[논문]수중방사소음의 비선형매핑 해석에 의한 선박 클래스 식별

이필호; 허보현; 박형욱; 윤종락

문제 정의

본 논문은 선박식별의 자동화를 위한 기초 연구로서 각 선박의 수중방사소음에 대한 특성인자를 도출하고 비선형매핑을 적용하여 선박들을 클래스 별로 분류함으로서 식별 가능성을 평가하였다. 일반적인 데이터에 대한 특성벡터 개념으로부터 수중방사소음에 대한 특성벡터 추출방법을 제시하고, 비선형매핑법을 유도한 후 명확한 특성을 가지는 인공적으로 생성한 데이터 집합을 이용하여 방법의 타당성을 검증하였다.
본 연구는 각 선박의 수중방사소음이 대한 특성인자들을 도출하고 비선형매핑 알고리듬을 적용함으로서 선박들의 클래스별 분류 가능성을 평가하였다. 일반적인 데이터에 대한 특성벡터의 개념을 도입하여 선박방사소음 데이터에 대한 특성벡터 추출방법을 구체적으로 제시하였으며, 추출된 특성벡터들을 분류하기 위하여 비선형매핑법을 제시하였다.

가설 설정

ο 동일 조건(즉, 동일 선박, 동일 속도 등에서 특성은 시간에 따라 변화하지 않아야 한다. (특성의 반복발생확률 = 1.

제안 방법

본 논문은 선박식별의 자동화를 위한 기초 연구로서 각 선박의 수중방사소음에 대한 특성인자를 도출하고 비선형매핑을 적용하여 선박들을 클래스 별로 분류함으로서 식별 가능성을 평가하였다. 일반적인 데이터에 대한 특성벡터 개념으로부터 수중방사소음에 대한 특성벡터 추출방법을 제시하고, 비선형매핑법을 유도한 후 명확한 특성을 가지는 인공적으로 생성한 데이터 집합을 이용하여 방법의 타당성을 검증하였다. 또한 수중방사소음 실제 데이터에 적용함으로서 알고리듬의 적용 가능성 및 선박의 식별 가능성을 평가하였다.
일반적인 데이터에 대한 특성벡터 개념으로부터 수중방사소음에 대한 특성벡터 추출방법을 제시하고, 비선형매핑법을 유도한 후 명확한 특성을 가지는 인공적으로 생성한 데이터 집합을 이용하여 방법의 타당성을 검증하였다. 또한 수중방사소음 실제 데이터에 적용함으로서 알고리듬의 적용 가능성 및 선박의 식별 가능성을 평가하였다.
일반적인 데이터에 대한 특성벡터 개념으로부터 수중방사소음에 대한 특성벡터 추출방법을 제시하고, 비선형매핑법을 유도한 후 명확한 특성을 가지는 인공적으로 생성한 데이터 집합을 이용하여 방법의 타당성을 검증하였다. 또한 수중방사소음 실제 데이터에 적용함으로서 알고리듬의 적용 가능성 및 선박의 식별 가능성을 평가하였다.
본 논문에서는 수십척의 선박들에 대한 방사소음을 조사했으며, 선박의 기계적인 구조의 자이 및 항해 상태의 차이 등으로 인하여 방사소음 스펙트럼들을 결정하는 매개변수들이 다소 차이를 가진다는 사실을 알 수 있었다. 그 결과에 의해, 본 논문에서는 특성신호의 위치 및 강도 등을 포함하는 6가지 성분들을 샘플들을 대표하는 특성벡터의 성분들로 선택하였다. 이 경우에 있어, 샘플은 개별 선박이다.
본 연구에서 사용된 반복계산법은 steepest descent technique이며, 비선형매핑 알고리듬을 검증하기 위하여 인공적으로 생성한 몇가지 데이터 집합들에 대한 시뮬레이션을 수행하였다. 그 결과들 중에서 본 논문에서는 가우시안분포 데이터에 대한 매핑결과를 선형 매핑인 고유벡터를 이용한 매핑결과와 비교하여 그림 1 및 그림 2에 제시하였다.
본 논문에서 선정한 샘플들은 A 클래스 3척, B 클래스 3척 및 C 클래스 20척을 대상으로 하였다. C 클래스의 선박 샘플의 수가 알고리듬을 검증하는데 적합하므로 우선 C 클래스 선박들의 수중방사소음 데이터들 중 디젤엔진과 가스터빈의 추진기관 분류가 가능한지 비선형매핑을 적용하였다. 각 샘플들은 같은 속력 15노트에서 추출한 데이터이며, 그 결과는 그림 3과 같다.
본 논문에서 선정한 샘플들은 A 클래스 3척, B 클래스 3척 및 C 클래스 20척을 대상으로 하였다. C 클래스의 선박 샘플의 수가 알고리듬을 검증하는데 적합하므로 우선 C 클래스 선박들의 수중방사소음 데이터들 중 디젤엔진과 가스터빈의 추진기관 분류가 가능한지 비선형매핑을 적용하였다. 각 샘플들은 같은 속력 15노트에서 추출한 데이터이며, 그 결과는 그림 3과 같다.
A, B 및 C 클래스 26척의 선박에 대하여 속력 15노트에서 추출한 수중방사소음 특성벡터들에 대해 비선형매핑을 적용하였으며, 그 결과는 그림 4와 같다.
A, B 및 C 클래스 26척의 선박에 대하여 속력 15노트에서 추출한 수중방사소음 특성벡터들에 대해 비선형매핑을 적용하였으며, 그 결과는 그림 4와 같다.
본 연구는 각 선박의 수중방사소음이 대한 특성인자들을 도출하고 비선형매핑 알고리듬을 적용함으로서 선박들의 클래스별 분류 가능성을 평가하였다. 일반적인 데이터에 대한 특성벡터의 개념을 도입하여 선박방사소음 데이터에 대한 특성벡터 추출방법을 구체적으로 제시하였으며, 추출된 특성벡터들을 분류하기 위하여 비선형매핑법을 제시하였다. 또한 인공적으로 생성된 명확한 특성의 데이터들을 적용함으로서 방법의 타당성을 검증하였으며, 실제 선박들의 수중방사소음 데이터에 적용함으로서 선박 식별방법으로서의 적용 가능성을 확인하였다.

