비지도 학습을 활용한 자동차 실내 소음 위치 탐색 방안

• 영문명: Detecting the Location of Invehicle Noise Using Unsupervised Learning
• 발행기관: 한국생산관리학회
• 저자명: 양원석(Won Seok Yang)
• 간행물 정보: 『한국생산관리학회지』韓國生産管理學會誌 第32卷 第2號, 185~198쪽, 전체 14쪽
• 주제분류: 경제경영 > 경영학
• 파일형태: PDF
• 발행일자: 2021.05.30

국문 초록

본 논문에서는 소리의 크기 차이로 감지되는 자동차의 주요 실내소음의 발생 위치와 시점을 탐색하는 알고리즘을 제시한다. 자동차 실내에서 밀집되어 빈번하게 발생하여 자동차 운전자에게 이질적이며 중요하게 인식되는 주요 실내소음의 발생 위치를 탐색하기 위해, 인간의 소음 인식 과정을 감지, 기억, 인식의 3단계로 구분하여 모델링하고, 각 단계별로 머신러닝의 비지도 학습 기법인 밀도기반 군집분석 등을 활용한 데이터분석 방법론을 제안한다. 본 연구에서는 음향카메라로 측정된 다중 위치의 소음데이터를 활용한다. 음향카메라는 빔형성 기법을 이용하여 음향을 측정하고 형상화하는 기술로 다중 위치의 실내 음향 측정에 유용하다. 본 논문에서는 수치 예를 통해 본 연구에서 제시한 분석 방법의 타당성을 확인 하고 머신러닝의 비지도 표현학습 방법론인 오토인코더, tSNE, 그리고 PCA를 적용하여 실내소음의 탐색 결과에 따른 소음데이터의 시각화 결과를 제시한다. 본 연구에서 제시하는 알고리즘은 비지도 학습이기 때문에 대단위의 훈련데이터를 구축할 필요가 없어 데이터 수집의 경제성 및 적용 대상의 유연성 측면에서 장점을 갖는다.

영문 초록

In this paper, we present an algorithm to find the location and timing of major noise in a vehicle detected by the difference in sound volume. We propose a model that describes the process of human noise recognition at three stages of detection, memory, and recognition. We present data analysis methods for each stage, including density-based clustering in machine learning to examine the location of the interior noise, generated inside the car, recognized as important and heterogeneous for the driver. We use noise data from multiple locations measured by an acoustic camera that measures and shapes the sound at a specific location using a beamforming technique. Finally, numerical examples are given for verifying the algorithm presented in this paper. In addition, interior noise data is visualized using autoencoder, tSNE, and PCA in unsupervised feature learning. Since the algorithm presented is unsupervised learning, it is unnecessary to build large-scale training data. It is therefore advantageous in terms of data collection economy and application flexibility.

목차

Ⅰ. 서론

Ⅱ. 관련 연구

Ⅲ. 실내소음 위치 탐색 방안

Ⅳ. 수치 예

Ⅴ. 결론

참고문헌

키워드

자동차 실내소음 위치 탐색 비지도 학습 밀도기반 군집분석 비지도 표현학습 invehicle noise location detection unsupervised learning density-based clustering unsupervised feature learning