KR20240024380A - 인공지능 신경망을 이용한 목표지도 추론시스템 및 방법 - Google Patents

인공지능 신경망을 이용한 목표지도 추론시스템 및 방법 Download PDF

Info

Publication number
KR20240024380A
KR20240024380A KR1020220101772A KR20220101772A KR20240024380A KR 20240024380 A KR20240024380 A KR 20240024380A KR 1020220101772 A KR1020220101772 A KR 1020220101772A KR 20220101772 A KR20220101772 A KR 20220101772A KR 20240024380 A KR20240024380 A KR 20240024380A
Authority
KR
South Korea
Prior art keywords
input data
neural network
artificial intelligence
map
intelligence neural
Prior art date
Application number
KR1020220101772A
Other languages
English (en)
Inventor
장지호
조완호
한상명
Original Assignee
한국표준과학연구원
비즈웨이브 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국표준과학연구원, 비즈웨이브 주식회사 filed Critical 한국표준과학연구원
Priority to KR1020220101772A priority Critical patent/KR20240024380A/ko
Priority to PCT/KR2022/014408 priority patent/WO2024038948A1/ko
Publication of KR20240024380A publication Critical patent/KR20240024380A/ko

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
    • G01S3/80—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using ultrasonic, sonic or infrasonic waves
    • G01S3/801—Details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Remote Sensing (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

본 발명은 인공지능 신경망을 이용한 목표지도 추론시스템 및 방법에 관한 것이다.
본 발명의 일 실시 예에 따른 인공지능 신경망을 이용한 목표지도 추론시스템은, 음원에 대한 정보가 포함된 입력데이터를 입력 받는 입력부; 상기 입력데이터를 변형하여 변형-입력데이터를 생성하는 데이터 변형부; 및 변형-입력데이터로부터 상기 변형-입력데이터에 포함된 음원의 위치와 세기가 표시된 목표지도를 추론하는 인공지능 신경망;을 포함할 수 있다.
본 발명에 따르면, 매우 낮은 주파수에서도 우수한 분해능의 음원지도를 생성할 수 있으므로, 입력 음원지도 상의 값의 공간적인 변화가 적은 문제 및 다수 주파수에서 음원 지도를 모두 처리해야 하는 문제를 해결할 수 있다.