대상 데이터

앞에서 유도한 수중방사소음 특성추출 방안 및 비선형매핑법을 수중방사소음 실제 데이터에 적용하기 위하여 수중방사소음 샘플의 선정이 우선적으로 수행되어야 한다. 본 논문에서 선정한 샘플들은 A 클래스 3척, B 클래스 3척 및 C 클래스 20척을 대상으로 하였다. C 클래스의 선박 샘플의 수가 알고리듬을 검증하는데 적합하므로 우선 C 클래스 선박들의 수중방사소음 데이터들 중 디젤엔진과 가스터빈의 추진기관 분류가 가능한지 비선형매핑을 적용하였다.
앞에서 유도한 수중방사소음 특성추출 방안 및 비선형매핑법을 수중방사소음 실제 데이터에 적용하기 위하여 수중방사소음 샘플의 선정이 우선적으로 수행되어야 한다. 본 논문에서 선정한 샘플들은 A 클래스 3척, B 클래스 3척 및 C 클래스 20척을 대상으로 하였다. C 클래스의 선박 샘플의 수가 알고리듬을 검증하는데 적합하므로 우선 C 클래스 선박들의 수중방사소음 데이터들 중 디젤엔진과 가스터빈의 추진기관 분류가 가능한지 비선형매핑을 적용하였다.

이론/모형

그러나, 이 과정은 현실적으로 어렵기 때문에 smoothing 기법을 사용하여 해결하며, 본 논문에서는 소음 규준화 기법(Noise Normalization Technique)을 사용하였다 [4, 5].
이러한 특성벡터 매개변수 추출에 있어 방사소음 신호는 충분한 시간동안 평균되어 잡음을 최소화하여야한다. 그러나, 이 과정은 현실적으로 어렵기 때문에 smoothing 기법을 사용하여 해결하며, 본 논문에서는 소음 규준화 기법Noise Normalization Technique)을 사용하였다 [4,5].
본 연구에서는 샘플사이거리를 보존하는 방법으로 샤몬(Sammon) 매핑을 사용하였으며, 그 과정은 다음과 같다 [3,6,7].
이제 식 (13)에서 ε이 최소가 되는 점을 찾기 위하여 반복계산법(iterative method)이 사용된다. 본 연구에서 사용된 반복계산법은 steepest descent technique이며, 비선형매핑 알고리듬을 검증하기 위하여 인공적으로 생성한 몇가지 데이터 집합들에 대한 시뮬레이션을 수행하였다.
이제 식 (13)에서 ε이 최소가 되는 점을 찾기 위하여 반복계산법(iterative method)이 사용된다. 본 연구에서 사용된 반복계산법은 steepest descent technique이며, 비선형매핑 알고리듬을 검증하기 위하여 인공적으로 생성한 몇가지 데이터 집합들에 대한 시뮬레이션을 수행하였다. 그 결과들 중에서 본 논문에서는 가우시안분포 데이터에 대한 매핑결과를 선형 매핑인 고유벡터를 이용한 매핑결과와 비교하여 그림 1 및 그림 2에 제시하였다.

