The Journal of the Acoustical Society of KoreaISSN:1225-4428(Print) 2287-3775(Online)한국음향학회

본 연구에서는 데이터가 부족한 수중 음향 표적 인식 환경에서 신경망의 과적합을 완화하기 위해 벡터 양자화 기반의 정규화를 제안하였다. 이는 분류 네트워크가 목표 작업에 대해 학습된 후에 적용되는 이산 병목 층을 도입하는 것으로, 연속적인 임베딩을 유한한 코드북으로 압축한 후, 분류 단계 이전에 이를 재구성하는 방식으로 구현되었다. 추가로, 안정적인 최적화를 보장하기 위해 오토인코더 초기화와 코드북 사용량에 기반한 모델 선택 규칙을 제안하였다. ShipsEar 데이터셋에서 진행된 실험 결과, 제안 방식은 기존 Residual Networks(ResNet)-50 분류기 대비 4.8 % 향상된 79.7 %의 정확도를 달성하며 정규화 이득 측면의 효과성을 입증하였다. 또한, 이산 병목, 사후 학습, 오토인코더 초기화, 그리고 제안된 모델 선택 규칙은 효과적인 정규화를 달성하기 위해 모두 필요함을 입증하였다.

본 연구에서는 주파수 의존성을 고려한 새로운 레이 추적법을 제안하였다. 제안된 방법의 타당성은 평면 피스톤 진동에 의해 생성된 음장과의 비교를 통해 검증되었다. 구면 렌즈에 대한 시뮬레이션을 수행하여 초점 부근의 음장을 3차원적으로 분석하였으며, 그 결과 초점심도(Depth of Focus, DOF)는 이론값 대비 약 85 %, 빔 직경(Beam Diameter, BD)은 95 % 이상의 정확도를 보였다. 또한 비구면 렌즈에 대한 시뮬레이션을 통해, 기존 구면 렌즈로는 구현이 어려운 넓은 DOF를 갖는 음향렌즈 설계 및 제작 가능성을 확인하였다. 제안된 레이 추적법은 벽, 천장, 바닥 등에 의한 반사가 없는 환경에서 특히 효과적이며, 초음파 기반 반도체 웨이퍼 비파괴 검사 장비인 주사음향현미경(Scanning Acoustic Microscopy, SAM)에서 핵심 구성요소인 트랜스듀서 및 음향렌즈 설계에 유용하게 적용될 수 있다. 본 연구의 모든 수치 해석은 파이썬을 기반으로 구글 코랩 환경에서 수행되었다.

본 연구는 공동주택 바닥충격음 예측 모델의 현장 적용 가능성을 검토하기 위하여, 실험실 조건에서 도출된 슬래브 탄성계수 보정 결과를 실제 공동주택 현장에 적용하고 그 적정 범위를 분석하였다. 전용면적 59 타입, 84 타입, 99 타입의 공동주택을 대상으로 각 타입별 3개 현장, 총 9개 세대의 중량충격음 실측 데이터를 수집하였으며, 대표 평면을 기반으로 유한요소 해석 모델을 구축하였다. 슬래브 탄성계수 보정계수 α를 0.3, 0.7, 0.8, 0.9, 1.0으로 변화시키며 수치해석을 수행하고, 해석 결과와 실측 결과를 주파수 대역별 스펙트럼, 통계 지표(상관계수, 평균제곱근오차, 평균 편차, 최대 오차), 단일수치 (L_i,Fmax,AW) 기준으로 비교하였다. 그 결과, 50 Hz ~ 630 Hz 전체 대역에서는 타입과 평가 지표에 따라 최적 α가 서로 다르게 나타나 단일 대표값으로 일반화하기 어려웠다. 반면 50 Hz ~ 200 Hz 저주파 대역에서는 59 타입에서 α = 0.8, 84 타입에서 α = 0.8 ~ 0.9, 99 타입에서 α = 0.9가 상대적으로 우수한 정합성을 보여, 전체적으로 α = 0.8 ~ 0.9 범위에서 비교적 안정적인 경향이 확인되었다. 한편 단일수치 비교에서는 세 타입 모두 α = 1.0 조건이 실측값과 가장 작은 차이를 보였다. 이러한 결과는 주파수대역별 정합성과 단일수치 정합성이 서로 다른 응답 정보를 반영함을 보여준다. 따라서 슬래브 탄성계수 보정계수의 해석에서는 평가 지표와 주파수 범위를 함께 고려할 필요가 있다.