Description

인공지능 신경망을 이용한 목표지도 추론시스템 및 방법{The system and method for inference of target-map using artificial intelligence neural network}
본 발명은 인공지능 신경망을 이용한 목표지도 추론시스템 및 방법에 관한 것이다.
음원지도란 특정 영역에 존재하는 임의의 음원들의 위치 및 세기를 표시한 이미지를 의미한다. 음원지도의 대표적인 예시로는 빔포밍(Beamforming) 방법을 통해 형성되는 빔포밍 지도(Beamforming map)가 있다. 이때, 음원들의 위치 및 세기는 마이크로폰 어레이를 이용하여 취득한 음압값으로부터 산출될 수 있다.
이러한 음원지도의 성능은 분해능으로 표현되는데, 분해능은 음파의 파장 대비 어레이의 크기와 비례한다. 즉, 파장이 긴 저주파수에서는 파장 대비 어레이 크기가 작아지므로 분해능이 떨어지는데, 이에 따라 저주파수 음원은 그 위치를 정확하게 파악하기 어렵고, 근접한 두 음원의 위치를 분리하여 찾아내기 어렵다는 문제점을 갖는다.
이러한 문제를 해결하기 위해 최근 딥러닝을 이용한 분해능 향상 방법들이 제안되고 있다. 종래 제안된 방법들은 기존 음원지도를 입력으로 받고 분해능이 향상된 음원 지도를 출력으로 내보낸다.
그런데, 주파수가 매우 낮은 경우, 입력 음원지도 값의 변화가 매우 적으며, 특히, 입력지도 상의 최대값과 최소값의 차이가 0.1 dB 이내인 경우, 딥러닝 네트워크를 이용하더라도 음원의 위치를 특정하는 것은 불가능에 가깝다.
또한 현장의 실제 소리는 다수의 주파수 성분을 가지며, 다수의 주파수에서 음원 지도를 필요로 한다. 여러 주파수에서 얻어지는 각각의 음원 지도를 모두 처리하기 위해서는 주파수 개수만큼의 딥러닝 네트워크가 필요하며, 각각의 네트워크를 모두 학습시키기 위해서는 매우 긴 시간이 필요하다.
또한 새로운 주파수에서의 음원지도가 주어지면 기존의 딥러닝 네트워크를 통해서는 대응이 불가능하다. 그러나, 여러 주파수 데이터를 하나의 네트워크에서 학습시키면, 데이터의 종류가 그만큼 많아지면서 네트워크의 성능이 떨어지게 된다.
KR 10- 2414021 B1
상기 전술한 문제점을 해결하기 위하여 본 발명은 인공지능 신경망에 입력되는 음원지도를 변형한 뒤, 인공지능 신경망을 학습시켜, 어떤 주파수의 음원지도가 입력으로 들어오더라도 우수한 분해능의 목표지도를 출력할 수 있는 인공지능 신경망을 이용한 목표지도 추론시스템 및 방법을 제공하는 것을 목적으로 한다.
본 발명의 일 실시 예로써, 인공지능 신경망을 이용한 목표지도 추론시스템이 제공된다.
본 발명의 일 실시 예에 따른 인공지능 신경망을 이용한 목표지도 추론시스템은, 음원에 대한 정보가 포함된 입력데이터를 입력 받는 입력부; 상기 입력데이터를 변형하여 변형-입력데이터를 생성하는 데이터 변형부; 및 변형-입력데이터로부터 상기 변형-입력데이터에 포함된 음원의 위치와 세기가 표시된 목표지도를 추론하는 인공지능 신경망;을 포함할 수 있다.
본 발명의 일 실시 예에 따른 인공지능 신경망을 이용한 목표지도 추론시스템에서, 상기 데이터 변형부는, 상기 입력데이터의 영역을 N배 확장하여 상기 변형-입력데이터를 생성하는 것일 수 있다.
본 발명의 일 실시 예에 따른 인공지능 신경망을 이용한 목표지도 추론시스템에서, 상기 데이터 변형부는, 상기 입력데이터에 포함된 정보를 반구 표면에 정의하여 상기 변형-입력데이터를 생성하는 것일 수 있다.
본 발명의 일 실시 예에 따른 인공지능 신경망을 이용한 목표지도 추론시스템에서, 상기 데이터 변형부는, 상기 입력데이터에 포함된 정보를 파수영역에 정의하여 상기 변형-입력데이터를 생성하는 것일 수 있다.
본 발명의 일 실시 예에 따른 인공지능 신경망을 이용한 목표지도 추론시스템에서, 상기 데이터 변형부는, (a) 임의의 최소 파수값(k_min) 및 임의의 최대 파수값(k_max)을 입력 받아 파수영역을 특정하는 과정; (b) 마이크로폰 어레이의 수평 축(x축) 및 수직 축(y축)에 대하여 각각의 축에 해당하는 파수 배열(k_x: [k_min, k_max], k_y: [k_min, k_max])을 생성하는 과정; (c) 상기 파수 배열과, 상기 파수 배열과 동일한 x축 및 y축을 포함하는 특정 마이크로폰의 위치 값의 곱을 위상으로 갖는 함수를 산출하는 과정; (d) 상기 함수와, 상기 파수 배열과 동일한 x축 및 y축을 포함하는 마이크로폰의 음압 값을 곱하고, 전체 마이크로폰에 대하여 상기 함수와 상기 음압 값을 곱한 값을 더하는 과정 및 상기 (a) (b) (c) 및 (d)과정을 통해 획득한 파수 배열에 대한 함수를, k_x를 수평 축, k_y를 수직 축으로 하여 이미지화하는 과정을 통해 상기 변형-입력데이터를 생성하는 것일 수 있다.
본 발명의 일 실시 예에 따른 인공지능 신경망을 이용한 목표지도 추론시스템에서, 상기 인공지능 신경망은, 상기 변형-입력데이터가 입력되면, 상기 변형-입력데이터에 포함된 음원의 위치와 세기가 표시된 목표지도를 출력하도록 학습되는 것일 수 있다.
