[논문 리뷰] Feature Selection based on Principal Component Analysis for Underwater Source Localization by Deep Learning

Xiaoyu Zhu, Hefeng Dong외 2명|arXiv (Cornell University)|2020. 11. 25.

Underwater Acoustics Research참고 문헌 29인용 수 5

한 줄 요약

이 논문은 깊이 학습을 사용한 수중 소스 정위치에 대한 주성분 분석(PCA) 기반의 해석 가능한 특성 선택 방법을 제안한다. 주성분 회귀(PCR)와 이중 단계의 준감독 학습 프레임워크를 결합하여, 단일 수중 마이크로폰 데이터에서 가장 관련성이 높은 주파수 성분을 선택함으로써 학습 시간을 95% 감소시키면서도 정확도와 강인성을 향상시킨다. 특히 레이블이 적은 조건에서 SWellEx-96 데이터셋에서 뛰어난 성능을 보였다.

ABSTRACT

In this paper, we propose an interpretable feature selection method based on principal component analysis (PCA) and principal component regression (PCR), which can extract important features for underwater source localization by only introducing the source location without other prior information. This feature selection method is combined with a two-step framework for underwater source localization based on the semi-supervised learning scheme. In the framework, the first step utilizes a convolutional autoencoder to extract the latent features from the whole available dataset. The second step performs source localization via an encoder multi-layer perceptron (MLP) trained on a limited labeled portion of the dataset. The proposed approach has been validated on the public dataset SwllEx-96 Event S5. The result shows the framework has appealing accuracy and robustness on the unseen data, especially when the number of data used to train gradually decreases. After feature selection, not only the training stage has a 95\% acceleration but the performance of the framework becomes more robust on the depth and more accurate when the number of labeled data used to train is extremely limited.

연구 동기 및 목표

• 준감독 학습을 통해 레이블이 제한된 수중 소스 정위치 문제를 해결하기 위해 레이블이 있는 데이터와 없는 데이터를 모두 활용한다.
• 원시 신호 데이터에서 가장 정보가 많은 특성만 식별하고 선택하여 수중 음향 분야의 딥 러닝 모델의 계산 부담을 줄인다.
• 환경 또는 전파 모델 데이터가 필요 없이 소스 정위치 정보에만 의존하는 해석 가능한 특성 선택 과정을 개발한다.
• 특히 학습 데이터가 부족한 상황에서 모델의 일반화 능력과 강인성을 향상시킨다.
• 특성 선택이 레이블 데이터가 극히 적은 조건에서 준감독 및 순수 감독 학습 환경 모두에서 성능 향상에 기여함을 입증한다.

제안 방법

• 원시 단일 수중 마이크로폰 신호를 주파수 도메인 표현으로 전처리하기 위해 이산 푸리에 변환(DFT)을 적용한다.
• 입력 성분 간의 상관관계를 최소화하고 분산을 최대화하는 잠재 특성들을 추출하기 위해 주성분 분석(PCA)을 사용한다.
• 소스 정위치를 반응 변수로 삼아 주성분 회귀(PCR)를 수행하여 회귀 계수 크기를 기반으로 중요한 특성들을 식별한다.
• 절대값이 큰 PCR 계수를 가진 특성들을 선택하며, 이는 데이터 분산의 최소 50%를 설명하고 로딩 플롯 상 두 개의 동심 원 사이에 위치한 특성들이다.
• 선택된 특성들을 이중 단계 준감독 프레임워크에 통합한다: 첫 번째 단계에서는 양방향 컨volutional autoencoder(CAE)가 비지도 방식으로 잠재 표현을 학습하고, 두 번째 단계에서는 제한된 레이블 데이터를 사용해 인코더-MLP를 지도 학습 방식으로 미세 조정한다.
• 최종 모델은 평균 제곱 오차(MSE) 손실을 사용해 훈련하고, SWellEx-96 이벤트 S5 공개 데이터셋에서 성능을 평가한다.

실험 결과

연구 질문

• RQ1 환경 지식 없이도 PCA 기반의 특성 선택이 수중 소스 정위치에 있어 가장 정보가 많은 주파수 성분을 효과적으로 식별할 수 있는가?
• RQ2 선택된 특성들만 포함했을 때, 레이블 데이터가 적은 조건에서 학습 속도와 모델 성능에 어떤 영향을 미치는가?
• RQ3 제안된 준감독 이중 단계 프레임워크는 기존의 표준 감독 학습 대비 미리 보지 않은 데이터에 대해 얼마나 더 강인하고 정확한가?
• RQ4 선택된 특성들이 소스의 깊이 및 전송 수준과 같은 특성과 물리적으로 해석 가능할 수 있는가?
• RQ5 레이블 데이터가 극히 제한된 상황에서 특성 선택이 준감독 및 순수 감독 학습 시나리오 양쪽 모두에서 성능 향상에 기여하는가?

주요 결과

• 제안된 PCA-PCR 특성 선택 방법은 성능 저하 없이 평균 95%의 학습 시간 감소를 이룩했다.
• 학습에 사용된 데이터가 12.5%에 불과한 경우에도, 특성 선택 방법은 준감독 및 순수 감독 학습 환경 모두에서 정위치 정확도를 향상시켰다.
• 모델은 특히 레이블 데이터가 적은 조건에서 더 강인한 성능을 보였다.
• 상관관계 로딩 플롯을 통해 127, 145, 198, 232, 280, 335, 385 Hz(얕은 소스) 및 238, 338, 388 Hz(깊은 소스) 주파수 성분이 가장 중요하다는 것이 확인되었으며, 이는 물리적 기대와 일치했다.
• 가장 높은 전송 신호 수준과 391 Hz와 같은 톤에 관련된 특성들은 소스 정위치와 강한 상관관계를 보였고, 원점 근처에 위치한 다른 특성들은 덜 중요하고 노이즈로 간주되었다.