kombinasi metode independent component analysis …
TRANSCRIPT
Mandala Anugerahwan F.
2209 100 116
Pembimbing:
1. Dr. Ir. Wirawan, DEA
2. Ir. Endang Widjiati M.Eng.Sc.
KOMBINASI METODE INDEPENDENT COMPONENT
ANALYSIS (ICA) DAN BEAMFORMING UNTUK
PEMISAHAN SINYAL AKUSTIK BAWAH AIR
Propeller Noise
Noise yang diakibatkan oleh putaran propeller kapal
Flow Noise
Noise yang diakibatkan interaksi aliran air dengan badan kapal
Machinery Noise
Noise yang diakibatkan oleh bunyi mesin kapal
Noise yang disebabkan oleh suara binatang bawah air
LATAR BELAKANG
PENELITIAN SEBELUMNYA
Independent Component Analysis (ICA) merupakan salah satu metode dari teknik BSS yang dapat membedakan unsur atau komponenpenyusun campuran sinyal secara independen
Simulasi
Toolbox ICALAB
Pemisahan secara riil
USULAN METODE
Beamforming merupakan metode yang digunakan untuk mengetahui lokasi sumber suara
KOMBINASI METODE INDEPENDENT COMPONENT
ANALYSIS (ICA) DAN BEAMFORMING UNTUK
PEMISAHAN SINYAL AKUSTIK BAWAH AIR
Rumusan Masalah
1. Apakah jarak transmisi dari peletakan sumber suara dengan hydrophonemempengaruhi kinerja pada algoritma BSS ?
2. Apakah kombinasi metode ICA dan Beamforming dapat diterapkan pada proses pemisahan dan pengenalan sinyal akustik bawah air ?
3. Apakah penggunaan algoritma beamforming mempengaruhi proses pemisahan dan pengenalan sinyal akustik bawah air ?
Batasan Masalah
1. Toolbox yang digunakan untuk simulasi adalah ICALAB MATLAB2. Sensor yang digunakan untuk penerima sinyal akustik adalah hydrophone
array dengan jumlah dan konfigurasi tertentu.3. Metode yang dipakai untuk pemisahan dan pengenalan sinyal akustik adalah
BSS dengan kombinasi algoritma ICA dan Beamforming4. Parameter yang digunakan dalm mengukur kehandalan metode adalah nilai
mean square error (MSE) dan signal to interference ratio (SIR).5. Jumlah sensor sama dengan jumlah sumber suara6. Pengukuran dilakukan di Laboratorium Hydrodinamika Indonesia (LHI)
Tujuan
1. Menganalisis pengaruh dari peletakan sumber suara terhadap letak hydrophone dalam kinerja algoritma BSS
2. Penerapan metode pemisahan sinyal BSS dengan menggunakan kombinasi algoritma ICA dan Beamforming.
3. Menganalisis dampak penggunaan algoritma beamforming pada proses pemisahan dan pengenalan sinyal akustik bawah air dilihat dari parameter mean square error dan signal to interference ratio.