본 발명의 일 실시 예에 따른 인공지능 신경망을 이용한 목표지도 추론시스템에서, 상기 인공지능 신경망은, 상기 변형-입력데이터가 입력되면, 변형-목표지도를 출력하도록 학습되며, 상기 데이터 변형부는, 상기 변형-목표지도로부터 목표지도를 생성하는 것일 수 있다.
본 발명의 일 실시 예에 따른 인공지능 신경망을 이용한 목표지도 추론시스템에서, 상기 변형-목표지도는, 상기 데이터 변형부에 의해 상기 입력데이터로부터 상기 변형-입력데이터를 생성하는 방법과 동일한 방법을 통해, 목표지도가 변형되어 생성된 것일 수 있다.
본 발명의 일 실시 예에 따른 인공지능 신경망을 이용한 목표지도 추론시스템에서, 상기 변형-목표지도는, 상기 목표지도에 포함된 음원의 위치(x, y)값을 파수 영역(k_x, k_y)으로 변환하는 과정; 상기 파수 영역에서, 각 좌표와 음원 사이의 거리를 입력값으로 하는 목표 함수를 정의하는 과정; 및 상기 목표함수의 조합으로 목표 지도를 산출하는 과정을 통해 생성되는 것일 수 있다.
본 발명의 일 실시 예로써, 인공지능 신경망을 이용한 목표지도 추론방법이 제공된다.
본 발명의 일 실시 예에 따른 인공지능 신경망을 이용한 목표지도 추론방법은, 입력부가 음원에 대한 정보가 포함된 입력데이터를 입력 받는 입력단계; 데이터 변형부가 상기 입력데이터를 변형하여 변형-입력데이터를 생성하는 입력데이터 변형단계; 및 인공지능 신경망이 상기 변형-입력데이터로부터 상기 변형-입력데이터에 포함된 음원의 위치와 세기가 표시된 목표지도를 추론하는 목표지도 추론단계;를 포함할 수 있다.
본 발명의 일 실시 예에 따른 인공지능 신경망을 이용한 목표지도 추론방법에서, 상기 입력데이터 변형단계에서, 상기 데이터 변형부는 상기 입력데이터의 영역을 N배 확장하여 상기 변형-입력데이터를 생성하는 것일 수 있다.
본 발명의 일 실시 예에 따른 인공지능 신경망을 이용한 목표지도 추론방법에서, 상기 입력데이터 변형단계에서, 상기 데이터 변형부는 상기 입력데이터에 포함된 정보를 반구 표면에 정의하여 상기 변형-입력데이터를 생성하는 것일 수 있다.
본 발명의 일 실시 예에 따른 인공지능 신경망을 이용한 목표지도 추론방법에서, 상기 입력데이터 변형단계에서, 상기 데이터 변형부는 상기 입력데이터에 포함된 정보를 파수영역에 정의하여 상기 변형-입력데이터를 생성하는 것일 수 있다.
본 발명의 일 실시 예에 따른 인공지능 신경망을 이용한 목표지도 추론방법에서, 상기 입력데이터 변형단계는, (a) 임의의 최소 파수값(k_min) 및 임의의 최대 파수값(k_max)을 입력 받아 파수영역을 특정하는 단계; (b) 마이크로폰 어레이의 수평 축(x축) 및 수직 축(y축)에 대하여 각각의 축에 해당하는 파수 배열(k_x: [k_min, k_max], k_y: [k_min, k_max])을 생성하는 단계; (c) 상기 파수 배열과, 상기 파수 배열과 동일한 x축 및 y축을 포함하는 특정 마이크로폰의 위치 값의 곱을 위상으로 갖는 함수를 산출하는 단계; (d) 상기 함수와, 상기 파수 배열과 동일한 x축 및 y축을 포함하는 마이크로폰의 음압 값을 곱하고, 전체 마이크로폰에 대하여 상기 함수와 상기 음압 값을 곱한 값을 더하는 단계 및 상기 (a) (b) (c) 및 (d)과정을 통해 획득한 파수 배열에 대한 함수를, k_x를 수평 축, k_y를 수직 축으로 하여 이미지화하는 단계를 포함할 수 있다.
본 발명의 일 실시 예에 따른 인공지능 신경망을 이용한 목표지도 추론방법에서, 상기 목표지도 추론단계는, 변형-입력데이터가 입력되면 상기 변형-입력데이터에 포함된 음원의 위치와 세기가 표시된 목표지도를 출력하도록 인공지능 신경망을 학습시키는 신경망학습단계를 더 포함할 수 있다.
본 발명의 일 실시 예에 따른 인공지능 신경망을 이용한 목표지도 추론방법에서, 상기 목표지도 추론단계는, 상기 변형-입력데이터가 입력되면, 변형-목표지도를 출력하도록 인공지능 신경망이 학습되는 신경망학습단계; 및 상기 데이터 변형부에 의해 상기 변형-목표지도로부터 목표지도가 생성되는 목표지도 생성단계를 더 포함할 수 있다.
본 발명의 일 실시 예에 따른 인공지능 신경망을 이용한 목표지도 추론방법에서, 상기 변형-목표지도는, 상기 데이터 변형부에 의해 상기 입력데이터로부터 상기 변형-입력데이터를 생성하는 방법과 동일한 방법을 통해, 목표지도가 변형되어 생성된 것일 수 있다.
본 발명의 일 실시 예에 따른 인공지능 신경망을 이용한 목표지도 추론방법에서, 상기 목표지도 생성단계는, 상기 목표지도에 포함된 음원의 위치(x, y)값을 파수 영역(k_x, k_y)으로 변환하는 단계; 상기 파수 영역에서, 각 좌표와 음원 사이의 거리를 입력값으로 하는 목표 함수를 정의하는 단계; 및 상기 목표함수의 조합으로 목표 지도를 산출하는 단계를 더 포함할 수 있다.
