The Journal of Korean Institute of Communications and Information Sciences (한국통신학회논문지)

The Korean Institute of Commucations and Information Sciences (한국통신학회)
권호 표지

Classification of Underwater Transient Signals Using MFCC Feature Vector

MFCC 특징 벡터를 이용한 수중 천이 신호 식별

  • 임태균 (경북대학교 전자전기컴퓨터학부) ;
  • 황찬식 (경북대학교 전자전기컴퓨터학부) ;
  • 이형욱 (국방과학연구소 수중탐지체계부) ;
  • 배건성 (경북대학교 전자전기컴퓨터학부)
  • Published : 2007.08.31
Download PDF
⟨ Previous Next ⟩

Abstract

This paper presents a new method for classification of underwater transient signals, which employs frame-based decision with Mel Frequency Cepstral Coefficients(MFCC). The MFCC feature vector is extracted frame-by-frame basis for an input signal that is detected as a transient signal, and Euclidean distances are calculated between this and all MFCC feature. vectors in the reference database. Then each frame of the detected input signal is mapped to the class having minimum Euclidean distance in the reference database. Finally the input signal is classified as the class that has maximum mapping rate in the reference database. Experimental results demonstrate that the proposed method is very promising for classification of underwater transient signals.

일반적으로 천이 신호의 식별은 지진학이나 상태 모니터링 분야, 특히 수중 음향 신호 처리 분야에서 활발한 연구가 이루어지고 있다. 수중 환경에서 발생하는 천이 신호로는 돌고래와 같은 해양 생물이 내는 천이 신호와 선박, 잠수함 등에서 발생하는 인위적인 천이 신호 등이 있으며, 수중 감시 체계에서 이러한 수중 천이 신호를 식별하는 문제는 매우 중요한 연구 주제이다. 본 논문에서는 음성 인식 분야에서 우수한 인식 성능을 보이는 MFCC(Mel Frequency Cepstral Coefficient)를 기반으로, 천이 신호로 탐지된 입력 신호에 대하여 분석 프레임 단위로 MFCC 특징 벡터를 추출하고, 식별하고자 하는 데이터베이스에 있는 모든 참조 신호들의 MFCC 특징 벡터와의 유클리디언 거리(euclidean distance)를 계산한 후, 가장 작은 값을 갖는 참조 신호로 입력 프레임들을 사상(mapping)시킴으로써 사상이 가장 많이 된 참조 신호로 탐지된 수중 천이신호를 식별하는 프레임 기반의 식별 알고리즘을 제안한다.

Keywords

References

  1. Dragana Carevic, 'Adaptive window-length detection of underwater transients using wavelets,' J. Acoust. Soc. Am., vol. 117, no. 5, pp. 2904-2913, May 2005 https://doi.org/10.1121/1.1893270
  2. Simon Tucker. and Guy J. Brown, 'Classification of transient sonar sounds using perceptually motivated features,' IEEE J. Ocean Engineering, vol. 30, no. 3, pp. 588-600, July 2005 https://doi.org/10.1109/JOE.2005.850910
  3. Stefanos K. Goumas, Michael E. Zervakis, and G. S. Stavrakakis, 'Classification of washing machines vibration signals using discrete wavelet analysis for feature extraction,' IEEE Trans. Instrumentation and Measurement, vol. 51, no. 3, pp. 497-508, June 2002 https://doi.org/10.1109/TIM.2002.1017721
  4. N. Yen, 'Time and frequency representation of acoustic signals by means of the Wigner distribution: Implementation and interpretation,' J. Acoust. Soc. Am., vol. 81, no. 6, pp. 1841-1850, June 1998 https://doi.org/10.1121/1.395128
  5. Boualem Boashash and Peter O'Shea, 'A methodology for detection and classification of some underwater acoustic signals using time-frequency analysis techniques,' IEEE Trans. Acoustics, Speech and Signal Processing, vol. 38, no. 11, pp. 1829-1841, November 1990 https://doi.org/10.1109/29.103085
  6. J. R. Dellar, J. G. Proakis, and J. H. L. Hansen, Discrete-Time Processing of Speech Signals, Macmillan Publishing Company, a division of Macmillan Inc., 380-397, 1993
  7. K. Sri Rama Murty and B. Yegnanarayana, 'Combining Evidence From Residual Phase and MFCC Features for Speaker Recognition,' IEEE Signal processing Letters, vol. 13, no. 1, pp. 52-55, January 2006 https://doi.org/10.1109/LSP.2005.860538
  8. Taegyun Lim, Siho Kim, Keunsung Bae, Chansik Hwang, 'Classification of Some Underwater Transient Signals Using Wigner-Ville Distribution Function,' The 9th Western Pacific Acoustics Conference, pp. 173, June 2006