SUALTI AKUSTİK TONLARIN KESTİRİMİNDE FARKLI EŞİKLEME

Transkript

1 . ULUSAL AKUSTİK KONGRESİ YILDIZ TEKNİK ÜNİVERSİTESİ ODİTORYUMU, İSTANBUL Aralık 13 SUALTI AKUSTİK TONLARIN KESTİRİMİNDE RKLI EŞİKLEME YÖNTEMLERİNİN KULLANIMI ve ANALİZİ Serdar Özen 1, Mehmet Ali Çavuşlu 1, Mehmet Öner 1, Ahmet Ceyhun İlgüy 1, Önder Tatar 1, Yaşar Hakan Başaran 1 1 Koç Bilgi ve Savunma Teknolojileri A.Ş., Çankaya, Ankara, Türkiye Tel: , e-posta: {serdar.ozen, ali.cavuslu, mehmet.oner, ceyhun.ilguy, onder.tatar, hakan.basaran}@kocsavunma.com.tr ÖZET Deniz taşıtlarının, sualtı akustik algılayıcıları ile algılanan sinyallerden tespit edilebilmesi amacıyla, makina/pervane gürültülerini ortam gürültüsünden ayrıştırmak gerekmektedir. Bu işlemleri yapabilmek için özellikle gerçek zamanlı çalışan ve enerji kısıtlı sistemlerde, işlemsel karmaşıklığı düşük olan kestirim yöntemlerinin kullanılması tercih sebebi olacaktır. Literatürde önerilen eşikleme tabanlı yöntemlerden, hesaplama karmaşıklığı en düşük olanlardan biri olan Sabit Yanlış Alarm Olasılığı (SYAO) tabanlı eşikleme yöntemi, yanlış alarm olasılığı korunurken tespit olasılığını en yüksek seviyeye çıkarmayı amaçlamaktadır. SYAO tabanlı eşikleme, kaynak sinyalleri ortam gürültüsünden ayırmak için gerekli olan eşik değerini belirlemektedir. Bu çalışmada, eşik değerinin sağlanması için Sıralı İstatistik ve Hücresel Ortalamalı Sabit Yanlış Alarm Olasılığı tabanlı eşikleme teknikleri kullanılmıştır. Bu teknikler kullanılarak, deniz taşıtlarına ait iz bilgileri ortam gürültüsünden ayrıştırılması gösterilmiştir. Anahtar Kelimeler: Sabit Yanlış Alarm Olasılığı, Hücresel Ortalamalı, Sıralı İstatistik USE AND ANALYSIS OF DIFFERENT THRESHOLDING METHODS FOR THE PREDICTION OF UNDERWATER ACOUSTIC TONES ABSTRACT In order to detect marine vehicles from signals acquired by underwater acoustic sensors, machine and propeller noise of the vehicle must be separated from ambient noise. To perform these operations, use of low computational complexity estimation methods are preferred for especially real time and low power systems. Constant False Alarm Rate (CR) is one such method with low computational complexity proposed in the literature. CR is intended for maximum detection rate at fixed false alarm rate. In this study, Order Statistic CR and Cell Averaging CR based thresholding methods were used to determine the threshold level. By using these methods, marine vehicle signals are separated from ambient noise. Keywords: Constant False Alarm Rate, Cell Averaging, Order Statistic

