[논문]어텐션 기반 게이트 순환 유닛을 이용한 수동소나 신호분류

고건혁; 이기배; 이종현

doi:10.7776/ask.2023.42.4.345

어텐션 기반 게이트 순환 유닛을 이용한 수동소나 신호분류
Passive sonar signal classification using attention based gated recurrent unit 원문보기

한국음향학회지= The journal of the acoustical society of Korea, v.42 no.4, 2023년, pp.345 - 356

고건혁 (제주대학교 해양시스템공학과) , 이기배 (제주대학교 해양시스템공학과) , 이종현 (제주대학교 해양시스템공학과)

초록
AI-Helper

수동소나의 표적신호는 수초 내 세기의 변화를 갖는 협대역 고조파 특성과 로이드 거울 효과에 의한 장시간 주파수 변이 특성을 나타낸다. 본 논문에서는 지역 및 전역적 시계열 특징을 학습하는 게이트 순환 유닛 기반의 신호분류 알고리즘을 제안한다. 제안하는 알고리즘은 게이트 순환 유닛을 이용한 다층 네트워크를 구성하고 확장된 연결을 통해 지역 및 전역적 시계열 특징들을 추출한다. 이후 어텐션 메커니즘을 학습하여 시계열 특징들을 가중하고 수동소나 신호를 분류한다. 공개된 수중 음향 데이터를 이용한 실험에서 제안된 네트워크는 96.50 %의 우수한 분류 정확도를 보였다. 이러한 결과는 기존의 잔차 연결된 게이트 순환 유닛 네트워크과 비교하여 4.17 % 높은 분류 정확도를 갖는다.

Abstract ▼ AI-Helper

Target signal of passive sonar shows narrow band harmonic characteristic with a variation in intensity within a few seconds and long term frequency variation due to the Lloyd's mirror effect. We propose a signal classification algorithm based on Gated Recurrent Unit (GRU) that learns local and global time series features. The algorithm proposed implements a multi layer network using GRU and extracts local and global time series features via dilated connections. We learns attention mechanism to weight time series features and classify passive sonar signals. In experiments using public underwater acoustic data, the proposed network showed superior classification accuracy of 96.50 %. This result is 4.17 % higher classification accuracy compared to existing skip connected GRU network.

주제어

표/그림 (15)

그림 Fig. 1. (Color available online) Architecture of GRU.
그림 Fig. 2. (Color available online) Classification models based on (a) stacked GRU network, (b) skip connected GRU network and (c) attention dilated GRU network.
그림 Fig. 3. (Color available online) Spectrograms according to ship type.
그림 Fig. 4. (Color available online) (a) Narrowband harmonics and (b) frequency shift characteristics of motor boat signal.
표 Table 1. Underwater acoustic dataset for experiments.
표 Table 2. Parameters and settings for data processing.
표 Table 3. Attention dilated GRU network architecture.
표 Table 4. Accuracy in % and training time for classification models evaluated with ShipEar dataset.
그림 Fig. 5. (Color available online) Confusion matrices. (a) CNN, (b) skip connected GRU network, (c) uniform dilated GRU network, (d) attention dilated GRU network.
표 Table 5. Accuracy in % for classification models evaluated using low frequency features.
그림 Fig. 6. (Color available online) t-SNE plots of feature vectors extracted from the (a) 1st layer, (b) 3rd layer, (c) 5th layer and (d) 7th layer.
그림 Fig. 7. (Color available online) Attention weights learned according to feature vectors extracted from each layer.
그림 Fig. 8. (Color available online) Attention weights learned using low frequency features.
그림 Fig. 9. (Color available online) Average accuracies for cumulative sum of feature vectors according to layer order.
그림 Fig. 10. (Color available online) Average accuracies for cumulative sum of feature vectors according to order of attention weights.

참고문헌 (19)

Y. C. Jung, B. U. Kim, S. K. An, W. J. Seong, and K.？H. Lee, "An algorithm for submarine passive sonar？simulator" (in Korean), J. Acoust. Soc. Kr. 32, 472-483 (2013).
K. Lee, J. Kim, M. J. Cheong, Y. W. Ryu, J. Bae, and？C. H. Lee, "Separation and denoising algorithm of？passive sonar target signals in frequency domain" (in？Korean), J. IEIE, 55, 88-96 (2018).
J. K. Ahn, H. D. Cho, D. Shin, T. Kwon, and G. T.？Kim, "LOFAR/DEMON grams compression method？for passive sonar" (in Korean), J. Acoust. Soc. Kr. 39,？38-46 (2020).
S. E. Lee, S. B. Hwang, and D. Y. Noh, "A study on？the algorithm for underwater target automatic classification using the passive sonar" (in Korean), J. KIMS？Technol. 3, 76-84 (2000).
B. Mishachandar and S. Vairamuthu, "Diverse ocean？noise classification using deep learning," Appl. Acoust.？181, 108141 (2021).

상세보기
G. Song, X. Guo, W. Wang, Q. Ren, J. Li, and L. Ma,？"A machine learning-based underwater noise classification method," Appl. Acoust. 184, 108333 (2021).

상세보기
C. Satheesh, S. Kamel, A. Mujeeb, and M. H. Supriya,？"Passive sonar target classification using deep generative β-VAE," IEEE Signal Process. Lett. 28, 808-812？(2021).
N. H. Bach, L. H. Vu, and V. D. Nguyen, "Classification of surface vehicle propeller cavitation noise？using spectrogram processing in combination with？convolution neural network," Sensors, 21, 3353 (2021).

상세보기
F. Liu, T. Shen, Z. Luo, D. Zhao, and S. Guo, "Underwater target recognition using convolutional recurrent？neural networks with 3-D mel-spectrogram and data？augmentation," Appl. Acoust. 178, 107989 (2021).
S. Kim, S. K. Jung, D. Kang, M. Kim, and S. Cho,？"Application of the artificial intelligence for automatic detection of shipping noise in shallow-water"？(in Korean), J. Acoust. Soc. Kr. 39, 279-285 (2020).
K. M. Park and D. Kim, "Preprocessing performance？of convolutional neural networks according to characteristic of underwater targets" (in Korean), J. Acoust.？Soc. Kr. 41, 629-636 (2022).
A. Sherstinsky, "Fundamentals of recurrent neural network (RNN) and long short-term memory (LSTM)？network," Physica D: Nonlinear Phenomena, 404,？132306 (2020).

상세보기
J. Chung, C. Gulcehre, K. H. Cho, and Y. Bengio,？"Empirical evaluation of gated recurrent neural networks on sequence modeling," Proc. NIPS Workshop？on Deep Learning, 1-9 (2014).
X. Zhang, Y. Sun, K. Jiang, C. Li, L. Jiao, and H.？Zhou, "Spatial sequential recurrent neural network for？yperspectral image classifcation," IEEE J. Sel. Top.？Appl. Earth Obs. Remote Sens. 11, 4141-4155 (2018).
S. Singh, S. K. Pandey, U. Pawar, and R. R. Janghel,？"Classification of ECG arrhythmia using recurrent？neural networks," Procedia Computer Science, 132,？1290-1297 (2018).

상세보기
S. Chang, Y. Zhang, W. Han, M. Yu, X. Guo, W. Tan,？X. Cui, M. Witbrock, M. Hasegawa-Johnson, and T.？S. Huang, "Dilated recurrent neural networks," Proc.？31st Conf. NIPS, 1-13 (2017).
S. H. Kang, "A study on the Lloyd's mirror effect on？the underwater radiated noise for the underwater？vehicle" (in Korean), J. Acoust. Soc. Kr. 40, 314-319 (2021).
L. E. Kinsler, A. R. Frey, A. B. Coppens, and J. V.？Sanders, Fundamentals of Acoustics (John Wiley &？Sons, New Jersey, 1999), Chap. 15.
D. S. Domingues, S. T. Guijarro, A. C. Lopez, and A.？P. Gimenez, "ShipEar: An underwater vessel noise？database," Appl. Acoust. 113, 64-69 (2016).

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