penerapanteknik blind source separation untukmemisahkan ... · dan sir analisa hasil penarikan...
TRANSCRIPT
Penerapan Teknik Blind Source
Separation untuk Memisahkan Noise dariSinyal Akustik yang Non Gaussian
Farkhan Rosi
2208100075
Dosen Pembimbing
Dr. Ir Wirawan, DEA.
Ir. Endang Widjiati, M.Eng.Sc.
PRESENTASI TUGAS AKHIR
1
1. Perkembangan teknologi komunikasi bawah air masihtertinggal dari komunikasi melalui medium udara
2. Sinyal yang diterima sensor tercampur dengan sinyal-sinyallain di lingkungan bawah air
3. Diperlukan teknik untuk memisahkan sinyal-sinyal yang bercampur tersebut yaitu teknik Blind source separation
2
1. Bagaimana pemisahan sinyal dengan menggunakan Blind Source Separation terutama untuk sinyal non-Gaussian
2. Bagaimana rancangan konfigurasi sistem pemisahansinyal akustik bawah air menggunakan hydrophone array
3
1. Simulasi menggunakan program Matlab
2. Teknik yang digunakan untuk memisahkan sinyal akustik bawah air adalah Blind source separation dengan menggunakan algoritmaICA berdasarkan Generalized Gaussian Model
3. Sensor yang dipakai menggunakan hydrophone array dengankonfigurasi tertentu
4. Parameter yang digunakan dalam mengukur bagus tidaknya sinyalhasil pemisahan adalah nilai mean square error (MSE) dan signal to interference ratio (SIR).
4
Mengetahui karakteristik sumber sinyal non-gaussian.
Mendapatkan pemisahan sinyal non-Gaussian yang bagus menggunakan teknik BSS dengan algoritma ICAberdasarkan Generalized Gaussian Model
5
PENERAPAN BSS
ALGORITMA NGICA
PENGAMBILAN DATA
LHI
APLIKASI GENERALIZED
GAUSSIAN MODEL
MENCARI NILAI MSE
DAN SIR
ANALISA HASIL
PENARIKAN
KESIMPULAN
SELESAI
PENGAMBILAN DATA
SIMULASI
1 2
MULAI
STUDI LITERATUR
PENENTUAN SINYAL
INPUT
PENGUJIAN
DISTRIBUSI SINYAL
PENGUJIAN SYARAT
ICA
SIMETRISUNIMODAL
INDEPENDEN NON GAUSSIAN
PENGAMBILAN DATA
YES YES
NO NO
1 2 6
Independent
Non Gaussian
Kurtosis
Matrix pencampur dan matrix pemisah merupakanmatrix square
Preprocessing
10
Untuk mendapatkan algoritma natural gradientdalam unmixing matriks W diperlukan perhitungan :
Dimana untuk GGM adalah:
11
voice size length bitrate
shrimp.wav 84.3 KB 10s 64kbps
ferry.wav 1.03 MB 6s 1411kbps
Untuk ship radiated noise menggunakan ferry.wavSedangkan sea ambient noise menggunakan shrimp.wav
13
5.5 - 6 m
2.5 m
70 mm
70 mm
520 mm
520 mm
45 mm
50 mm
50 mm
15
Peletakan speaker terhadaparray
Konfigurasi array
Non Gaussian
Dari hasil pengujian didapat nilai kurtosis shrimp.wav = 3.3109 dan ferry.wav = 2.7824
kurt (s) = E{s4}- 3(E{s4})2
18
Karakteristik distribusi
0 1 2 3 4 5 6 7 8 9 10-1
0
1
Plot sinyal suara udang
Waktu (t)
Am
plit
ud
o
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 10
1000
2000
Histogram suara udang
Amplitudo
Fre
qu
en
cy
0 1 2 3 4 5 6-1
0
1
Plot sinyal suara kapal ferry
Waktu (t)
Am
plit
ud
o
-0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.80
5000
10000
15000
Histogram sinyal suara kapal ferry
Amplitudo
Fre
qu
en
cy
19
Dari pengujian didapatkan sinyal shrimp.wav memiliki nilai modus hanya satuyakni bernilai –0.0078 dan sinyal ferry.wav juga memiliki nilai modus hanyasatu yakni bernilai 0.