2 1. GİRİŞ Aktif sonarlar sualtına akustik sinyaller göndererek, deniz içinde var olan cisim ve/veya canlılardan yansıyan sinyalleri inceleyerek ortamda bulunan cisim ve/veya canlıların tespitini ve sınıflandırma işlemini yapabilmektedirler [1], []. Aktif sonarlar yaydıkları sinyalin karakteristiklerini bildiklerinden başarımı yüksek olan sistemlerdir. Fakat yayınladıkları sinyal nedeniyle karşı tehditler tarafından varlıklarının ve yerlerinin tespiti olasıdır. Aktif sonarların sahip olduğu dezavantajlar, keşif ve gözetleme amaçlı kullanımlarda yerini pasif sonarlara bırakmaktadır. Pasif sonarlar, varlıklarını ve yerlerini belirtecek bir sinyal yaymak yerine sadece ortamdaki sinyalleri dinleyerek analizler yapmaktadırlar. Fakat tespit ve sınıflandırma başarımları için çözümlemesi gereken sinyal çeşitliliği fazladır [3]. Pasif sonarlar, algılayıcı tarafından alınan sinyallerin işlenmesi sonucunda tespit ve sınıflandırma işlemi yapabilmektedir. Deniz taşıtlarının deniz ortamında yaymış olduğu akustik sinyallerin kendilerine haiz akustik imzaya sahip olması nedeniyle, pasif sonarlarda deniz taşıtlarının tespiti ve sınıflandırılması olasıdır [4]. Ortam gürültüsünün durağan olmaması nedeniyle, pasif sonarlarda tespit ve sınıflandırma işlemleri için deniz durumuna bağlı ortam gürültüsünün izlenmesi ve sinyal işleme algoritmaları tarafından deniz taşıtlarına ait akustik imzanın ortam gürültüsünden ayrıştırılması gerekmektedir. Literatürde kaynağa ait iz bilgilerinin ortam gürültüsünden ayrıştırılmasına ait çeşitli sinyal işleme algoritmaları önerilmiştir [5]. Pasif sonarların bazılarının batarya ile beslenen gömülü sistemler olmaları nedeniyle, düşük güç harcama gereksinimleri de göz önünde bulundurulduğunda, iz bilgilerinin çıkarımında, hesaplama karmaşıklığı düşük algoritmaların kullanılması, sonarların kullanım sürelerinde artış sağlayacaktır. Hesaplama karmaşıklığı düşük eşikleme tabanlı yöntemler için farklı yaklaşımlar mevcuttur [7]. Sabit Yanlış Alarm Olasılığı (SYAO) tabanlı yöntemler hesaplama karmaşıklığının düşük olmasıyla sonar için gerekli düşük güç harcama gereksinimin karşılamaktadır. SYAO tabanlı eşikleme yönteminde, yanlış alarm olasılığı korunurken tespit olasılığını en yüksek seviyeye çıkarmayı amaçlamaktadır [8]. SYAO tabanlı eşikleme yönteminde alınan sinyalin kaynak sinyali mi yoksa ortam gürültüsü olup olmadığını belirlemek için eşik değeri hesaplanır. Bu eşik değerinin sağlanması için yaygın olarak Sıralı İstatistik (Sİ-SYAO) ve Hücresel Ortalamalı Sabit Yanlış Alarm Olasılığı (HO-SYAO ) tabanlı yöntemler kullanılmaktadır [9]. Bu çalışmada, algılayıcıda alınan sinyaller alçak frekans analizlerine (LOR ve DEMON) tabi tutularak gürültü kaynaklarının imzalarının tespiti için ton kestirimi yapılmıştır. Analiz sonucunda elde edilen verilerden iz bilgilerinin çıkarımı için eşikleme yöntemlerinden Sİ- SYAO ve HO-SYAO teknikleri kullanılmıştır. Bu çalışmanın organizasyonu şu şekilde özetlenebilir: Bölüm 'de platform kaynaklı sinyaller tanıtılmıştır. Bölüm 3'te LOR ve Bölüm 4 te DEMON analizleri anlatılmıştır. Bölüm 5 te sabit yanlış alarm olasılığ tabanlı eşikleme, Bölüm 6 da iz bilgilerinin ortam gürültüsünden ayrıştırılması, Bölüm 7 de de Bölüm 6 da elde edilen sonuçların yorumlarına yer verilmiştir.. PLATFORM KAYNAKLI SİNYALLER Platformdan yayılan akustik gürültü bileşenleri, makine hareketleri, düşürme dişlileri, akış gürültüsü, jeneratör ile tulumba ve fan gibi motorlardan çıkan gürültülerden oluşmakla

