• 한국음향학회지
• /
• 제22권7호
• /
• pp.562-572
• /
• 2003

수동 소나를 이용하여 기동 표적의 위치를 추정하는 정합-표적모델 역산 기법을 개발하였다. 본 기법은 수중음향학 분야에서 널리 사용되는 정합장 역산 방법을 이용하여 관측으로부터 얻어지는 방위와 주파수를 표적모델에 의해 계산되는 값과 정합 시킴으로써 표적의 위치를 파악한다. 효율성과 정확성을 향상시키기 위하여 변수의 탐색 방식은 혼성 최적화 기법을 이용하였는데 일차적으로 광역 최적화 기법으로 알려진 유전자 기법이나 모사 담금질 기법을 적용한 후 단순 비탈 국부최적화 기법을 순차적으로 적용하였다. 제안 기법의 성능 검증을 위하여 3가지의 기동 시나리오에 대하여 시뮬레이션을 실시하였다. 검증 결과 가우시안 확률분포를 갖는 측정오차가 5σ를 가지는 경우에도 견실한 수렴을 보여주었으며 계산 시간면에서도 실용적 인 것으로 밝혀졌다.

• 한국음향학회지
• /
• 제43권1호
• /
• pp.78-88
• /
• 2024

수중 소음 측정이 가능한 수동 소나에 수신된 선박 방사소음은 Detection of Envelope Modulation on Noise(DEMON) 분석으로 얻은 선박 정보를 사용하여 선박 식별과 분류가 가능하다. 하지만 낮은 신호대잡음비(Signal-to-Noise Ratio, SNR) 환경에서는 DEMON 그램 내 선박 정보가 담겨있는 표적 주파수선을 분석 및 파악하는데 어려움이 발생한다. 본 논문에서는 낮은 SNR 환경에서 보다 정확한 표적 식별을 위해 딥러닝 기법 중 의미론적 분할을 사용하여 표적 주파수선들을 추출하는 연구를 수행하였다. SNR과 기본 주파수를 변경시키며 생성한 모의 DEMON 그램 데이터를 사용하여 의미론적 분할 모델인 U-Net, UNet++, DeepLabv3+를 학습 후 평가하였고, 학습된 모델들을 이용하여 캐나다 조지아 해협에서 측정한 선박 방사소음 데이터셋인 DeepShip으로 제작한 DEMON 그램 예측 성능을 비교하였다. 모의 DEMON 그램으로 학습된 모델을 평가한 결과 U-Net이 성능이 가장 높았으며, DeepShip으로 만든 DEMON 그램의 표적 주파수선을 어느 정도 추출할 수 있는 것을 확인하였다.