본 발명의 일 실시 예로써, 전술한 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체가 제공된다.
본 발명에 따르면, 매우 낮은 주파수에서도 우수한 분해능의 음원지도를 생성할 수 있으므로, 입력 음원지도 상의 값의 공간적인 변화가 적은 문제 및 다수 주파수에서 음원 지도를 모두 처리해야 하는 문제를 해결할 수 있다.
또한, 여러 주파수에 의한 결과를 효과적으로 통합할 수 있다는 이점이 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급된 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시 예에 따른, 인공지능 신경망을 이용한 목표지도 추론시스템의 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 입력데이터와 목표지도의 예이다.
도 3는 본 발명의 목표지도를 생성하는 방법을 모식화한 도면이다.
도 4는 본 발명에 따른 데이터 변형부에 의해 생성된 변형-입력데이터의 제1실시예이다.
도 5는 본 발명에 따른 데이터 변형부에 의해 생성된 변형-입력데이터의 제2실시예이다.
도 6은 본 발명의 일 실시 예에 따른 인공지능 신경망의 구조이다.
도 7은 본 발명의 일 실시 예에 따른 인공지능 신경망을 이용한 목표지도 추론방법의 순서도이다.
도 8은 본 발명의 제2실시예에 따른 목표지도 추론단계의 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "~부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, "그 중간에 다른 소자를 사이에 두고"연결되어 있는 경우도 포함한다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대하여는 유사한 도면 부호를 붙였다.
도 1은 본 발명의 일 실시 예에 따른, 인공지능 신경망(300)을 이용한 목표지도 추론시스템의 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 입력데이터와 목표지도의 예이다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른, 인공지능 신경망(300)을 이용한 목표지도 추론시스템은 입력부(100), 데이터 변형부(200) 및 인공지능 신경망(300)을 포함할 수 있다.
입력부(100)는 음원에 대한 정보가 포함된 입력데이터를 입력 받을 수 있다.
도 2를 참조하면, 본 발명의 일 실시 예에 따른 입력데이터의 일 예를 알 수 있다. 예를 들어, 본 발명의 일 실시 예에 따른 입력부(100)는 빔포밍지도(도 2(a))를 입력데이터로 입력 받을 수 있다.
이때, 빔포밍 지도란, 빔형성(beamforming) 방법을 통해 형성된 음원지도로서, 음원에 대한 다양한 음장정보를 갖는 것을 의미할 수 있다.
실시 예에 따라, 상기 빔포밍 지도는 측정장치의 측정면(Measurement plane)에 다수의 마이크로폰(microphone)을 배열하여 마이크로폰 어레이를 형성하고, 마이크로폰 어레이가 x, y, z 방향에서 수신한 측정신호로부터 음원면상의 각 음원들의 위치 및 세기를 예측함으로써 생성될 수 있다.
데이터 변형부(200)는 상기 입력데이터를 변형하여 변형-입력데이터를 생성할 수 있다. 데이터 변형부(200)가 변형-입력데이터를 생성하는 과정과 관련하여서는 이하, 도 4 및 도 5를 참조하여 상세히 설명하기로 한다.
인공지능 신경망(300)은 변형-입력데이터로부터 상기 변형-입력데이터에 포함된 음원의 위치와 세기가 표시된 목표지도를 추론한다.
이때, 목표지도(도 2(b))란, 음향신호에 포함된 음원의 위치와 세기를 나타내는 이미지로, 목표지도의 픽셀값은 상기 음원과의 거리에 따라 감소하는 것일 수 있다.
도 3는 본 발명의 목표지도를 생성하는 방법을 모식화한 도면이다.
도 3을 참조하면, 본 발명에 따른 목표지도는 음원이 존재하는 특정 영역에 대하여 임의로 생성된 격자 내의 각 좌표와 음원 사이의 거리를 입력값으로 하는 함수를 이용하여 생성될 수 있다. 이때, 상기 함수는 하기의 [수학식 1]과 같이 표현될 수 있다.
Figure pat00001
(여기서, R은 좌표와 음원 사이의 거리, A는 음원의 세기, N 및
Figure pat00002
은 상수이다.)
예를 들어, 목표지도는 임의의 음원이 존재하는 특정 영역에 대하여 소정 범위의 간격(K)을 갖는 격자를 생성하는 과정, 상기 격자의 각 좌표((1,1), (1,2), (1,3)등)들과 해당 음원(A, B, C) 사이의 거리(R)를 산출하는 과정 및 상기 격자의 각 좌표들과 해당 음원 사이의 거리(R)를 상기 [수학식 1]에 대입하여 결과값(f)을 산출하고, 상기 결과값을 목표지도를 구성하는 각 픽셀 값으로 지정하는 과정을 통해 생성될 수 있다.