3 birlikte, pervanenin yüksek hızlarda oluşturduğu kavitasyon gürültüsü de mevcuttur. Bu gürültüler Denklem (1) de detaylı olarak verilmiştir. Denklem (1)'de xp t x t x t x t e N C, cos, x t A f t e e n e n n1 1 x p t nc t xb t N B, cos, x t A f t b b m b m m1 xt platformdan yayılan akustik işareti, pervane kaynaklı gürültüleri ve göstermektedir. nc t sayısını göstermektedir. A bm, xb t kavitasyon gürültüsünü [6], A en, p xe (1) t makine kaynaklı gürültüleri, pervane kanatlarından kaynaklanan işaretleri N C makinaden kaynaklanan silindir sayısını, n N B pervane kanat inci harmonik sinyalin genliğini, pervane kanatlarından yayılan m inci harmonik sinyalin genliğini göstermektedir. Platformdan yayılan bu sinyaller sualtı ortamında (1) deki gibi çoklu yayılım kaybına uğradıktan sonra algılayıcıya ulaşmaktadır. Algılayıcıya ulaşan bu sinyaller arasında periyodik özellikte olan sinyallerin çıkarımı ile platforma haiz imzalar elde edilebilmektedir. Düşük frekans bantlarında gözlemlenebilen makine ve tulumba motoruna vb ilişkin ton bilgilerinin çıkarılması için LOR analizi ve pervanenin oluşturduğu kavitasyon gürültüsüyle kiplenmiş periyodik pervane işaretlerine ilişkin ton bilgilerinin çıkarımı için ise DEMON analizleri vasıtasıyla frekans hatları kestirilerek, sınıflandırmada kullanılacak özniteliklerin çıkarımına hazırlık yapılmaktadır. 3. LOR ANALİZLERİ Düşük frekans bantlarında (genellikle 1 KHz ve altı) deniz araçlarına ait makine, yardımcı makine, türbin, dişli vb. iz bilgileri görülebilmektedir. LOR analizlerinde öncelikle algılayıcı vasıtasıyla algılanan sinyal örneklendikten sonra alçak geçiren süzgeçten geçirilmektedir. Alçak geçiren süzgecin kesim frekansı bu çalışmada 1 KHz olarak seçilmiştir. Daha sonra hızlı fourier dönüşüm (HFD) işlemi yapabilmek amacıyla seri giriş örnekleri paralelleştirilir ve HFD işlemine tabi tutulur. Dönüşüm sonucunda elde edilen sonuçlar paralelden seri frekans değerlerine dönüştürülür. Seri girişler mutlak değer işlem bloğundan geçirilerek LOR analizi tamamlanmaktadır. Detaylı blok şema Şekil 1 de verilmiştir. 4. DEMON ANALİZLERİ Düşük frekanslarda ortam gürültü seviyesinin çok fazla olması nedeniyle pervane hareketinden meydana gelen düşük frekanslardaki iz bilgilerinin tespit edilme olasılığı düşüktür. Denlem (1) de tanımlanan kavitasyon gürültüsü pervane hareketinden kaynaklanan iz bilgilerini yüksek frekanslara taşır. Yüksek frekanslarda ortam gürültüsü seviyesinin düşük frekanslara göre daha az olması nedeniyle, DEMON analizi ile pervane kaynaklı iz bilgilerinin tespiti olasıdır. Şekil de DEMON analizi blok şeması gösterilmektedir. Şekil 'den de görüleceği üzere, algılayıcıda alınan sinyaller örneklendikten sonra yüksek geçiren süzgeçten geçirilmektedir. Süzgeçten geçirilen sinyalde mutlak değer alma işlemi yapılarak

4 kiplenmiş olan pervane tonlarının tekrar düşük frekans bandına taşınması sağlanmaktadır. bandının taşınması işleminden sonra ise HFD işleminin gerçeklenebilmesi için seri olan girişler paralelleştirilmektedir. Paralelleştirilen veriler HFD işlemine tabi tutularak elde edilen çıkış değeri ise, seri olarak mutlak değer alma işlem bloğuna aktarılmaktadır. Mutlak değer alma işlemi sonucunda elde edilen çıktı ile analiz tamamlanmış olmaktadır. Şekil 1. LOR analizi blok şeması, Şekil. DEMON analizi blok şeması 5. SABİT YANLIŞ ALARM OLASILIĞI TABANLI EŞİKLEME Deniz taşıtlarının meydana getirmiş olduğu iz bilgilerini ortam gürültüsünden ayrıştırabilmek amacıyla bu çalışmada Sıralı İstatiksel SYAO tabanlı eşikleme ve Hücresel Ortalamalı SYAO tabanlı eşikleme kullanılmıştır. Bu eşikleme teknikleri aşağıda kısaca özetlenmiştir Sıra İstatistiği Sabit Yanlış Alarm Oranı Tabanlı Eşikleme Sıra İstatistiği tabanlı Sabit Yanlış Alarm Oranı (Sİ-SYAO) tipi eşikleme yönteminde, N uzunluğundaki penceredeki değerleri Denklem () deki gibi küçükten büyüğe doğru sıralanır. Denklem ()'deki gibi sıralanan Z ( n) değeri Denklem (3)'deki gibi tanımlanır. Xn, [ ] DEMON ( XD[ n ]) ve LOR( XL[ n ]) analizleri sonucunda frekans uzayında elde edilen işaretlerden herhangi birini göstermektedir. Z Z Z Z () 1 K N

