천해환경에서 수직선배열을 이용한 머신러닝 기반의 음원 거리 추정 연구

Abstract

수중 음원 거리 추정을 위해 다양한 형태의 배열센서가 사용되며, 수직선배 열(Vertical Line Array; VLA)을 이용한 경우 정합장 처리(Matched Field Processing), 배열 불변성(Array Invariant; AI) 등의 기법이 적용 및 연구되 고 있다. 최근 컴퓨터 성능과 인공지능 알고리즘 발전으로 음원 위치 추정 연 구에도 머신러닝(Machine Learning; ML) 기법을 적용하기 위한 연구가 활발 히 수행중이고 음향 데이터의 Sample Covariance Matrix(SCM), Generalized Cross Correlation(GCC) 같은 특징이 활용되었다. 본 논문에서 는 SCM 및 GCC를 특징으로 한 머신러닝 기반 거리 추정(ML-SCM, ML-GCC)의 성능 평가를 위해 Shallow-water Acoustic Variability Experiment (SAVEX-15)에서 계류한 두 개의 VLA에 수신된 온누리호 선박 방사소음 데이터를 이용하였다. GPS(Global Positioning System) 기반 선박 과 각 VLA 거리정보와 SCM, GCC로 학습하여 음원 거리 추정 모델을 설계 하고 학습에 사용되지 않은 데이터 구간에 적용하여 Mean Absolute Percentage Error를 계산한 결과 ML-SCM은 10.5%, ML-GCC는 20.0%가 나왔다. 머신러닝을 적용하지 않은 AI를 이용하여 추정한 거리 오차는 9.7% 로 머신러닝 기반 거리 추정보다 우세한 것으로 나타났다. 머신러닝 기반 거 리 추정 오차의 원인을 타선박의 접근, VLA 기울어짐, 수심변화의 관점에서 확인하였고, 기울어짐과 수심변화를 반영하여 실험 데이터를 재구성하여 모델 을 학습하고 온누리호와 각 VLA의 거리를 추정한 결과 ML-SCM은 2.7%, AI는 8.2%, ML-GCC는 16.5% 오차를 나타냈다. 본 연구에서는 SCM을 특징 으로 학습된 모델의 성능이 가장 우수한 것으로 확인되었지만, 향후 음속구조 를 비롯한 기타 환경 변수의 영향, 시뮬레이션 데이터와의 연계, 다양한 학습 모델 적용 등이 고려된 연구가 필요하다.