그러나, 목표지도를 생성하는 과정 및 이에 사용되는 함수는 전술한 과정과 [수학식 1]에 한정되는 것은 아니며, 음원의 위치에서 결과값이 최대이고 음원과의 거리에 따라 결과값이 감소하는 경향을 갖는 것이라면 어느 것이든 적용이 가능할 것이다.
도 4는 본 발명에 따른 데이터 변형부(200)에 의해 생성된 변형-입력데이터의 제1실시예이다.
도 4를 참조하면, 데이터 변형부(200)는, 입력데이터의 영역을 N배 확장하여 상기 변형-입력데이터를 생성할 수 있다.
변형 전 입력데이터는 변형-입력데이터에 비해 상대적으로 좁은 영역을 가지므로, 저주파수 음원의 경우 입력데이터 내 픽셀값들의 차이가 작다. 반면, 데이터 변형부(200)에 의해 영역이 N배 확장된 변형-입력데이터는 변형 전 입력데이터에 비해 상대적으로 넓은 영역을 가지므로, 동일한 저주파수 음원에 대하여 크기가 작은 픽셀값들이 포함하며, 이로 인해 변형-입력데이터 내 픽셀값들 간의 차이가 커져 분해능을 향상시킬 수 있다.
즉, 변형 전 입력데이터는 픽셀값들의 차이가 작아 음원의 위치에 따른 입력데이터로부터 추출할 수 있는 정보의 차이가 작기 때문에 입력데이터에 포함된 정보를 이용하여 음원의 위치를 추론하기가 어려운 반면, 본 발명의 제1실시예에 따른 변형-입력데이터는 입력데이터의 영역을 키워, 픽셀값들의 차이를 키움으로써 음원의 위치에 따른 입력데이터로부터 추출할 수 있는 정보의 차이를 증가시키므로, 음원의 위치를 추론하기 용이한 것이다.
도 5는 본 발명에 따른 데이터 변형부(200)에 의해 생성된 변형-입력데이터의 제2실시예이다.
도 5를 참조하면, 데이터 변형부(200)는, 입력데이터에 포함된 정보를 반구 표면에 정의하여 상기 변형-입력데이터를 생성할 수 있다.
실시 예에 따라, 상기 변형-입력데이터는 반구의 중심에 마이크로폰을 배열하여 마이크로폰 어레이를 형성하고, 마이크로폰 어레이로부터 일정한 거리(R)를 갖는 반구 표면상의 각 음원들의 위치 및 세기를 예측함으로써 생성될 수 있다.
본 발명에 따른 데이터 변형부(200)에 의해 생성된 변형-입력데이터의 제3실시예에 따르면, 데이터 변형부(200)는, 상기 입력데이터에 포함된 정보를 파수영역에 정의하여 상기 변형-입력데이터를 생성할 수 있다.
입력데이터에 포함된 정보를 파수영역에 정의하기 위해 상기 데이터 변형부(200)는, (a) 임의의 최소 파수값(k_min) 및 임의의 최대 파수값(k_max)을 입력 받아 파수영역을 특정하는 과정, (b) 마이크로폰 어레이의 수평 축(x축) 및 수직 축(y축)에 대하여 각각의 축에 해당하는 파수 배열(k_x: [k_min, k_max], k_y: [k_min, k_max])을 생성하는 과정, (c) 상기 파수 배열과, 상기 파수 배열과 동일한 x축 및 y축을 포함하는 특정 마이크로폰의 위치 값의 곱을 위상으로 갖는 함수를 산출하는 과정, (d) 상기 함수와, 상기 파수 배열과 동일한 x축 및 y축을 포함하는 마이크로폰의 음압 값을 곱하고, 전체 마이크로폰에 대하여 상기 함수와 상기 음압 값을 곱한 값을 더하는 과정 및 상기 (a) (b) (c) 및 (d)과정을 통해 획득한 파수 배열에 대한 함수를, k_x를 수평 축, k_y를 수직 축으로 하여 이미지화하는 과정을 통해 상기 변형-입력데이터를 생성할 수 있다.
실시 예에 따라, 상기 파수 배열(k_x: [k_min, k_max], k_y: [k_min, k_max])에서 k_min값은 k_max의 음수값(즉, -k_max)으로 설정될 수 있다.
도 6은 본 발명의 일 실시 예에 따른 인공지능 신경망(300)의 구조이다.
도 6을 참조하면, 본 발명의 일 실시 예에 따라 학습된 인공지능 신경망(300)은 인코더 네트워크(Encoder Network)(도 6(a))와 디코더 네트워크(Decoder network)(도 6(b))를 포함하고, 상기 인코더 네트워크에서 추출한 특징을 상기 디코더 네트워크로 전송 하는 구조를 가질 수 있다.
그러나, 인코더 네트워크에 입력된 데이터로부터 특징을 추출하여 학습에 사용된 데이터와 입력 데이터를 비교하여 결과 값을 출력하는 구조라면 도 6에 도시된 구조의 모델 외에 다양한 구조의 인공지능 신경망(300) 모델이 적용될 수 있을 것이다.
본 발명의 인공지능 신경망(300)의 제1실시예는, 변형-입력데이터가 입력되면, 상기 변형-입력데이터에 포함된 음원의 위치와 세기가 표시된 목표지도를 출력하도록 학습되는 것일 수 있다.
본 발명의 인공지능 신경망(300)의 제2실시예는, 변형-입력데이터가 입력되면, 변형-목표지도를 출력하도록 학습될 수 있으며, 이때, 데이터 변형부(200)는, 상기 변형-목표지도로부터 목표지도를 생성할 수 있다.
또한, 실시 예에 따라, 상기 변형-목표지도는, 상기 데이터 변형부(200)에 의해 상기 입력데이터로부터 상기 변형-입력데이터를 생성하는 방법과 동일한 방법을 통해, 목표지도가 변형되어 생성된 것일 수 있으며, 상기 목표지도에 포함된 음원의 위치(x, y)값을 파수 영역(k_x, k_y)으로 변환하는 과정 상기 파수 영역에서, 각 좌표와 음원 사이의 거리를 입력값으로 하는 목표 함수를 정의하는 과정 및 상기 목표함수의 조합으로 목표 지도를 산출하는 과정을 통해 생성되는 것일 수 있다.