본 논문은 음악 선호도 예측에서 뇌파(Electroencephalogram, EEG) 정보의 실질적 기여를 검증하고자 하였다. 이를 위해 시간적 정보가 교란된 대조뇌파(Null Electroencephalogram, Null EEG) 데이터를 대조군으로 설정하고, 동일한 모델 구조에서 뇌파와 통제된 비교 실험을 수행하였다. 그 결과 뇌파 기반 모델은 대조뇌파 대비 일관된 성능 향상이 관찰되었으며, 음악 선호도 예측에 있어 뇌파 신호가 실질적으로 기여하는 것을 확인하였다. 이어서 오디오 특징 기반 모델과의 비교에서 뇌파 단독 모델이 오디오 특징 기반 모델에 비해 더 높은 성능을 보였으며, 뇌파와 오디오 특징을 결합한 모델이 최고 성능을 달성하였다. 마지막으로 관심영역(Region of Interest, ROI) 절제 실험을 통해 뇌 영역별 음악 선호도 예측 기여도를 탐색하였고 후두부와 전두엽 영역이 음악 선호도 예측과 큰 연관이 있음을 보였다. 본 연구는 개인의 음악 선호도 예측에서 뇌파의 역할과 오디오 특징과의 상호보완적 활용 가능성을 제시한다.

본 연구는 118명의 설문 응답을 바탕으로 환경에 따른 음악 청취 불편과 전체 음량 조절에 따른 청취 불균형 경험이 파트별 음향 조절 기능 수요와 관련이 있는지 분석했다. 주분석 결과, 청취 불편과 불균형 경험은 조용한 환경보다 소음 환경에서 더 크게 나타났으며, 파트별 음향 조절 기능 수요와 유의한 양의 상관관계를 보였다. 기존 전역 음향 제어 기능은 필요성을 인식하지 못하거나 사용하기 어렵다는 이유로 실제 사용자가 상대적으로 적었다. 파트별 조절에서는 응답자들이 반주 및 악기 음량을 선호 조절 대상으로 가장 많이 선택했으며, 강·중·약 3단계 조절 방식을 선호 제어 방식으로 가장 많이 선택했다. 이러한 결과는 음악 청취 개인화가 전체 음량 제어를 넘어, 사용자가 보컬과 반주 등 음악 구성 요소를 직관적으로 조절할 수 있는 파트별 음향 제어 방식으로 확장될 필요가 있음을 시사한다.

능동소나 반향은 표적 형상과 구조 배치에 의해 크게 좌우되며, 탐지 후 분류·식별 단계에서는 이를 정량적 특징으로 요약·비교하는 과정이 요구된다. 단상태 표적강도(Target Strength, TS)는 방위각별 반향 크기 분포를 제공하지만, 시간 지연, 구조물별 하이라이트, 위상 간섭에 따른 변동 원인을 직접 분리해 해석하기에는 한계가 있다. 본 연구에서는 동일 조건에서 4개의 능동 수중 표적 형상을 대칭형 및 선미 수축형 사례 모델로 구성하고, 주파수 영역 TS와 시간영역 반향을 분석하여 능동 수중 표적 형상에 따른 단상태 산란 특성을 비교하였다. 시간영역 반향은 시간–방위각 스택맵으로 시각화하여 하이라이트의 도달시각 및 상대 기여 변화를 확인하였다. 또한 시간영역 에너지 기반 적분 표적강도(Integrated Target Strength, ITS)를 계산하고, ITS 기반 요약지표로 섹터 평균(전방 0° – 30°, 측방 80° – 100°, 후방 150° – 180°), 전·후방 대비(ΔITS), 그리고 beam–stern 전이 구간(95° – 120°)의 선형 감쇠 기울기(Transition Fade Index, TFI)를 정의하여 정량 비교를 수행하였다. 제시된 모델 조건에서 대칭형 모델은 전·후방에서 비교적 균형적인 ITS/TS 분포를 보인 반면, 선미 수축형 모델은 후방 구간에서 ITS 감소 경향을 보였다. 특히 TFI는 beam–stern 전이 구간의 감쇠 추세를 정량화하여, 섹터 평균 및 ΔITS가 제공하는 후방 산란 수준 차이를 보완하는 지표로 활용 가능함을 확인하였다. 본 연구는 제시된 4개 모델 조건에서 능동 수중 표적 형상 변화에 따른 단상태 산란 특성을 시간영역 에너지 기반 지표로 해석하는 정량적 단서를 제공한다.