METODOLOGI PENELITIAN
start
Pengambilan Data
Penentuan Karakteristik Data
yang Dibutuhkan
Penentuan Karakteristik
algoritma ICA
Studi Literatur
1 2
Analisa Hasil Simulasi
Mencari Nilai Signal to Ratio Output dan
Input
Algoritma ICA dan
Beamforming
Pengambilan data di
LHIData Literatur
1 2
Membuat Mixing
Sinyal
Algoritma ICA dan
Beamforming
Penarikan Kesimpulan
selesai
Mencari nilai Noise Reduction Rate, MSE, dan
SIR
1. Blind Source Separation
𝐴11 𝐴21
𝐴12 𝐴22
𝑥1 𝑡 = 𝑎11𝑠1 𝑡 + 𝑎12𝑠2 𝑡
𝑥2(𝑡 = 𝑎21𝑠1(𝑡 + 𝑎22𝑠2(𝑡
1. Blind Source Separation
Pre-processing
A. CenteringMemusatkan data sinyal campuran (X) dengan cara mengurangi vektor X dengan mean vektor X itu sendiri
𝑋𝑛 = 𝑋 − 𝐸[𝑋]
B. WhiteningMemutihkan variabel X, untuk mendapatkan vektor X baru dengan varians sama dengan satu
𝑧 = 𝑉𝑋𝑛𝑉 = 𝐷−1/2ƛ𝑇𝑋𝑛
2. Algoritma FastICA
Algoritma paling sederhana pada Metode ICAMemaksimalkan nilai non-gaussianity
Langkah :1. Mencari nilai W dengan
𝑤𝑖 ← 𝐸 𝑧𝑔(𝑤𝑖𝑇𝑧 − 𝐸{𝑔′(𝑤𝑖
𝑇𝑧)}wDengan nilai g :
g(y) = y exp (- y2/2) dan g’(y) = (1-y2)exp (- y2/2)
2. Ortogonalisasi matriks W
𝑊 ←𝑊
𝑊𝑊 ←
3
2𝑊 −
1
2𝑊𝑊𝑇𝑊
𝑌 𝑡 = 𝑊 𝑋 𝑡
Independent ComponentAnalysis
Independent Component Analysis (ICA) merupakan salah satu metode dari teknik BSS yang dapat membedakan unsur atau komponenpenyusun campuran sinyal secara independen
Statistically Independent
E 𝑆1𝑆2T = E 𝑆1 E[𝑆2]
Non-gaussian
𝑘𝑢𝑟𝑡 𝑆 = 𝐸 𝑆4 − 3(𝐸 𝑆2 2
3. Beamforming (Delay and Sum Beamformer)
𝑥𝑖 𝑡 = 𝑥1 𝑡 − (𝑖 − 1 𝑑 cos 𝜃
𝑐
𝑦 𝑡 =
𝑖=1
𝑀
𝑥𝑖 𝑡 + (𝑖 − 1 𝑑 cos 𝜃
𝑐
Merupakan metode yang berfungsi untuk mencari arah datang suara
Algoritma DS Beamformer menentukan nilai time delay dengan metode cross corelationdari suara yang terekam untuk menentukan arah datang sumber suara
Cross Corelation
]𝑟𝑥1𝑥2 = 𝐸 [𝑥1𝑥2
𝜏12= argmax 𝑟𝑥1𝑥2
Time Delay
4. Penilaian Hasil Pemisahan Suara
1. MSE (mean square error)
Nilai rata-rata dari eror hasil estimasi.
𝑀𝑆𝐸 =1
𝑛
𝑖=1
𝑛
𝑠𝑒 − 𝑠 2
2. SIR (signal to interference ratio)
Perbandingan daya sinyal terhadap daya interferensi
𝑆𝐼𝑅 = −10 𝑙𝑜𝑔10(𝑀𝑆𝐸
3. NRR (noise reduction rate)
Menghitung banyaknya noise yang dikurangi selama pemisahan suara.
𝑁𝑅𝑅 =
𝐿=1
2
(𝑆𝑁𝑅𝑂 − 𝑆𝑁𝑅𝐼
𝑆𝑁𝑅𝑂 = 10 log10
𝑓 𝐻𝐿𝐿(𝑓 𝑆𝐿(𝑓 2
𝑓 𝐻𝐿𝐾(𝑓 𝑆𝐾(𝑓 2
𝑆𝑁𝑅𝐼 = 10 log10
𝑓 𝐴𝐿𝐿(𝑓 𝑆𝐿(𝑓 2
𝑓 𝐴𝐿𝐾(𝑓 𝑆𝐾(𝑓 2
𝐻 = 𝑊.𝐴
DATA INPUT
Voice
𝑆1(𝑡 Kapal.wav
𝑆2(𝑡 Ikan.wav
𝑆3(𝑡 Ping.wav
Simulasi Jarak 5 m Jarak 10 m Jarak 1 m
2𝑥20.4975 0.18580.3194 0.4163
0.1998 0.19770.1977 0.1998
0.1 0.09970.0997 0.1
0.9728 0.79620.7962 0.9728
g(y) = y exp (- y2/2)
g’(y) = (1-y2)exp (- y2/2)
Data Suara yang Digunakan
Mixing Matrix yang Diperoleh
Fungsi g yang digunakan
HASIL PEMISAHAN SUARASIMULASI
Suara MSE SIR
Ikan 3.6399× 10−5 44.3891
Kapal 1.9670× 10−5 47.0620
Input Sinyal Suara Sinyal Hasil Pemisahan
Speaker-Hydrophone
Algoritma DS beamformer