본 발명의 일 실시 예에 따른 방법과 관련하여서는 전술한 시스템에 대한 내용이 적용될 수 있다. 이하에서, 방법과 관련하여 전술한 시스템에 대한 내용과 동일한 내용에 대하여는 설명을 생략한다.
도 7은 본 발명의 일 실시 예에 따른 인공지능 신경망(300)을 이용한 목표지도 추론방법의 순서도이다.
도 7을 참조하면, 본 발명의 일 실시 예에 따른 인공지능 신경망(300)을 이용한 목표지도 추론방법은 입력단계(S100), 입력데이터 변형단계(S200) 및 목표지도 추론단계(S300)를 포함할 수 있다.
입력단계(S100)에서는 입력부(100)가 음원에 대한 정보가 포함된 입력데이터를 입력 받는다.
입력데이터 변형단계(S200)에서는 데이터 변형부(200)가 상기 입력데이터를 변형하여 변형-입력데이터를 생성할 수 있다.
실시 예에 따라, 상기 입력데이터 변형단계(S200)에서, 상기 데이터 변형부(200)는 상기 입력데이터의 영역을 N배 확장하여 상기 변형-입력데이터를 생성하는 것일 수 있다.
실시 예에 따라, 상기 입력데이터 변형단계(S200)에서, 상기 데이터 변형부(200)는 상기 입력데이터에 포함된 정보를 반구 표면에 정의하여 상기 변형-입력데이터를 생성하는 것일 수 있다.
실시 예에 따라, 상기 입력데이터 변형단계(S200)에서, 상기 데이터 변형부(200)는 상기 입력데이터에 포함된 정보를 파수영역에 정의하여 상기 변형-입력데이터를 생성하는 것일 수 있다.
실시 예에 따라, 상기 입력데이터 변형단계(S200)는, (a) 임의의 최소 파수값(k_min) 및 임의의 최대 파수값(k_max)을 입력 받아 파수영역을 특정하는 단계; (b) 마이크로폰 어레이의 수평 축(x축) 및 수직 축(y축)에 대하여 각각의 축에 해당하는 파수 배열(k_x: [k_min, k_max], k_y: [k_min, k_max])을 생성하는 단계; (c) 상기 파수 배열과, 상기 파수 배열과 동일한 x축 및 y축을 포함하는 특정 마이크로폰의 위치 값의 곱을 위상으로 갖는 함수를 산출하는 단계; (d) 상기 함수와, 상기 파수 배열과 동일한 x축 및 y축을 포함하는 마이크로폰의 음압 값을 곱하고, 전체 마이크로폰에 대하여 상기 함수와 상기 음압 값을 곱한 값을 더하는 단계 및 상기 (a) (b) (c) 및 (d)과정을 통해 획득한 파수 배열에 대한 함수를, k_x를 수평 축, k_y를 수직 축으로 하여 이미지화하는 단계를 포함할 수 있다.
목표지도 추론단계(S300)에서는 인공지능 신경망(300)이 상기 변형-입력데이터로부터 상기 변형-입력데이터에 포함된 음원의 위치와 세기가 표시된 목표지도를 추론할 수 있다.
본 발명의 목표지도 추론단계(S300)의 제1실시예는, 변형-입력데이터가 입력되면 상기 변형-입력데이터에 포함된 음원의 위치와 세기가 표시된 목표지도를 출력하도록 인공지능 신경망(300)을 학습시키는 신경망학습단계를 더 포함할 수 있다.
본 발명의 목표지도 추론단계(S300)의 제2실시예는, 신경망학습단계 및 목표지도 생성단계를 더 포함할 수 있다. 이하, 도 8을 참조하여, 본 발명의 목표지도 추론단계(S300)의 제2실시예에 대하여 설명한다.
도 8은 본 발명의 제2실시예에 따른 목표지도 추론단계(S300)의 순서도이다.
도 8을 참조하면, 본 발명의 일 실시 예에 따른 목표지도 추론단계(S300)는, 변형-입력데이터가 입력되면, 변형-목표지도를 출력하도록 인공지능 신경망(300)이 학습되는 신경망학습단계 및 데이터 변형부(200)에 의해 상기 변형-목표지도로부터 목표지도가 생성되는 목표지도 생성단계를 더 포함할 수 있다.
상기 변형-목표지도는, 상기 데이터 변형부(200)에 의해 상기 입력데이터로부터 상기 변형-입력데이터를 생성하는 방법과 동일한 방법을 통해, 목표지도가 변형되어 생성된 것일 수 있다.
실시 예에 따라, 상기 목표지도 생성단계는, 상기 목표지도에 포함된 음원의 위치(x, y)값을 파수 영역(k_x, k_y)으로 변환하는 단계, 상기 파수 영역에서, 각 좌표와 음원 사이의 거리를 입력값으로 하는 목표 함수를 정의하는 단계 및 상기 목표함수의 조합으로 목표 지도를 산출하는 단계를 더 포함할 수 있다.
한편, 상술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터로 읽을 수 있는 기록매체에 여러 수단을 통하여 기록될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 램, USB, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며, 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 입력부
200: 데이터 변형부
300: 인공지능 신경망