Directional Frequency Analysis and Recording(DIFAR) 소노부이는 하나의 무지향성 압력 센서와 두 개의 직교 입자속도 센서를 이용하여 단일 부이에서 수평면 방위각을 추정할 수 있다. 그러나 관측 채널 수가 세 개로 제한되기 때문에, 두 개 이상의 표적이 동시에 존재하는 경우 각 표적에 대응하는 스펙트럼 피크가 병합되어 개별 도래각(Directions Of Arrival, DOA)을 구분하기 어렵다. 본 논문에서는 이러한 한계를 완화하기 위해 DIFAR 신호를 3소자 가상 선형 배열(Virtual Linear Array, VLA) 응답으로 변환하고, 전후방 공분산 평균과 적응형 사전백색화를 결합한 Multiple Signal Classification(MUSIC) 기반 다중 표적 도래각 추정 기법을 제안한다. 제안 기법은 가상 선형 배열 영역에서 코히어런트 신호에 의한 공분산 구조의 영향을 완화하고, 공분산 행렬의 대각 성분을 이용하여 채널 전력 차이를 정규화한 뒤 MUSIC 스펙트럼을 계산한다. 협대역 모의 DIFAR 환경에서 코히어런트 두 표적 조건을 대상으로 Conventional Beamforming(CBF), Capon, MUSIC, Greedy Capon Beamformer(GCB) 방식과 성능을 비교하였다. 제안 기법은 평균 두 피크 검출률 85.55 %를 보였으며, 이는 비교 기법들보다 높은 검출률이다. 또한 두 피크 검출에 성공한 경우의 추정 오차(Root Mean Square Error, RMSE)는 신호대잡음비(Signal to Noise Ratio, SNR)이 증가함에 따라 감소하였고, 10 dB 조건에서 4.88°로 나타났다.

수중 음향 통신에서 M-ary frequency shift keying(MFSK) 변조와 N-ary Phase Shift Keying(NPSK) 변조를 결합한 M-ary Frequency/N-ary Phase Shift Keying(MF/NPSK) 변조 방식은 M과 N의 적절한 비율을 통하여 성능 및 전송률을 향상시키는 방식이다. MF/NPSK에서 MFSK 신호의 기존 복조 방식은 M개 주파수 대역 중 에너지가 가장 큰 대역을 강판정으로 복조한다. 그러나 터보 부호화된 MF/NPSK 심볼은 복조 후 연판정된 심볼을 입력해야만 터보 복호기의 내부 반복 및 외부 반복을 통해서 성능을 향상시킬 수 있다. 따라서 본 논문에서는 MF/NPSK 복조 심볼 중 Frequency Shift Keying(FSK) 할당 심볼을 연판정 출력이 가능하게 하여 등화기와 복호기의 반복을 통하여 성능을 향상시키는 연판정 복조 기반의 터보 등화 구조를 제안한다. 기존 복조 방식과 제안한 방식의 성능 비교 분석하기 위해 4FSK/2PSK 변조 방식을 고정하여 시뮬레이션 및 수중 실험을 수행하였으며, 제안한 복조 방식이 기존 방식에 비해 우수한 성능을 보였다.