Penghitungan Matematis
Speaker1-Hydrophone1
90° 90°
Speaker1-Hydrophone2
113,4° 129,8°
Speaker2-Hydrophone1
63,9834° 45°
Speaker2-Hydrophone2
90° 90°
Suara NRR
Ikan 0,0289
Kapal 0,00297
HASIL PEMISAHAN SUARASIMULASI
Input Sinyal Suara Sinyal Hasil Pemisahan
0 0.5 1 1.5 2 2.5 3 3.5-4
-2
0
2
4Suara Kapal
frkeuensi(Hz)
am
plit
udo
0 0.5 1 1.5 2 2.5 3 3.5-10
-5
0
5
10Suara Ping
frkeuensi(Hz)
am
plit
udo
0 0.5 1 1.5 2 2.5 3 3.5-10
-5
0
5
10Suara Estimasi I Hasil Pemisahan
frkeuensi(Hz)
am
plit
udo
0 0.5 1 1.5 2 2.5 3 3.5-4
-2
0
2
4Suara Estimasi II Hasil Pemisahan
frkeuensi(Hz)am
plit
udo
Suara MSE SIR
Kapal 2.4025× 10−5 46.193
Ping 3.3881× 10−5 44.700
HASIL PEMISAHAN SUARASIMULASI
Input Sinyal Suara Sinyal Hasil Pemisahan
ICALAB
Suara MSE toolbox ICALAB
MSE Algoritma FastICA
Ikan 5.1185× 10−7 3.6399× 10−5
Kapal 9.4678× 10−7 1.9670× 10−5
Nilai SIR dengan Toolbox
HASIL PEMISAHAN SUARASECARA RIIL
Hasil Rekaman Hyrophone Sinyal Hasil Pemisahan
Jarak 1 meter
Suara MSE SIR
Ikan 3.2969× 10−6 54.8190
Kapal 1.6745× 10−5 47.7613
Jarak Speaker-
Hydrophone
Hydrophone-Speaker
Arah Estimasi
Kedatangan Sumber
1 meter Hydrophone1-Speaker1
79.7305°
Hydrophone1-Speaker2
110.853°
Hydrophone2-Speaker1
69.1470°
Hydrophone2-Speaker2
100.2695°
HASIL PEMISAHAN SUARASECARA RIIL
Hasil Rekaman Hyrophone Sinyal Hasil Pemisahan
Jarak 5 meter
0 1 2 3 4 5 6 7 8 9-0.4
-0.2
0
0.2
0.4Hasil Pencampuran Hydrophone 2
waktu (s)
am
plit
udo
0 1 2 3 4 5 6 7 8 9-0.4
-0.2
0
0.2
0.4Hasil Pencampuran Hydrophone 3
waktu (s)
am
plit
udo
0 0.5 1 1.5 2 2.5 3 3.5-5
0
5Sinyal Estimasi I Hasil Pemisahan
waktu (s)
am
plitu
do
0 0.5 1 1.5 2 2.5 3 3.5-10
-5
0
5
10Sinyal Estimasi II Hasil Pemisahan
waktu (s)
am
plitu
do
Suara MSE SIRIkan 1.3763× 10−5 48.5020
Kapal 1.4119× 10−5 48.6129
Jarak Speaker-Hydrophone
Hydrophone-Speaker
Arah Estimasi Kedatangan Sumber
5 meter Hydrophone1-Speaker1
87.8701°
Hydrophone1-Speaker2
94.9353°
Hydrophone2-Speaker1
85.0647°
Hydrophone2-Speaker2
92.1299°
HASIL PEMISAHAN SUARASECARA RIIL
Hasil Rekaman Hyrophone Sinyal Hasil Pemisahan
Jarak 10 meter
Suara MSE SIR
Ikan 8.355× 10−5 40.7803
Kapal 5.378× 10−5 42.6904
Jarak Speaker-Hydrophone
Hydrophone-Speaker
Arah Estimasi Kedatangan Sumber
10 meter Hydrophone1-
Speaker1
88.9340°
Hydrophone1-
Speaker2
92.4831°
Hydrophone2-
Speaker1
87.5169°
Hydrophone2-
Speaker2
91.066°
0 1 2 3 4 5 6 7 8 9 10-0.2
-0.1
0
0.1
0.2Hasil Pencampuran Hydrophone 2
waktu (s)
am
plit
udo
0 1 2 3 4 5 6 7 8 9 10-0.1
-0.05
0
0.05
0.1Hasil Pencampuran Hydrophone 3
waktu (s)
am
plit
udo
0 0.5 1 1.5 2 2.5 3 3.5-2
-1
0
1Sinyal Estimasi I Hasil Pemisahan
waktu (s)
am
plit
udo
0 0.5 1 1.5 2 2.5 3 3.5-1
-0.5
0
0.5
1Sinyal Estimasi II Hasil Pemisahan
waktu (s)
am
plit
udo
KESIMPULAN