5 Z X[ n], n 1,,, N (3) n Denklem ()'deki gibi sıralanan bu değerlerden 'ıncı değerin sonucunda elde edilen eşik değeri Denklem (4) de verilmiştir. K sabiti ile çarpılması Z K Eşikleme işleminde, elde edilen eşik değeri dan küçük olan değerler ortam gürültüsü olarak kabul edilirken, dan büyük olan değerlerin ise ortamda bulunan bir platformun çıkardığı gürültüye ait frekans uzayında bir işaret olduğu varsayımı yapılmaktadır. Verilen yanlış alarm olasılığı ( ) ile birlikte eşik değerinin hesaplanmasında kullanılacak olan 'ıncı sıra değeri Denklem (5)'deki gibi bulunur [], [11]: p K (4) K N p Hücresel Ortalamalı Sabit Yanlış Alarm Oranı Tabanlı Eşikleme (5) Hücresel Ortalama Sabit Yanlış Alarm Oranı T örneklem penceresi ile N anındaki örneğin N uzunluğundaki gecikme uzunluğundaki ön örneklem pencereleri kullanarak farklı varyasyonlarda işlem yapılarak gerçekleştirilir. Şekil 3 den de görüleceği üzere gecikme örneklem penceresi ile ön örneklem pencerelerinin örnekleri toplamının g x fonksiyonunda geçirildikten sonra elde edilen sonucun sabiti ile çarpılması sonucunda elde edilen eşik değerinden küçük olan değerlerin ortam gürültüsü olduğu varsayımı yapılmaktadır. Büyük olan X T değerlerinin ise ortam gürültüsünden farklı olarak ortamda bulunan bir nesneden geldiği varsayımı yapılmaktadır. Şekil 3. Hücresel Ortalama Sabit Yanlış Alarm Oranı Tabanlı eşikleme blok şeması [9] Yanlış alarm olasılığı, Denklem (6) daki gibi tanımlanır.

6 p Pr X k H p p 1 r exp dr (6) x x exp x Verilen yanlış alarm olasılığı ile birlikte eşik değeri Denklem (7) deki gibi hesaplanır. x ln p (7) 6. İZ BİLGİLERİNİN ORTAM GÜRÜLTÜSÜNDEN AYRIŞTIRILMASI 6.1. DEMON Analizi Yapılmış Sinyalden CR ile İz Bilgilerinin Ayrıştırılması Hücresel ortalamalı SYAO işleminde eşik değerinin, belirlenmesi amacıyla sabit yanlış alarm olasılığı sabit tutularak ( p 5 ) farklı pencere uzunluklarında ( N 5 ve N 11 hesaplanması ile elde edilen analiz sonuçları Şekil 4 te verilmiştir. Şekil 5 te ise pencere uzunluğu sabit tutularak ( N 11 ) farklı yanlış alarm olasılıklarında ( p 3 ve 7 ) elde edilen analiz sonuçları verilmiştir. p )) Şekil yanlış alarm olasılığında a) N/ = 5 b) N/ = 11 Hücresel Ortalama SYAO

7 Şekil 5. N/ = 11 pencere uzunluğunda a) p= -3 b) p= -7 Hücresel Ortalama SYAO Sıralı istatistik SYAO işleminde eşik değerinin, belirlenmesi amacıyla tutularak ( ve analiz sonuçları Şekil 6 da verilmiştir..75) farklı yanlış alarm olasılıklarında ( p 3 p 7 değeri sabit ) elde edilen Şekil 6. α =.75, a) p= -3 b) p= -7 Sıralı İstatistiksel SYAO 6.. LOR Analizi Yapılmış Sinyalden CR ile İz Bilgilerinin Ayrıştırılması Hücresel ortalamalı SYAO işleminde eşik değerinin belirlenmesi amacıyla, sabit yanlış alarm 3 N N olasılığı sabit tutularak ( p ) farklı pencere uzunluklarında ( 5 ve 11 )) hesaplanması ile elde edilen analiz sonuçları Şekil 7 de verilmiştir. Şekil 8 de ise pencere uzunluğu sabit tutularak ( N 11 ) farklı yanlış alarm olasılıklarında ( p ve 5 ) elde edilen analiz sonuçları verilmiştir. p

