신경망과 LPC 계수를 이용한 고래 소리의 분류
Classification of Whale Sounds using LPC and Neural Networks
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
수중천이신호는 복잡하고 시변, 비선형 및 짧은 지속성의 특성을 지니고 있어서 기준패턴으로 모델링 하기가 어렵다. 본 논문에서는 이러한 신호들을 프레임간의 중첩을 허용하는 일정한 짧은 신호로 잘라서 분석 한다. 더빈 알고리듬을 이용하여 20차의 선형예측계수(LPC)를 프레임마다 추출하여 2층 은닉신경망회로의 입력 신호로 사용한다. 추출된 선형예측계수들의 65%는 신경망구조의 학습에 이용되고 35%는 시험용 입력신호로 사 용된다. 고래소리 분류에 사용된 고래 종류는 대왕고래, 들쇠고래, 귀신고래, 혹등고래, 밍크고래, 북방긴수염고 래 등이다. 결과적으로 이러한 시험용의 신호들로부터 83%이상의 고래 소리 평균 분류율을 얻을 수 있었다
Abstract
The underwater transients signals contain the characteristics of complexity, time varying, nonlinear, and short duration. So it is very hard to model for these signals with reference patterns. In this paper we separate the whole length of signals into some short duration of constant length with overlapping frame by frame. The 20th LPC(Linear Predictive Coding) coefficients are extracted from the original signals using Durbin algorithm and applied to neural network. The 65% of whole signals were learned and 35% of the signals were tested in the neural network with two hidden layers. The types of the whales for sound classification are Blue whale, Dulsae whale, Gray whale, Humpback whale, Minke whale, and Northern Right whale. Finally, we could obtain more than 83% of classification rate from the test signals.
참고문헌 (14)
- 박수진, "우리나라 해양관광산업 육성을 위한 정책 개선방향에 관한 고찰", 해양환경안전학회지, 18(2), pp.131~138 (2012), 해양환경안전학회
- 임태균, "MFCC 특징 벡터를 이용한 수중 천이 식호 식별", 한국통신학회논문지C, 32(8), pp.675~680 (2007), 한국통신학회
- T.G. Lim, "Frame Based Classification of Underwater Transient Signal using MFCC Feature Vector and Neural Network", The Proceeding of Korea Electronics Association, 31(1), pp.883~884 (2008)
- J.G. Jung, "Feature Extraction and Classification of Underwater Transient Signal using MFCC and Wavelet Packet Based on Entropy", The Proceeding of Korea Univ.-Industry Tech Association, pp.781~784 (2009)
- 김주호, "베이즈 분류기를 이용한 수중 배경소음하의 과도신호 분류", 한국해양공학회지, 26(4), pp.57~63 (2012), 한국해양공학회
- D. Cazu, "Bi-class of Humpback Whale Sound Units Against Complex Background Noise With Deep Convolution Neural Network", Workshop Track-ICLR 2017, pp.1~7 (2017)
- Sherin B.M., "WOA based Selection and Parameter Optimization of SVM Kernel Function for Underwater Target Classification", International J. of Advanced Research in Computer Science, 8(3), pp.223~226 (2017)
- Micheal Bittle, "A review of current marine mammal detection and classification algorithms for use in automated passive acoustic monitoring", Proceeding of Acoustics, pp.1~8 (2013)
- U.P. Chong, "Underwater Transient Signal Classification Apparatus and Method", The Petition of Korean Patent, #10-2017-0146963, ~ (2017)
- 정의필, "선형예측계수와 뇌파의 변화를 이용한 신경회로망 기반 운전자의 졸음 감지 시스템", 융합신호처리학회 논문지, 13(3), pp.136~141 (2012), 한국융합신호처리학회
- A.V. Oppenheim, "Discrete-Time Signal Processing", pp.635~650 (1999), Prentice Hall
- H.S. Han, "Neural Network Based Detection of Drowsiness with Eyes Open using AR Modeling", IETE Tech. Review, 33(5), pp.518~524 (2016)
- Antonio Guli, "Deep Learning with Keras", Acorn Publisher
- Saito K, "Deep Learning from Scratch" (2017), Hanbit Media Inc