본 논문에서는 수중에서 운동체의 3차원 위치 정보를 정확히 추정하기 위해 운동체에서 전송하는 심도 정보의 효율적인 신호 설계에 관하여 제시하였다. 기존 방식은 수중 운동체에서 측정된 심도 정보를 서로 다른 주파수를 갖는 연속파로 표현하는 방식, 그리고 심도를 바이너리 정보로 표현하는 방식이 대표적이다. 그러나 기존 방식은 연속파의 경우 많은 주파수가 필요하며, 바이너리로 표현하는 경우 오류 위치에 따라 심도 오차가 크게 발생할 수 있다. 따라서 본 논문에서는 심도 정보를 일정한 간격으로 표현하는 펄스 간격 변조(Pulse Interval Modulation, PIM) 방식을 제안한다. 제안한 방식은 간격의 오차가 발생하더라도 전체적인 심도 정보의 오차에는 큰 영향을 받지 않으므로 기존 방식에 비해 심도 정보를 정확히 추정할 수 있다. 또한 논문에서는 운동체의 시간에 따라 서로 다른 프레임 식별자를 전송하여, 다중 수신 센서에서 수신된 동일 프레임 식별자를 갖는 심도 정보를 융합하는 다중 센서 정보 융합 알고리즘을 제시하였다. 기존 바이너리 방식과 제안한 펄스 간격 변조 방식의 효율성을 비교 분석하기 위해 2차례의 해상 실험에서 획득된 데이터를 이용하였으며, 분석 결과 제안한 방식이 기존 방식에 비해 심도 정보의 오차를 약 8 m ~ 20 m 줄일 수 있음을 확인하였다.

수중음향통신에 있어서 송수신기가 이동하는 동적 환경에서 높은 통신 성능을 유지하는 것이 필요하다. 이 논문은 수중음향통신의 성능을 결정하는 주요 요인 가운데 하나인 도플러 천이 주파수를 추정하기 위해 프리앰블 구간의 스펙트로그램 이미지를 이용하여 잔차 네트워크(Residual Network, ResNet) 기반 회귀 추정 기법을 제안한다. 기존 합성곱 신경망(Convolutional Neural Network, CNN) 기반의 분류 방식과는 다르게 제안하는 기법은 도플러 천이 주파수를 연속적인 값으로써 직접 추정함으로써 높은 해상도의 추정이 가능하다. 잔차 네트워크는 잔차 연결 구조를 통해 도플러 효과에 의한 미세한 차이를 안정적으로 학습을 가능하게 한다. 또한 하향 및 상향 선형 주파수 변조(Linear Frequency Modulation, LFM) 신호를 연접한 프리앰블 구조를 활용하여 도플러 효과에 따른 시간 및 주파수 변화를 효과적으로 반영하였다. 모의실험 결과를 통해 제안된 방법이 기존의 분류 합성곱 신경망을 회귀 기반으로 변형한 방법보다 향상된 성능을 달성함을 보여준다. 제안한 방법은 Bellhop 시뮬레이션에서 신호대잡음비(Signal to Noise Ratio, SNR)가 20 dB인 경우 기존 방식 대비 약 2 Hz의 평균 도플러 천이 주파수 추정 오차가 감소하는 것을 확인하였다.

물리정보 신경망(Physics Informed Neural Network, PINN)을 활용한 해양 음압장 예측 기법은 제한된 관측 데이터를 이용하여 해양 음압장을 추정할 수 있으나, 관측 범위를 넘어서는 외삽 구간에서는 예측 성능이 저하되는 한계를 가진다. 본 연구에서는 이러한 외삽 구간에서의 성능 저하 문제를 개선하기 위하여 도파관 불변량(Waveguide Invariant, WI) 기반의 데이터 증강 방법을 PINN 학습 과정에 도입하였다. 수치 시뮬레이션을 통해 제안된 방법이 외삽 구간에서 기존 PINN 대비 향상된 예측 정확도를 보임을 확인하였으며, 추가적으로 음원 거리 추정 문제에서의 적용 가능성을 검증하였다.