Hasil dari pengujian juga didapatkan selisih nilai mean dengan median keduasinyal == 0 .
Dari situ didapatkan bahwa kedua sinyal inputan memiliki karakteristikdistribusi unimodal dan simetris
20
21
Mixing matriks yang digunakan :
A =
Dari mixing matriks A kemudian didapatkan sinyal observasi X
X = A s
22
Selanjutnya tahap Preprocessing:
Centering:
𝑋 = 𝑋−𝐸[𝑋]
Whitening :
𝑋 w = V 𝑋V = ED-1/2ET , V adalah Whitening matriks, E adalah
eigen vektor E{xxT} dan D adalah matriks diagonal darieigen value
24
MSE (Mean Square Error) adalah nilai rata-rata dari error hasil estimasi. Persamaandari MSE adalah sebagai berikut:
Dimana n= jumlah sampel data
s=sinyal aslise=sinyal estimasi
SIR (Signal to Interference Ratio) adalah perbandingan daya sinyal terhadap daya interferensi.
0 1 2 3 4 5 6 7 8 9
x 104
-1
-0.5
0
0.5
1
Plot sinyal suara shrimp.wav
Waktu (t)
Am
plit
ud
o
0 1 2 3 4 5 6 7 8 9
x 104
-0.5
0
0.5
Plot sinyal suara ferry.wav
Waktu (t)
Am
plit
ud
o
25
Plot Sinyal Input :
0 1 2 3 4 5 6 7 8 9
x 104
-1
-0.5
0
0.5
1
Plot sinyal suara campuran x1
Waktu (t)
Am
plit
ud
o
0 1 2 3 4 5 6 7 8 9
x 104
-0.6
-0.4
-0.2
0
0.2
0.4
Plot sinyal suara campuran x2
Waktu (t)
Am
plit
ud
o
26
Plot Sinyal Campuran :
0 1 2 3 4 5 6 7 8 9
x 104
-5
0
5
Plot sinyal suara estimasi y1
Waktu (t)
Am
plit
ud
o
0 1 2 3 4 5 6 7 8 9
x 104
-4
-2
0
2
4
Plot sinyal suara estimasi y2
Waktu (t)
Am
plit
ud
o
27
Plot sinyal hasil pemisahan :
Hasil perhitungan MSE dan SIR dengan dengan menggunakan mixing matriks [0.66,0.40;0.34,0.56] didapatkan nilai MSE sebesar1.2605 x 10-5 dan 2.0272 x 10 -5 dan didapatkan nilai SIR sebesar48.9946 dan 46.9309.
28
Mixing matriks MSE SIR
1.2605 x 10-5 48.9946
1.2604 x 10-5 48.9948
2.2006 x 10-5 46.5744
1.2630 x 10-5 48.9859
29
0 1 2 3 4 5 6 7-1
-0.5
0
0.5
1
Sinyal Campuran diterima Hydrophone 2(jarak speaker-hydrohone 1meter)
Waktu (s)
Am
plit
ud
o
0 1 2 3 4 5 6 7-1
-0.5
0
0.5
1
Sinyal Campuran diterima Hydrophone 3(jarak speaker-hydrohone 1meter)
Waktu (s)
Am
plit
ud
o
0 1 2 3 4 5 6 7-3
-2
-1
0
1
2
3
Sinyal Estimasi Hasil Pemisahan 1(jarak speaker-hydrohone 1meter)
Waktu (s)
Am
plit
ud
o
0 1 2 3 4 5 6 7-4
-2
0
2
4
6
Sinyal Estimasi Hasil Pemisahan 2(jarak speaker-hydrohone 1meter)
Waktu (s)
Am
plit
ud
o
30
0 1 2 3 4 5 6 7-1
-0.5
0
0.5
1
Sinyal Campuran diterima Hydrophone 2(jarak speaker-hydrohone 5meter)
Waktu (s)
Am
plit
ud
o
0 1 2 3 4 5 6 7-1
-0.5
0
0.5
1
Sinyal Campuran diterima Hydrophone 3(jarak speaker-hydrohone 5meter)
Waktu (s)
Am
plit
ud
o
0 1 2 3 4 5 6 7-1.5
-1
-0.5
0
0.5
1
1.5
Sinyal Estimasi Hasil Pemisahan 1(jarak speaker-hydrohone 5meter)
Waktu (s)
Am
plit
ud
o
