[논문]Long short term memory 모델을 이용한 시계열 수중 소음 데이터 예측

이혜선; 홍우영; 김국현; 이근화

doi:10.7776/ask.2023.42.4.313

초록
AI-Helper

본 논문에서는 일부 소음 데이터만 알고 있을 때 결손된 데이터를 예측할 목적으로 수조에서 측정된 기포유동 소음 데이터와 수중 운동체 발사 소음 데이터를 시계열 기계학습 모델인 Long Short Term Memory(LSTM)에 적용해 보았다. 기포유동소음 데이터는 파이프에서 측정된 소음으로 기포소음, 유동소음, 유체기인소음이 혼합되어 있으며 유형별로 3가지로 분류할 수 있다. 수중 운동체 발사소음은 모형 발사튜브에서 수중 운동체가 사출될 때 발생하는 소음으로 순간소음이며 발사 이벤트마다 불규칙하게 변한다. 이러한 종류의 소음 생성을 위해서는 해석적인 모델보다는 데이터 기반 모델이 유용할 수 있다. 본 연구에서는 LSTM을 데이터 기반 모델을 만들었다. 모델에 영향을 주는 LSTM의 은닉유닛의 개수, 입력시퀸스의 개수, 데시메이션 인자에 따른 모델의 성능을 확인하고 최적의 LSTM 모델을 구성했다. 같은 유형은 새로운 데이터에 대해서도 잘 동작하는 것을 보였다.

Abstract ▼ AI-Helper

In this paper, a time series machine learning model, Long Short Term Memory (LSTM), is applied into the bubble flow noise data and the underwater projectile launch noise data to predict missing values of time-series underwater noise data. The former is mixed with bubble noise, flow noise, and fluid-...

In this paper, a time series machine learning model, Long Short Term Memory (LSTM), is applied into the bubble flow noise data and the underwater projectile launch noise data to predict missing values of time-series underwater noise data. The former is mixed with bubble noise, flow noise, and fluid-induced interaction noise measured in a pipe and can be classified into three types. The latter is the noise generated when an underwater projectile is ejected from a launch tube and has a characteristic of instantaenous noise. For such types of noise, a data-driven model can be more useful than an analytical model. We constructed an LSTM model with given data and evaluated the model's performance based on the number of hidden units, the number of input sequences, and the decimation factor of signal. It is shown that the optimal LSTM model works well for new data of the same type.

Keyword

표/그림 (16)

그림 Fig. 1. (Color available online) Structure of LSTM cell.^[8]
표 Table 1. Equations in LSTM.
그림 Fig. 2. (Color available online) Structure of LSTMbased model.
그림 Fig. 3. (Color available online) Equipment for flow noise measurements.
그림 Fig. 4. (Color available online) Original signal/ Spectrogram of type A, B, C ordered in row.
표 Table 2. Hyperparameters of LSTM model.
표 Table 3. Minimum MSE of train set (hidden unit).
표 Table 4. Minimum MSE of test set (hidden unit).
표 Table 5. Minimum MSE of train set (input sequence length).
표 Table 6. Minimum MSE of test set (input sequence length).
그림 Fig. 5. (Color available online) Best/worst prediction of type A, B, C in different decimation factors.
그림 Fig. 6. (Color available online) Time series of instanenous noise.
표 Table 7. Minimum MSE of train set (decimation factor).
표 Table 8. Minimum MSE of test set (decimation factor).
그림 Fig. 7. (Color available online) Prediction for unseen data.
표 Table 9. Hyperparameter of simulation model.

참고문헌 (15)

B. Allotta, R. Costanzi, A. Ridolfi, M. A. Pascali, M.？Reggiannini, O. Salvetti, and J. Sharvit, "Acoustic？data analysis for underwater archaeological sites detection and mapping by means of autonomous underwater vehicles," Proc. OCEANS, 1-6 (2015).
J. S. Wit, "Advances in antisubmarine warfare," Sci. Am.？244, 31-41 (1981).

상세보기
R. J. Urick, Principles of Underwater Sound (Peninsular？Publishing, Los Altos Hills, 1983), pp. 331-341.
P. C. Etter, Underwater Acoustic Modeling and Simulation (CRC press, United States, 2018), pp. 200-231.
Y. Li, B. Wang, G. Shao, S. Shao, and X. Pei, "Blind？detection of underwater acoustic communication？signals based on deep learning," IEEE Access, 8,？204114-204131 (2020).

상세보기
S. J. Yeo, S. Y. Hong, J. H. Song, H. W. Kwon, and H.？Seol, "Flow-induced noise prediction for submarines,"？J. Korean Soc. Mar. Environ. Saf. 24, 930-938 (2018).
Y. Yu, X. Si, C. Hu, and J. Zhang, "A review of？recurrent neural networks: LSTM cells and network？architectures," Neural comput. 31, 1235-1270 (2019).
P. J. Werbos, "Backpropagation through time: what it？does and how to do it," Proc. IEEE, 78, 1550-1560 (1990).

상세보기
A. Sherstinsky, "Fundamentals of recurrent neural network (RNN) and long short-term memory (LSTM) network," Physica D: Nonlinear Phenomena, 404, 132306 (2020).

상세보기
S. Hochreiter and J. Schmidhuber, "Long short-term？memory," Neural comput. 9, 1735-1780 (1997).
A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit, L.？Jones, A. N. Gomez, L. Kaiser, and I. Polosukhin,？"Attention is all you need," Proc. NIPS, 5998-6008 (2017).
H. Lee, W. Hong, K. Kim, and K. Lee, "Flow noise？prediction in a reverberant water tank using machine？learning" (in Korean), J. Acoust. Soc. Kr. Suppl.2(s),？39, 110 (2020).
S. Pyo and K. Lee, "Noise measurements in the？bubbly flow of the pipe system" (in Korean), J.？Acoust. Soc. Kr. Suppl.2(s), 39, 106 (2020).
Y. Park, K. Kim, D. S. Cho, and J. J. Lee, "Numerical？and experimental investigation on structure-acoustic？coupling effect in a reverberant water tank," J. Soc.？Nav. Archit. Korea, 56, 94-101 (2019).
K. Kim, "Acoustic field analysis of reverberant water？tank using acoustic radiosity method and experimental？verification," J. Soc. Nav. Archit. Korea, 56, 464-471 (2019).

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

[국내논문] Long short term memory 모델을 이용한 시계열 수중 소음 데이터 예측
Prediction of time-series underwater noise data using long short term memory model 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

Keyword

표/그림 (16)

표/그림 (16)

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] Long short term memory 모델을 이용한 시계열 수중 소음 데이터 예측 Prediction of time-series underwater noise data using long short term memory model 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

Keyword

표/그림 (16) 모든 표/그림 보기

표/그림 (16) 슬라이드로 보기

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

김국현 (32)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] Long short term memory 모델을 이용한 시계열 수중 소음 데이터 예측
Prediction of time-series underwater noise data using long short term memory model 원문보기

초록
AI-Helper

표/그림 (16)

표/그림 (16)