Claims (19)

  1. 음원에 대한 정보가 포함된 입력데이터를 입력 받는 입력부;
    상기 입력데이터를 변형하여 변형-입력데이터를 생성하는 데이터 변형부; 및
    변형-입력데이터로부터 상기 변형-입력데이터에 포함된 음원의 위치와 세기가 표시된 목표지도를 추론하는 인공지능 신경망;을 포함하는,
    인공지능 신경망을 이용한 목표지도 추론시스템.
  2. 제 1 항에 있어서,
    상기 데이터 변형부는,
    상기 입력데이터의 영역을 N배 확장하여 상기 변형-입력데이터를 생성하는 것인,
    인공지능 신경망을 이용한 목표지도 추론시스템.
  3. 제 1 항에 있어서,
    상기 데이터 변형부는,
    상기 입력데이터에 포함된 정보를 반구 표면에 정의하여 상기 변형-입력데이터를 생성하는 것인,
    인공지능 신경망을 이용한 목표지도 추론시스템.
  4. 제 1 항에 있어서,
    상기 데이터 변형부는,
    상기 입력데이터에 포함된 정보를 파수영역에 정의하여 상기 변형-입력데이터를 생성하는 것인,
    인공지능 신경망을 이용한 목표지도 추론시스템.
  5. 제 4 항에 있어서,
    상기 데이터 변형부는,
    (a) 임의의 최소 파수값(k_min) 및 임의의 최대 파수값(k_max)을 입력 받아 파수영역을 특정하는 과정;
    (b) 마이크로폰 어레이의 수평 축(x축) 및 수직 축(y축)에 대하여 각각의 축에 해당하는 파수 배열(k_x: [k_min, k_max], k_y: [k_min, k_max])을 생성하는 과정;
    (c) 상기 파수 배열과, 상기 파수 배열과 동일한 x축 및 y축을 포함하는 특정 마이크로폰의 위치 값의 곱을 위상으로 갖는 함수를 산출하는 과정;
    (d) 상기 함수와, 상기 파수 배열과 동일한 x축 및 y축을 포함하는 마이크로폰의 음압 값을 곱하고, 전체 마이크로폰에 대하여 상기 함수와 상기 음압 값을 곱한 값을 더하는 과정 및
    상기 (a) (b) (c) 및 (d)과정을 통해 획득한 파수 배열에 대한 함수를, k_x를 수평 축, k_y를 수직 축으로 하여 이미지화하는 과정을 통해 상기 변형-입력데이터를 생성하는 것인,
    인공지능 신경망을 이용한 목표지도 추론시스템.
  6. 제 1 항에 있어서,
    상기 인공지능 신경망은,
    상기 변형-입력데이터가 입력되면, 상기 변형-입력데이터에 포함된 음원의 위치와 세기가 표시된 목표지도를 출력하도록 학습되는 것인,
    인공지능 신경망을 이용한 목표지도 추론시스템.
  7. 제 1 항에 있어서,
    상기 인공지능 신경망은,
    상기 변형-입력데이터가 입력되면, 변형-목표지도를 출력하도록 학습되며,
    상기 데이터 변형부는,
    상기 변형-목표지도로부터 목표지도를 생성하는 것인,
    인공지능 신경망을 이용한 목표지도 추론시스템.
  8. 제 7 항에 있어서,
    상기 변형-목표지도는,
    상기 데이터 변형부에 의해 상기 입력데이터로부터 상기 변형-입력데이터를 생성하는 방법과 동일한 방법을 통해, 목표지도가 변형되어 생성된 것인,
    인공지능 신경망을 이용한 목표지도 추론시스템.
  9. 제 8 항에 있어서,
    상기 변형-목표지도는,
    상기 목표지도에 포함된 음원의 위치(x, y)값을 파수 영역(k_x, k_y)으로 변환하는 과정;
    상기 파수 영역에서, 각 좌표와 음원 사이의 거리를 입력값으로 하는 목표 함수를 정의하는 과정; 및
    상기 목표함수의 조합으로 목표 지도를 산출하는 과정을 통해 생성되는 것인,
    인공지능 신경망을 이용한 목표지도 추론시스템.
  10. 입력부가 음원에 대한 정보가 포함된 입력데이터를 입력 받는 입력단계;
    데이터 변형부가 상기 입력데이터를 변형하여 변형-입력데이터를 생성하는 입력데이터 변형단계; 및
    인공지능 신경망이 상기 변형-입력데이터로부터 상기 변형-입력데이터에 포함된 음원의 위치와 세기가 표시된 목표지도를 추론하는 목표지도 추론단계;를 포함하는,
    인공지능 신경망을 이용한 목표지도 추론방법.
  11. 제 10 항에 있어서,
    상기 입력데이터 변형단계에서,
    상기 데이터 변형부는 상기 입력데이터의 영역을 N배 확장하여 상기 변형-입력데이터를 생성하는 것인,
    인공지능 신경망을 이용한 목표지도 추론방법.
  12. 제 10 항에 있어서,
    상기 입력데이터 변형단계에서,
    상기 데이터 변형부는 상기 입력데이터에 포함된 정보를 반구 표면에 정의하여 상기 변형-입력데이터를 생성하는 것인,
    인공지능 신경망을 이용한 목표지도 추론방법.
  13. 제 10 항에 있어서,
    상기 입력데이터 변형단계에서,
    상기 데이터 변형부는 상기 입력데이터에 포함된 정보를 파수영역에 정의하여 상기 변형-입력데이터를 생성하는 것인,
    인공지능 신경망을 이용한 목표지도 추론방법.
  14. 제 13 항에 있어서,
    상기 입력데이터 변형단계는,
    (a) 임의의 최소 파수값(k_min) 및 임의의 최대 파수값(k_max)을 입력 받아 파수영역을 특정하는 단계;
    (b) 마이크로폰 어레이의 수평 축(x축) 및 수직 축(y축)에 대하여 각각의 축에 해당하는 파수 배열(k_x: [k_min, k_max], k_y: [k_min, k_max])을 생성하는 단계;
    (c) 상기 파수 배열과, 상기 파수 배열과 동일한 x축 및 y축을 포함하는 특정 마이크로폰의 위치 값의 곱을 위상으로 갖는 함수를 산출하는 단계;
    (d) 상기 함수와, 상기 파수 배열과 동일한 x축 및 y축을 포함하는 마이크로폰의 음압 값을 곱하고, 전체 마이크로폰에 대하여 상기 함수와 상기 음압 값을 곱한 값을 더하는 단계 및
    상기 (a) (b) (c) 및 (d)과정을 통해 획득한 파수 배열에 대한 함수를, k_x를 수평 축, k_y를 수직 축으로 하여 이미지화하는 단계를 포함하는,
    인공지능 신경망을 이용한 목표지도 추론방법.
  15. 제 10 항에 있어서,
    상기 목표지도 추론단계는,
    변형-입력데이터가 입력되면 상기 변형-입력데이터에 포함된 음원의 위치와 세기가 표시된 목표지도를 출력하도록 인공지능 신경망을 학습시키는 신경망학습단계를 더 포함하는,
    인공지능 신경망을 이용한 목표지도 추론방법.
  16. 제 10 항에 있어서,
    상기 목표지도 추론단계는,
    상기 변형-입력데이터가 입력되면, 변형-목표지도를 출력하도록 인공지능 신경망이 학습되는 신경망학습단계; 및
    상기 데이터 변형부에 의해 상기 변형-목표지도로부터 목표지도가 생성되는 목표지도 생성단계를 더 포함하는,
    인공지능 신경망을 이용한 목표지도 추론방법.
  17. 제 16 항에 있어서,
    상기 변형-목표지도는,
    상기 데이터 변형부에 의해 상기 입력데이터로부터 상기 변형-입력데이터를 생성하는 방법과 동일한 방법을 통해, 목표지도가 변형되어 생성된 것인,
    인공지능 신경망을 이용한 목표지도 추론방법.
  18. 제 16 항에 있어서,
    상기 목표지도 생성단계는,
    상기 목표지도에 포함된 음원의 위치(x, y)값을 파수 영역(k_x, k_y)으로 변환하는 단계;
    상기 파수 영역에서, 각 좌표와 음원 사이의 거리를 입력값으로 하는 목표 함수를 정의하는 단계; 및
    상기 목표함수의 조합으로 목표 지도를 산출하는 단계를 더 포함하는,
    인공지능 신경망을 이용한 목표지도 추론방법.
  19. 제 10 항 내지 제 18 항 중 어느 한 항의 방법을 구현하기 위한 프로그램이 기록된, 컴퓨터로 판독 가능한 기록매체.
KR1020220101772A 2022-08-16 2022-08-16 인공지능 신경망을 이용한 목표지도 추론시스템 및 방법 KR20240024380A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220101772A KR20240024380A (ko) 2022-08-16 2022-08-16 인공지능 신경망을 이용한 목표지도 추론시스템 및 방법
PCT/KR2022/014408 WO2024038948A1 (ko) 2022-08-16 2022-09-27 인공지능 신경망을 이용한 목표지도 추론시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220101772A KR20240024380A (ko) 2022-08-16 2022-08-16 인공지능 신경망을 이용한 목표지도 추론시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20240024380A true KR20240024380A (ko) 2024-02-26