1. Pada pengujian metode ICA dengan algoritma FastICA dibandingkan dengan toolbox ICALAB untuk
pemisahan suara, didapatkan hasil nilai MSE dengan FastICA sebesar 3.6399× 10−5 sedangkan dengan
ICALAB 5.1185× 10−7. Nilai rata-rata SIR dengan FastICA sebesar 45,72dB dan nilai rata-rata SIR dengan
ICALAB 53dB. Hal ini menunjukan jika algoritma FastICA dapat memisahkan suara sama baiknya dengan
toolbox ICALAB.
2. Semakin jauh jarak antara speaker dengan hydrophone,
semakin berkurang nilai MSE dan SIR pada proses
pemisahan suara bawah air. Hal ini dapat dilihat pada jarak
1 meter nilai mean SIR bernilai 51,29dB, jarak 5 meter
bernilai 48.55dB, jarak 10 meter bernilai 41,73dB.
3. Pada pengujian metode beamforming dengan algoritma DS Beamformer, peletakan jarak speaker dengan hydrophone
minimal diletakan pada jarak 10 meter agar mendapatkan nilai delay untuk mengestimasi arah datang suara. Peletakan
speaker dan hydrophone yang saling berhadapan akan mendapatkan hasil yang maksimal. Metode beamforming dalam
pemisahan suara berfungsi untuk mengetahui arah datang sumber suara dan tidak mempengaruhi hasil pemisahan suara.
SARAN
1. Dalam proses pengambilan data secara riil selanjutnya, disarankan untuk melakukan analisis pengaruh kemiringan posisi speaker terhadap hydrophone.
2. Sebaiknya dalam proses pengujian metode beamforming selanjutnya, dilakukan pengukuran sudut antara hydrophone dengan speaker. Hal ini bertujuan agar hasil estimasi dengan metode beamforming dapat dibandingkan dengan hasil pengukuran secar riil.
3. Sebaiknya peletakan jarak antara speaker dengan hydrophone diletakanpada jarak yang jauh (diatas 10 meter) untuk mendapatkan nilai delayagar estimasi arah datang sumber suara dapat berjalan dengan baik dengan error minimum.
DAFTAR PUSTAKA
1. E. Widjati, Yuniati, E. Suwarni, “Pengujian Sinyal Akustik Noise
yang Disebabkan oleh Kavitasi Propeller di Terowongan Kavitasi”
3RD APTECS 2011
2. H. Saruwatari, “Blind Source Separation Combining Independent
Component Analysis and Beamforming” in EURASIP Journal on
Applied Signal Processing, 1135–1146, 2003:11
3. W.I.P Sari, ”Pemisahan Sinyal Akustik Bawah Air Menggunakan
Blind Separation of Source (BSS)”. Tugas Akhir, Jurusan Teknik
Elektro, Institut Teknologi Sepuluh Nopember Surabaya (2011).
4. V. Capdevielle, C. Serviere, and J. Lacoume, “Blind separation of
wide-band sources in the frequency domain,” in Proc. IEEE Int.
Conf. Acoustics, Speech, Signal Processing, pp. 2080–2083,
Detroid, Mich, USA, May 1995.
5. N. Murata and S. Ikeda, “An on-line algorithm for blind source
separation on speech signals,” in Proc. International Symposium
on Nonlinear Theory and Its Application, vol. 3, pp. 923–926, Le
Regent, Crans-Montana, Switzerland, September 1998.
