The Journal of the Acoustical Society of Korea (한국음향학회지)

The Acoustical Society of Korea (한국음향학회)
권호 표지
DOI QR코드

DOI QR Code

Active pulse classification algorithm using convolutional neural networks

콘볼루션 신경회로망을 이용한 능동펄스 식별 알고리즘

  • 김근환 (경북대학교 전자공학부) ;
  • 최승률 (경북대학교 전자공학부) ;
  • 윤경식 (김천대학교 IT융복합공학과) ;
  • 이균경 (경북대학교 전자공학부) ;
  • 이동화 (대구대학교 정보통신공학부)
  • Received : 2018.11.06
  • Accepted : 2019.01.23
  • Published : 2019.01.31
Download PDF
⟨ Previous Next ⟩

Abstract

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.

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.

Keywords

GOHHBH_2019_v38n1_106_f0001.png 이미지

Fig. 1. Non-cooperative bi-static sonar system.

GOHHBH_2019_v38n1_106_f0002.png 이미지

Fig. 2. Proposed pulse classification algorithm using convolutional neural networks.

GOHHBH_2019_v38n1_106_f0003.png 이미지

Fig. 3. Database based output layer structure.

GOHHBH_2019_v38n1_106_f0004.png 이미지

Fig. 4. Pulse feature based output layer structure.

GOHHBH_2019_v38n1_106_f0005.png 이미지

Fig. 5. Discretization of pulse features.

GOHHBH_2019_v38n1_106_f0006.png 이미지

Fig. 6. Example of sea experiments data.

GOHHBH_2019_v38n1_106_f0007.png 이미지

Fig. 7. Examples of data argumentation.

GOHHBH_2019_v38n1_106_f0008.png 이미지

Fig. 8. Training and test reysults of database based output layer structure.

GOHHBH_2019_v38n1_106_f0009.png 이미지

Fig. 9. Training and test results of pulse feature based output layer structure (start time).

GOHHBH_2019_v38n1_106_f0010.png 이미지

Fig. 10. Training and test results of pulse feature based output layer structure (end time).

Table 1. Error of pulse length estimation.

GOHHBH_2019_v38n1_106_t0001.png 이미지

References

  1. H. Cox, "Fundamentals of bistatic active sonar," in Handbook of Underwater acoustic data processing, edited by Chan Y. T. (Springer, Netherlands,1989).
  2. D. H. Lee, T. J. Jung, K. K. Lee, and M. Hyun "Source information estimation using enemy's single-ping and geographic information in non-cooperative bistatic sonar," IEEE Sensor J. 12, 2784-2790 (2012). https://doi.org/10.1109/JSEN.2012.2203454
  3. H. Schmidt-Schierhorn, A. Corsten, B. Strassner, S. Benen, and M. Meister, "The use of bistatic sonar functions on modern submarines," UDT EUROPE, 5-7 (2007).
  4. G. H. Kim, K. S. Yoon, S. Kim, E. C. Jeong, and K. K. Lee. "A study on the automatic pulse classification method for non-cooperative Bi-static Sonar system" (in Korean), J. KIMST. 21, 158-165 (2018).
  5. A. Krizhevsky, S. Ilya, and E. H. Geoffrey, "Imagenet classification with deep convolutional neural networks," Advances in neural information processing systems, 1097-1105 (2012).
  6. J. Schmidhuber, "Deep learning in neural networks: An overview," Neural networks, 61, 85-117 (2015). https://doi.org/10.1016/j.neunet.2014.09.003