성능/효과

본 논문에서는 수십척의 선박들에 대한 방사소음을 조사했으며, 선박의 기계적인 구조의 차이 및 항해 상태의 차이 등으로 인하여 방사소음 스펙트럼들을 결정하는 매개변수들이 다소 차이를 가진다는 사실을 알 수 있었다.
본 논문에서는 수십척의 선박들에 대한 방사소음을 조사했으며, 선박의 기계적인 구조의 자이 및 항해 상태의 차이 등으로 인하여 방사소음 스펙트럼들을 결정하는 매개변수들이 다소 차이를 가진다는 사실을 알 수 있었다. 그 결과에 의해, 본 논문에서는 특성신호의 위치 및 강도 등을 포함하는 6가지 성분들을 샘플들을 대표하는 특성벡터의 성분들로 선택하였다.
그림에서 보여주는 바와 같이 가우시안 분포 데이터에 대한 고유벡터를 이용한 매핑결과는 2개의 클래스만이 분류되고 나머지는 중첩되어 나타나고 있으나, 비선형매핑의 경우는 샘플사이거리 및 데이터의 분포특성이 잘 보존되고 있음을 보여주고 있어 본 논문에서 도입한 비선형매핑법의 타당성을 확인할 수 있었다.
그림에서 보여주는 바와 같이 가우시안 분포 데이터에 대한 고유벡터를 이용한 매핑결과는 2개의 클래스만이 분류되고 나머지는 중첩되어 나타나고 있으나, 비선형매핑의 경우는 샘플사이거리 및 데이터의 분포특성이 잘 보존되고 있음을 보여주고 있어 본 논문에서 도입한 비선형매핑법의 타당성을 확인할 수 있었다.
"그림에서 보여주는 바와 같이 A 클래스는 ""A"", B 클래스는""B"", C 클래스는 ""C""로서 표시되어 있으며, A 및 B 클래스의 샘플 부족으로 정확한 정의는 할 수 없으나 본 논문에서 제시하고 있는 특성추출방법 및 비선형매핑 알고리듬이 선박 식별을 위한 하나의 방법으로 사용될 수 있는 가능성을 보여주고 있다 물론 여기서도 볼 수 있듯이 A 및 B 클래스 샘플들 중에서 각각 하나의 샘플들이 잘못 분류되고 있으며, 이로부터 특성 벡터에 대한 충분한 검토가 필요함을 알 수 있다."
일반적인 데이터에 대한 특성벡터의 개념을 도입하여 선박방사소음 데이터에 대한 특성벡터 추출방법을 구체적으로 제시하였으며, 추출된 특성벡터들을 분류하기 위하여 비선형매핑법을 제시하였다. 또한 인공적으로 생성된 명확한 특성의 데이터들을 적용함으로서 방법의 타당성을 검증하였으며, 실제 선박들의 수중방사소음 데이터에 적용함으로서 선박 식별방법으로서의 적용 가능성을 확인하였다.

후속연구

그림에서 보여주는 바와 같이 A 클래스는 “A”, B 클래스는 ”B", C 클래스는 “C”로서 표시되어 있으며, A 및 B 클래스의 샘플 부족으로 정확한 정의는 할 수 없으나 본 논문에서 제시하고 있는 특성추출방법 및 비선형매핑 알고리듬이 선박 식별을 위한 히나의 방법으로 사용될 수 있는 가능성을 보여주고 있다 물론 여기서도 볼 수 있듯이 A 및 B 클래스 샘플들 중에서 각각 하나의 샘플들이 잘못 분류되고 있으며, 이로부터 특성벡터에 대한 충분한 검토가 필요함을 알 수 있다.
이러한 현상은 추출된 특성벡터들이 같은 선박의 같은 속력임을 고려하면 충분히 가능한 현상으로 판단되며, 보다 더 나은 식별율을 위해서는 가장 근본적인 문제인 특성벡터 추출과정에 대한 보다 심층적인 연구가 필요할 것으로 생각된다.

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] 수중방사소음의 비선형매핑 해석에 의한 선박 클래스 식별
Ship-class Classification by Nonlinear Mapping Analysis for Underwater Radiated Noise 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 수중방사소음의 비선형매핑 해석에 의한 선박 클래스 식별 Ship-class Classification by Nonlinear Mapping Analysis for Underwater Radiated Noise 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 수중방사소음의 비선형매핑 해석에 의한 선박 클래스 식별
Ship-class Classification by Nonlinear Mapping Analysis for Underwater Radiated Noise 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper