비지도 학습을 활용한 자동차 실내 소음 위치 탐색 방안
Detecting the Location of Invehicle Noise Using Unsupervised Learning
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문에서는 소리의 크기 차이로 감지되는 자동차의 주요 실내소음의 발생 위치와 시점을 탐색하는 알고리즘을 제시한다. 자동차 실내에서 밀집되어 빈번하게 발생하여 자동차 운전자에게 이질적이며 중요하게 인식되는 주요 실내소음의 발생 위치를 탐색하기 위해, 인간의 소음 인식 과정을 감지, 기억, 인식의 3단계로 구분하여 모델링하고, 각 단계별로 머신러닝의 비지도 학습 기법인 밀도기반 군집분석 등을 활용한 데이터분석 방법론을 제안한다. 본 연구에서는 음향카메라로 측정된 다중 위치의 소음데이터를 활용한다. 음향카메라는 빔형성 기법을 이용하여 음향을 측정하고 형상화하는 기술로 다중 위치의 실내 음향 측정에 유용하다. 본 논문에서는 수치 예를 통해 본 연구에서 제시한 분석 방법의 타당성을 확인 하고 머신러닝의 비지도 표현학습 방법론인 오토인코더, tSNE, 그리고 PCA를 적용하여 실내소음의 탐색 결과에 따른 소음데이터의 시각화 결과를 제시한다. 본 연구에서 제시하는 알고리즘은 비지도 학습이기 때문에 대단위의 훈련데이터를 구축할 필요가 없어 데이터 수집의 경제성 및 적용 대상의 유연성 측면에서 장점을 갖는다.
Abstract
In this paper, we present an algorithm to find the location and timing of major noise in a vehicle detected by the difference in sound volume. We propose a model that describes the process of human noise recognition at three stages of detection, memory, and recognition. We present data analysis methods for each stage, including density-based clustering in machine learning to examine the location of the interior noise, generated inside the car, recognized as important and heterogeneous for the driver. We use noise data from multiple locations measured by an acoustic camera that measures and shapes the sound at a specific location using a beamforming technique. Finally, numerical examples are given for verifying the algorithm presented in this paper. In addition, interior noise data is visualized using autoencoder, tSNE, and PCA in unsupervised feature learning. Since the algorithm presented is unsupervised learning, it is unnecessary to build large-scale training data. It is therefore advantageous in terms of data collection economy and application flexibility.
참고문헌 (32)
- 강준구, "BSR 블랙박스 - 파노라믹 BSR 음향카메라", 한국소음진동공학회 2015년 춘계학술대회논문집 (2015)
- 강희재, "텍스트 네트워크 분석을 이용한 산업 간 연관성에 관한 연구 - 대한민국 제조 산업을 중심으로 -", 한국생산관리학회지, 31(3), pp.311~329 (2020), 한국생산관리학회
- 김상락, "빅 데이터가 여는 미래의세상", 정보과학회지, 30(6), pp.18~24 (2012)
- 조성욱, "한국어 텍스트 분석과 적용: 머신러닝을 통한 증권발행신고서의 비정형화된 텍스트 분석", 한국증권학회지, 48(2), pp.215~235 (2019), 한국증권학회[DOI]
- 김진국, "한국 자동차 품질 백서 2007-2011" (2011), 마케팅인사이트
- 김혜진, "마케팅 분야의 머신러닝 연구 동향 분석", 마케팅연구, 36(1), pp.1~25 (2021), 한국마케팅학회[DOI]
- 부석준, "Short-time Fourier transform 소음맵을 이용한 컨볼루션기반 BSR (Buzz, Squeak, Rattle) 소음 분류", 한국음향학회지, 37(4), pp.256~261 (2018), 한국음향학회[DOI]
- 신수현, "자동차 계기판 BSR 소음특성 평가", 한국소음진동공학회논문집, 20(7), pp.644~650 (2010), 한국소음진동공학회
- 신수현, "자동차 BSR 소음특성과음질 인덱스 개발", 한국소음진동공학회 학술대회논문집, pp.447~452 (2012)
- 양원석, "데이터마이닝 및 전방향 음향카메라를 활용한 자동차 실내의 BSR 소음 위치탐색 방안", 한국생산관리학회지, 27(3), pp.309~323 (2016), 한국생산관리학회[DOI]
- 윤민지, "온라인 리뷰의 텍스트 분석을 통한 Kano 모델 품질속성 판별 기법", 한국생산관리학회지, 31(1), pp.95~109 (2020), 한국생산관리학회[DOI]
- 윤민지, "온라인 리뷰의 텍스트 분석을 통한 고객 평점 예측에 관한 연구", 한국생산관리학회지, 32(1), pp.89~103 (2021), 한국생산관리학회
- 이정권, "자동차의 실내소음에 대하여", 한국소음진동공학회지, 3(1), pp.11~21 (1993)
- 이호근, "성당에서 시장으로" (2021), 연세대학교 대학출판문화원
- 최호일, "차량 시트 가진 및 작동 내구 BSR 시험법 연구", 한국산학기술학회논문지, 16(4), pp.2436~2441 (2015), 한국산학기술학회[DOI]
- Choi, S. -U., "The Identification of Vehicle BSR Noises Using Acoustic Fingerprint and its Application", Japan Society of Automotive Engineers, 2014, pp.20145358~ (2014)
- Christensen, J. J., "Beamforming, Bruel & Kjaer technical reviews", Bruel & Kjaer Sound&Vibration Measurement A, 2004
- Cook, V. G. C., "End-of-line inspection for annoying noises in automobiles:Trends and perspectives", Applied Acoustics, 73(3), pp.265~275 (2012)
- Ester, M., "A density-based algorithm for discovering clusters in large spatial databases with noise", In Kdd, 96(34), pp.226~231 (1996)
- Geron, A., "Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems" (2019), O'Reilly Media
- Goodfellow, I. J., "Generative adversarial networks", arXiv preprint arXiv:1406.2661, ~ (2014)
- Han, J., "Data mining concepts and techniques" (2011), Morgan Kaufmann Publishers Inc
- Hinton, G. E., "Reducing the dimensionality of data with neural networks", Science, 313(5786), pp.504~507 (2006)
- James, G., "An introduction to statistical learning" (2013), springer
- Kahneman, D., "Thinking, fast and slow" (2011), Macmillan
- Kim, J. Y., "Hybrid deep learning based on GAN for classifying BSR noises from invehicle sensors", International Conference on Hybrid Artificial Intelligence Systems, pp.27~38 (2018), Springer
- LeCun, Y., "Deep learning", Nature, 521(7553), pp.436~444 (2015)
- Muller, A. C., "Introduction to machine learning with Python: a guide for data scientists" (2016), O'Reilly Media, Inc.
- Schlegl, T., "Unsupervised anomaly detection with generative adversarial networks to guide marker discovery", International conference on information processing in medical imaging (2017), Springer
- Schubert, E., "DBSCAN revisited, revisited: why and how you should (still)use DBSCAN", ACM Transactions on Database Systems, 42(3), pp.1~21 (2017)
- Seo, D. H., "Buzz, squeak, and rattle noise classification by using acoustic-fingerprinting technology", The Journal of the Acoustical Society of America, 135(4), pp.2297~2297 (2014)
- Zhao, Y., "R and data mining: Examples and case studies" (2012), Academic Press