득하는 시스템으로 해양생태계 연구, 어군 탐지기 등의 상업용, 군사용 목적 등 다양한 분야에서 사용된다. 특히 군사적으로는 수중의 기뢰를 제거하는 소해 (Mine Hunting), 항만감시체계 (Harbor Underwater Surveillance System), 잠수함을 탐지, 추적, 식별하는 대잠전 (Anti-Submarine Warfare) 등의 목적으로 주로 사용되고 있다 (Urick, 1967; Cox, 1989; Kim, 2006; Kim et al.
	군사적으로 소나 시스템은 어떠한 목적으로 주로 사용되는가?	소나 시스템 (Sonar System)은 음파를 사용하여 수중의 정보를 획득하는 시스템으로 해양생태계 연구, 어군 탐지기 등의 상업용, 군사용 목적 등 다양한 분야에서 사용된다. 특히 군사적으로는 수중의 기뢰를 제거하는 소해 (Mine Hunting), 항만감시체계 (Harbor Underwater Surveillance System), 잠수함을 탐지, 추적, 식별하는 대잠전 (Anti-Submarine Warfare) 등의 목적으로 주로 사용되고 있다 (Urick, 1967; Cox, 1989; Kim, 2006; Kim et al., 2019; Lee and Oh, 2000; Waite, 2002).

참고문헌 (15)

Cox, H. (1989). Fundamentals of Bistatic Active Sonar. Handbook of Underwater Acoustic Data Processing, (edit) Chan Y. T., Springer, Netherlands.
Kim, G. H., Choi, S. R., Yoon, K. S., and Lee, K. K. (2019). Active Pulse Classification Algorithm using Convolutional Neural Networks, The Journal of the Acoustical Society of Korea, 38(1), 106-113.
Kim, J. G. (2006). Whitening Method for Performance Improvement of the Matched Filter in the Non-white Noise Environment, Journal of the Korea Industrial Information Systems Research, 11(3), 15-19.
Krizhevsky, A., Ilya, S., and Geoffrey, E. H., (2012). Imagenet Classification with Deep Convolutional Neural Networks, Advances in Neural Information Processing Systems, 1097-1105
Lee, C. W., and Oh, S.-B. (2000). A Data Processing System on the Transportable Meteorological Radar, Journal of the Korea Industrial Information Systems Research, 5(3), 44-50.
Lee, D. H., Jung, T. J., Lee, K. K., and Hyun, M. (2012). Source Information Estimation using Enemy's Single-ping and Geographic Information in Non-cooperative Bistatic Sonar, IEEE Sensor Journal, 12(9), 2784-2790.

상세보기
Magistris, D. G., Stinco, P., Bates, J. R., Topple, J. M., Canepa, G., Ferri, G., Tesel, A., and Page K. L. (2019). Automatic Object Classification for Low-frequency Active Sonar using Convolutional Neural Networks, Oceans 2019 MTS/IEEE Seattle. IEEE.
Mitra, S. K. (2001). Digital Signal P rocessing: A Computer-Based Approach. 2nd Ed. New York: McGraw-Hill.
Neumeister, D. (2002). Strategies and Future Trends in Submarine Intercept-processing with an Example of an Intercept Entropy Detector, UDT EUROPE, 1-6.
Sakashita, Y., and Aono, M. (2018), Acoustic Scene Classification by Ensemble of Spectrograms based on Adaptive Temporal Divisions, Detection and Classification of Acoustic Scenes and Events (DCASE) Challenge.
Satt, A., Rozenberg, S., and Hoory, R. (2017). Efficient Emotion Recognition from Speech using Deep Learning on Spectrograms. Interspeech, Interspeech, 1089-1093
Schmidhuber, J. (2015). Deep Learning in Neural Networks: An Overview, Neural Networks, 61, 85-117.

상세보기
Schmidt-Schierhorn, H., Corsten, A., Strassner, B., Benen, S., and Meister, M. (2007), The Use of Bistatic Sonar Functions on Modern Submarines, UDT EUROPE, 5-7.
Urick, R. J. (1967). Principles of Underwater Sound for Engineers, McGraw-Hill Book Company.
Waite, A. D, (2002). Sonar for P ractising Engineers, New York: Wiley.

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