CNN 알고리즘을 이용한 노이즈맵핑 연구

Abstract

본 논문에서는 CNN 알고리즘을 이용하여 마이크 간 시간차 데이터로부터 소음원의 위치를 추정할 수 있는 위치예측 기법과 수음 영역에서의 음압분포를 최소화하기 위한 방음벽 배치에 따른 노이즈맵핑 기법에 대해 고찰하였다. 위치예측 기법을 위한 대량의 학습데이터는 Acoustic Model을 이용하여 생성하였으며, 소음원과 마이크의 위치를 변화하며 얻은 TDOA(Time Difference of Arrival) 결과를 GCC-PHAT(Generalized Cross Correlation-Phase Transform) 처리 후 이미지화하는 절차로 진행하였다. 이미지화한 데이터는 Convolution Filter를 이용하여 특징 추출하고, 순차적으로 Convolution Layer, Fully Connected Layer를 거쳐 소음원의 각도를 예측하는 알고리즘으로 구성하였다. 위치예측 알고리즘을 검증하기 위해 실내에서 스피커와 4개의 마이크를 구성하고 단일 음원일 경우, 복수 음원일 경우에 대해 각각 실험을 진행하였다. 노이즈맵핑 기법의 학습데이터 생성은 음장해석 프로그램으로 많이 사용되는 SoundPLAN을 활용하였으며, 방음벽 거리 변화에 따른 음장해석 결과들을 이미지로 도출시켰다. Input 데이터와 Output 데이터가 동일한 크기를 갖는 모델을 생성하기 위하여 콘볼루션 신경망(CNN)과 디콘볼루션 신경망(DCNN)이 혼합된 모델을 생성하였다. 하이퍼 파라미터에 따른 손실함수 비교를 통하여 활성화 함수(Activation function)에 tanh 함수가 적절하고, 풀링 계층은 사용하지 않는 것이 학습도가 우수함이 확인되었다. tanh 함수와 풀링 계층을 사용하지 않은 학습모델로 SoundPLAN과 상호 비교 결과, 벽면과 방음벽의 경계조건을 인지하였으며 방음벽 위치에 따른 노이즈맵핑이 표현됨을 확인할 수 있었다.; In this paper, we propose a position estimation method to estimate the position of noise source from time difference data between microphone using CNN algorithm and a noise mapping technique based on sound barrier arrangement to minimize the sound pressure distribution in the sound field. A large amount of training data for the position prediction technique was generated using the acoustic model. The TDOA (Time Difference of Arrival) result obtained by changing the position of the noise source and the microphone was subjected to GCC-PHAT (Generalized Cross Correlation-Phase Transform). The image data is characterized by using Convolution Filter, and then it is composed of an algorithm that sequentially predicts the angle of the noise source through Convolution Layer and Fully Connected Layer. In order to verify the position prediction algorithm, we constructed a speaker and four microphones in the room. We used SoundPLAN, which is a sound field analysis program, to derive the learning data of the noise mapping technique. In order to generate a model with the same size of input and output data, we have created a mixed model of Convolution Neural Network (CNN) and Deconvolution Neural Network (DCNN). It has been confirmed that the tanh function is appropriate for the activation function and the learning degree is not good by not using the pooling layer through comparison of the loss function according to the hyperparameter. As a result of mutual comparison between SoundPLAN and tanh function and learning model without using pooling layer, it was confirmed that boundary condition between wall and sound barrier was recognized and noise mapping according to noise wall position was expressed.