6. P. Smaragdis, “Blind separation of convolved mixtures in the
frequency domain,” Neurocomputing, vol. 22, no. 1-3, pp. 21– 34,
1998.
7. L. Parra and C. Spence, “Convolutive blind separation of non-
stationary sources,” IEEE Trans. Speech, and Audio Processing,
vol. 8, no. 3, pp. 320–327, 2000.
8. J. Benesty, J. Chen, Y. Huang, “Microphone Array Signal
Processing” Conventional Beamforming Techniques pp. 39-46,
2008
9. N. Murata, S. Ikeda, and A. Ziehe. “An approach to Blind Source
Separation Based on Temporal Structure of Speech Signals”
10. Z. Jiang, “Underwater Acoustic Networks-Issues and Solutions”,
International Journal of Intelligent Control and Systems Vol 13, no.
3, 152-161 September 2008.
11. A. Quazi and W. Konrad, “Underwater acoustic
communications,” IEEE Commun. Mag., pp. 24–29, Mar. 1982
12. J. Partan, J. Kurose, and B. N. Levine, “A Survey of Practical
Issues in Underwater Networks, International Conference on
Mobile Computing and Networking”, Proc. of the 1st ACM
International workshop on Underwater networks, pp. 17 – 24, Los
Angeles, CA, USA, Sept., 2006.
13. N. Farr, A.D. Chave, L. Freitag, J. Preisig, S.N. White, D.
Yoerger, and F. Sonnichsen, “Optical Modem Technology for
Seafloor Observatories”, In Proc. IEEE OCEANS’06 Conf., pp. 1
– 6, Boston, MA, Sept. 2006.
14. P.C Etter, “Advanced Applications for Underwater Acoustic
Modeling” in Hindawi Publishing Corporation on Advances in
Acoustics Ana Vibration, 10.1155/2012/214839
15. P.C Etter “Underwater Acoustic Modelling and Simulations 4th
edition 2013
16. A. Hyvärinen, E. Oja . “Independent Component Analysis:
Algorithms and Application”. Neural Networks, (2-8):15-219,
2001.
17. James V. Stone. “Independent Component Analysis : A Tutorial
Introduction” (1-4):5-49, 2004
18. G.R. Naik and D.K. Kumar. “An Overview of Independent
Component Analysis and It’s Applications”, In Informatica
35(2011):63-81, 2009
19. Gail Scowcroft, http://www.dosits.org/science/advancedtopics/
Diakses pada 14 Maret 2013
20. P. Aarabi. “Self-Localizing Dynamic Microphone Arrays”,
IEEETransactions on Systems, man, and Cybernetics—Part C:
Applications and Reviews, Vol. 32, No. 4, November 2002
21. A. Cichocki, S. Amari, K. Siwek, “ICALAB for Signal
Processing” Laboratory for Advanced Brain Signal Processing.