Family

ID=89941891

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220101772A KR20240024380A (ko) 2022-08-16 2022-08-16 인공지능 신경망을 이용한 목표지도 추론시스템 및 방법

Country Status (2)

Country Link
KR (1) KR20240024380A (ko)
WO (1) WO2024038948A1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102414021B1 (ko) 2020-09-07 2022-06-29 한국표준과학연구원 인공지능 신경망을 이용한 고해상도 음원지도 취득 및 분석방법 및 시스템

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101282673B1 (ko) * 2011-12-09 2013-07-05 현대자동차주식회사 음원 위치 추정 방법
JP6323901B2 (ja) * 2014-02-28 2018-05-16 国立大学法人電気通信大学 収音装置および収音方法、並びにプログラム
KR102097641B1 (ko) * 2018-08-16 2020-04-06 국방과학연구소 구형 마이크로폰 어레이를 이용한 음원의 입사 방향 추정방법
KR20210140932A (ko) * 2020-05-14 2021-11-23 한국전자통신연구원 오디오 데이터의 증강 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102414021B1 (ko) 2020-09-07 2022-06-29 한국표준과학연구원 인공지능 신경망을 이용한 고해상도 음원지도 취득 및 분석방법 및 시스템

Also Published As

Publication number Publication date
WO2024038948A1 (ko) 2024-02-22

Similar Documents

Publication Publication Date Title
Van Komen et al. Seabed type and source parameters predictions using ship spectrograms in convolutional neural networks
US11074828B2 (en) Sonar target simulator
KR20190083583A (ko) 이진 홀로그램 재현 장치 및 그 방법
KR102414021B1 (ko) 인공지능 신경망을 이용한 고해상도 음원지도 취득 및 분석방법 및 시스템
JP4189879B2 (ja) 生成装置、生成方法、プログラム、及び記録媒体
KR101781760B1 (ko) 해양파 스펙트럼을 이용한 해양 표면의 사실적 시뮬레이션 방법 및 장치
Koutny et al. Source distance determination based on the spherical harmonics
Xu et al. Optical flow-based detection of gas leaks from pipelines using multibeam water column images
Osborne et al. Properties of rogue waves and the shape of the ocean wave power spectrum
KR20240024380A (ko) 인공지능 신경망을 이용한 목표지도 추론시스템 및 방법
JP2021026291A (ja) 学習装置、学習方法およびプログラム
KR102236169B1 (ko) 심층신경망과 자료동화 기법을 이용한 멀티빔 음압자료의 해저퇴적물 특성자료 변환 시스템
KR102193952B1 (ko) 음탐그램 클러터 최소화를 위한 콘볼루션 뉴럴 네트워크 기반 학습 및 추론 방법
US20220187916A1 (en) Information processing device
CN112799071B (zh) 一种水底位置的检测方法及装置
Czapiewska et al. Analysis of Impulse Responses Measured in Motion in a Towing Tank
KR20230098982A (ko) 인공지능 신경망 학습 방법 및 시스템, 이를 이용하여 목표 지도를 생성하는 방법 및 시스템
Adam et al. Adaptive Haar wavelets for the angular discretisation of spectral wave models
US20210049462A1 (en) Computer system and model training method
KR20240066662A (ko) 인공지능 신경망 학습방법 및 학습 시스템
Li et al. Functional generalized inverse beamforming based on the double-layer microphone array applied to separate the sound sources
KR102556810B1 (ko) 인공지능 신경망을 이용한 음원 분류 및 위치 추적 방법 및 시스템
KR20230108435A (ko) 인공지능 신경망 학습방법 및 시스템
CN113642245A (zh) 一种舰船辐射噪声数据集的构建方法
KR20210061264A (ko) 메쉬 기반 초고해상도 컴퓨터 생성 홀로그램 합성 방법 및 장치