《기초과학부문들을 발전시켜야 나라의 과학기술수준을 빨리 높일수 있고인민경제 여러 분야에서 나서는 과학기술적문제들을 원만히 풀수 있으며과학기술을 주체성있게 발전시켜나갈수 있습니다.》 (
물고기와 같은 수중목표들의 탐지와 식별은 수중음향신호처리의 기본임무의 하나이며 과학부문과 수산업, 해양공학과 경제분야에 대하여 대단히 중요하다. 웨블레트변환을 결합한 중첩신경망은 신호의 자료처리량과 신호분석의 계산량을 감소시킬뿐만아니라 목표탐지와 식별의 성능을 개선한다.
연구조에서는 수중음향신호를 효과적으로 식별하고 목표탐지정확성을 높이기 위하여 웨블레트변환과 결합한 중첩신경망을 리용하여 수중음향신호를 식별하는 한가지 심층학습방법을 제기하고 실험을 통하여 새로운 수중음향신호식별방법의 성능을 고전적인 방법들과 비교하여 평가하기 위한 연구사업을 진행하였다.
지난 시기 수중음향신호식별에 리용한 인공신경망은 역전파신경망과 같은 얕은 신경망이다. 역전파신경망은 망의 최적화가 쉽지 않고 일반화능력과 주위배경잡음속에서 식별정확성이 낮으며 최적값이 아닌 국부적극소풀이에로 수렴하는 현상과 수렴속도가 느린 제한성을 가지고있다.
최근 심층신경망들이 전세계적인 관심을 받으며 급속히 발전하고있으며 넓은 분야에서 성과를 달성하고있다. 심층신경망은 최적값이 아닌 국부적극소풀이에로 수렴하는 현상이 드물고 일반화능력이 높은 우점을 가지고있다.
곱등어와 같은 수중목표에서 복사된 수중음향신호들은 보통 시간에 따라서 변하며 우연특성과 비정상성을 가진다. 또한 신호대잡음비가 낮기때문에 특징성분을 추출하는것은 어려우며 정보의 적응성을 떨어뜨린다. 리산웨블레트분석은 잡음제거와 특징추출에 대하여 효과적이며 수중음향신호와 같은 비정상우연신호처리의 강력한 도구로 되고있다.
새로운 수중음향신호식별방법은 웨블레트변환과 결합한 중첩신경망에 기초하고있다. 이 방법은 수중음향신호의 백색잡음제거단계와 화상화단계, 자료확장단계, 식별단계로 이루어진다.(그림 1) 백색잡음제거단계는 리산웨블레트변환에 기초한 백색잡음제거단계이다. 화상화단계는 백색잡음제거한 수중음향신호의 리산웨블레트곁수들의 스펙트로그람에 기초하여 화상을 얻는 단계이다. 자료확장단계는 수중음향신호의 화상화에 기초하여 자료를 확장하는 단계이다. 식별단계는 중첩신경망을 리용하여 수중음향신호를 식별하는 단계이다.
식별단계에서 리용한 수중음향신호를 식별하기 위한 새로운 중첩신경망의 구조는 그림 2와 같다. 새로운 중첩신경망은 4개의 중첩블로크와 각각 1개의 입구층과 신경망생략층, 전결합층, 유연최대층, 출구층으로 이루어지며 총 21개의 층을 가진다. 한개의 중첩블로크는 중첩층과 묶음정규층, ReLU층, 최대값선택층으로 구성된다.
실험결과들은 새로운 방법이 식별정확성과 장애안정성측면에서 실질적인 증가가 있다는것을 보여주었다. 그리고 학습곡선들은 제기한 중첩신경망에서 과적합이 나타나지 않고 일반화능력이 높으며 고전적인 신경망들보다 수중음향신호식별정확성과 수렴성이 개선되였다는것을 보여주었다.
이 방법을 전방향어군탐지기와 어로용그물감시기와 같은 수중음향기구들에 도입하여 수중음향신호식별정학성과 목표발견확률을 높일수 있다.
우리는 수중음향신호식별에 리산웨블레트변환을 결합한 새로운 중첩신경 망을 적용한 식별결과와 성능평가량을 가지고 2021년에 SCI국제잡지 《International Journal of Wavelet, Multiresolution and Information Processing》(Vol.19, No.4, 2021, 2050092)에 《Amethod for underwater acoustic signal classification using convolutional neural network combined with discrete wavelet transform》(https://www.worldscientific.com/doi/10.1142/S0219691320500927)의 제목으로 론문을 발표하였다.