8 Şekil yanlış alarm olasılığında a) N/ = 5 b) N/ = 11 Hücresel Ortalama SYAO Şekil 8. N/ = 11 pencere uzunluğunda a) p=- b) p=-5 Hücresel Ortalama SYAO Sıralı istatistik SYAO işleminde eşik değerinin belirlenmesi amacıyla değeri sabit tutularak (.5 ) farklı yanlış alarm olasılıklarında ( p ve p 5 ) elde edilen analiz sonuçları Şekil 9 da verilmiştir Şekil 9. α =. 5, a) p=- b) p=-5 Sıralı İstatistiksel SYAO 4

9 7. YORUMLAR Şekil 4, Şekil 5, Şekil 7 ve Şekil 8 den de görüleceği üzere hücresel ortalamalı SYAO tabanlı eşikleme LOR ve DEMON analizlerinde başarılı sonuçlar üretmektedir. DEMON analizlerinde aynı yanlış alarm olasılığında hücresel ortalamalı SYAO tabanlı eşikleme ile iz bilgilerinin elde edilmesinde başarılı olunurken, sıralı istatistiksel SYAO tabanlı eşikleme sonucunda iz bilgileri net olarak elde edilememektedir (Şekil 6). LOR analizlerinde ise sıralı istatistiksel SYAO tabanlı eşikleme sonucunda iz bilgileri net olarak elde edilebilmektedir. Bu sayede, pasif sensörler ile sualtına gürültü yayan platform gürültülerinin analizi ve bu analizlerden elde edilecek parametreler ile platformlarını sınıflandırılması mümkün olabilecektir. Bundan sonraki çalışmalarda, kategorilere ayrılmış platform izlerinin LOR ve DEMON kaynaklı gürültü analizleri ile sınıflandırılması amaçlanmaktadır. 8. TEŞEKKÜR Bu çalışma, 9A18 kontrat numaralı 7 SAVTAG projesi kapsamında TÜBİTAK tarafından desteklenmektedir. Bu yayın TÜBİTAK Başkanlığı görüşlerini ve tespitlerini içermemektedir. KAYNAKLAR [1] Moura, N. N., Filho, E. S., Seixas J. M., Independent Component Analysis for Passive Sonar Signal Processing, in Advances in Sonar Technology. S. R. Silva, Ed.9. [] Hashem, H., Automatic Classification of Underwater Sonar signals, MTTS/IEEE Techno - Ocean'4, Vol. 3, pp , 4. [3] Peyvandi, H., Fazaeefar, B., Amindavar, H., Determining class of underwater vehicles in passive sonar using hidden Markov with Hausdorff similarity measure, Proceedings of 1998 International Symposium on Underwater Technology,,ISBN: , 58-61, [4] Nielsen, R. O., Sonar Signal Processing, Artech House, [5] Fonseca,J.M., Correia, L., A Real-Time Classifier for Identification of Acoustic Signatures, Computazione Evolutiva, Anno I, I(): 5-13, [6] Ge, G., Sang, E., Liu, Z., Zhu, B.,Underwater acoustic featureextraction based on bidimensional empirical mode decomposition in shadow field, IEEE Proceedings of signal design and its applications in communcations, , 7 [7] Gupta, D.V., Vetelino, J.F., Curry, T.J., Francis, J.T., An Adaptive Threshold System for Nonstationary Noise Backgrounds, IEEE Transactions on Aerospace and Electronic Systems, AES-13(1) : 11-16, [8] Rohling, H., Radar CR thresholding in clutter and multiple target situations, IEEE Rans. on AES, 19: 8-61, 1983 [9] Karaca, Ü., Constant False Alarm Rate (CR) Detection Based Estimators with Applıcatıons to Sparse Wireless Channels, Yüksek Lisans Tezi İYTE, 6 [] Kim K.M., Lee C., Youn D.H., Adaptive processing technique for enhanced CR detecting performance in active sonar systems, IEEE Trans. Aerosp. and Electron. Syst., vol: 3, num:, [11] Cheng, E. D., Piccardi, M., Jan, T., Boat-Generated Acoustic Target Signal Detection by Use of an Adaptive Median CR and Multi-frame Integration Algorithm, 13th European Signal Processing Conference, Turkey, 4-8 September, 5