2007
Input Suara
Suara lumba-lumba Suara Motor Kapal Suara Sonar (ping)
Suara Rekaman Hydrophone
1 meter 5 meter 10 meter
Ikan - Kapal
Ikan - Ping
Output Suara
1 meter 5 meter 10 meter
Ikan - Kapal
Ikan - Ping
HASIL PEMISAHAN SUARASECARA RIIL
Hasil Rekaman Hyrophone Sinyal Hasil Pemisahan
Jarak 1 meter
0 1 2 3 4 5 6 7 8 9 10-0.4
-0.2
0
0.2
0.4Hasil Pencampuran Hydrophone 2
waktu (s)
am
plit
udo
0 1 2 3 4 5 6 7 8 9 10-0.4
-0.2
0
0.2
0.4Hasil Pencampuran Hydrophone 3
waktu (s)
am
plit
udo
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5-10
-5
0
5
10Sinyal Estimasi I Hasil Pemisahan
waktu (s)
am
plit
udo
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5-10
-5
0
5
10Sinyal Estimasi II Hasil Pemisahan
waktu (s)am
plit
udo
HASIL PEMISAHAN SUARASECARA RIIL
Hasil Rekaman Hyrophone Sinyal Hasil Pemisahan
Jarak 5 meter
0 1 2 3 4 5 6 7 8 9 10-0.2
0
0.2
0.4
0.6Hasil Pencampuran Hydrophone 2
waktu (s)
am
plit
udo
0 1 2 3 4 5 6 7 8 9 10-0.2
0
0.2
0.4
0.6Hasil Pencampuran Hydrophone 3
waktu (s)
am
plit
udo
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5-10
-5
0
5
10Sinyal Estimasi I Hasil Pemisahan
waktu (s)
am
plit
udo
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5-10
-5
0
5
10Sinyal Estimasi II Hasil Pemisahan
waktu (s)am
plit
udo
HASIL PEMISAHAN SUARASECARA RIIL
Hasil Rekaman Hyrophone Sinyal Hasil Pemisahan
Jarak 10 meter
0 2 4 6 8 10 12-0.2
-0.1
0
0.1
0.2Hasil Pencampuran Hydrophone 2
waktu (s)
am
plit
udo
0 2 4 6 8 10 12-0.2
-0.1
0
0.1
0.2Hasil Pencampuran Hydrophone 3
waktu (s)
am
plit
udo
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5-0.2
-0.1
0
0.1
0.2Sinyal Estimasi I Hasil Pemisahan
waktu (s)
am
plit
udo
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5-1
-0.5
0
0.5
1Sinyal Estimasi II Hasil Pemisahan
waktu (s)am
plit
udo
MIXING MATRIX
𝐷𝑎𝑏 = 𝑅2 + 2𝑏ℎ + 𝑑1 − −1 𝑎−𝑏𝑑22
Jarak Transmisi
𝐷𝑏𝑎 = 𝑅2 + 2𝑏ℎ + 𝑑1 + −1 𝑏−𝑎𝑑22
𝜏𝑎𝑏 = 𝐷𝑎𝑏 𝑐
Kecepatan Rambat Suara
𝜏𝑏𝑎 = 𝐷𝑏𝑎 𝑐
𝛽 =0.11𝑓2
1+𝑓2 +44𝑓2
4100+𝑓2 [𝑑𝐵/𝑘𝑚]
Redaman Suara
𝐿𝐴 𝐷 = 10−
𝐷20000
𝛽
Penyerapan Energi
𝜃𝑎𝑏 = 𝑡𝑎𝑛−1𝑅
2𝑏ℎ + 𝑑1 − −1 𝑎−𝑏 𝑑2
𝜃𝑏𝑎 = 𝑡𝑎𝑛−1𝑅
2𝑏ℎ − 𝑑1 + −1 𝑏−𝑎 𝑑2
Pantulan Suara
𝑦 𝑡 = 𝐴00 𝑡 𝐿𝑐𝑠 𝐷00 𝐿𝐴 𝐷00 𝑥 𝑡 +
𝑠=1
∞
𝑏=𝑠−1
𝑠
𝐴𝑎𝑏 𝑡 𝐿𝑐𝑠 𝐷𝑎𝑏 𝐿𝐴 𝐷𝑎𝑏 −𝐿𝑆𝑅𝑎𝐿𝐵𝑅
𝑏𝐿𝐵 𝜃𝑎𝑏𝑏𝑥 𝑡 − 𝜏𝑎𝑏
+
𝑏=1
∞
𝑠=𝑏−1
𝑏
𝐴𝑏𝑎 𝑡 𝐿𝑐𝑠 𝐷𝑏𝑎 𝐿𝐴 𝐷𝑏𝑎 −𝐿𝑆𝑅𝑎𝐿𝐵𝑅
𝑏𝐿𝐵 𝜃𝑏𝑎𝑏𝑥 𝑡 − 𝜏𝑏𝑎 +𝑛 𝑡
LAMPIRAN
1. Filosofi Dasar Pemisahan Gelombang Suara
Kedua suara dibunyikan secara bersamaan pada waktu tertentu. Perbedaan karakteristiksinyal kedua suara tersebut (dalam gambar diatas suara ikan dan kapal) memilikiperbedaan. Saat kedua suara ini dibunyikan secara periodik (kontinyu), terdapatperbedaan frekuensi pada setiap suara. Sedikitnya informasi inilah yang mendasaridilakukannya proses blind source separation