0 1 2 3 4 5 6 7-4
-2
0
2
4
6
Sinyal Estimasi Hasil Pemisahan 2(jarak speaker-hydrohone 5meter)
Waktu (s)
Am
plit
ud
o
31
0 1 2 3 4 5 6 7-1
-0.5
0
0.5
1
Sinyal Campuran diterima Hydrophone 2(jarak speaker-hydrohone 10meter)
Waktu (s)
Am
plit
ud
o
0 1 2 3 4 5 6 7-1
-0.5
0
0.5
1
Sinyal Campuran diterima Hydrophone 3(jarak speaker-hydrohone 10meter)
Waktu (s)
Am
plit
ud
o
0 1 2 3 4 5 6 7-1
-0.5
0
0.5
1
Sinyal Estimasi Hasil Pemisahan 1(jarak speaker-hydrohone 10meter)
Waktu (s)
Am
plit
ud
o
0 1 2 3 4 5 6 7-4
-2
0
2
4
6
Sinyal Estimasi Hasil Pemisahan 2(jarak speaker-hydrohone 10meter)
Waktu (s)
Am
plit
ud
o
32
Sinyal1 m 5 m 10 m
MSE SIR MSE SIR MSE SIR
Shrimp.wav5.7174 x
10-6 63.93271.6016 x
10-6 57.95444.0423
x 10-6 52.928
Ferry.wav7.3388 x
10-6 58.7316.0311 x
10-6 51.4333.7031
x 10-6 49.278
33
•Blind Souce Separation dengan memakai Algoritma Natural Gradien ICA denganberdasarkan Generalized Gaussian Model mampu memisahkan sinyal non Gaussian dengan baik hal ini terlihat dari nilai SIR, yakni SIR shrimp.wav = 48.9946 dB danSIR ferry.wav = 46.9309 dB
•Pada pengujian pemisahan menggunakan toolbox ICALABS V3 juga didapatkannilai rata-rata SIR cukup bagus yakni sebesar 21.3417 dB
•Nilai mixing matrix tidak mempengaruhi nilai MSE dan SIR dengan menggunakanBlind Source Separation dengan algoritma Natural Gradient ICA .
•Semakin jauh jarak dari speaker ke hydrophone nilai MSE dan SIR berkurang, nilairata-rata SIR pada jarak 1 meter = 61.33185 dB, jarak 5 meter= 54.6937 dB, jarak 10 meter = 51.103 dB dan nilai rata-rata MSE pada jarak 1 meter = 6,5281 x10-6, jarak 5 meter= 3.81635x10-6, jarak 10 meter = 3.8727 x10-6
34
[1] Wei . Kong , Bin Yang, Blind source separation of shipradiated noise based on generalized Gaussian model, Journal of Systems Engineering and Electronics, Vol. 17, No. 2 , 2006, pp. 321 -325, 2005[2] Shi . Xizhi , Blind Signal Processing Theory and Practice, Shanghai Jiao Tong University Press, 2011(151)[3]Comon . P, Jutten. C , Handbook of Blind Source Separation, Independent Component Analysis and Applications, Acadmic Press, 2010[4]Prasad . Rajkishore , Prasad . Rajkishore, Fixed-Point ICA based Speech Signal Separation and Enhancement with Generalized Gaussian Model, Department of Information Science Graduate School of Information Science Nara Institute of Science and Technology, 2005[5]W.I.P Sari, ”Pemisahan Sinyal Akustik Bawah Air Menggunakan Blind Separation of Source (BSS)”. TugasAkhir, Jurusan Teknik Elektro, Institut Teknologi Sepuluh Nopember Surabaya (2011). [6]H Hyvärinen . Aapo , Karhunen . Juha, Oja . Erkki, Independent ComponentAnalysis, A Wiley-IntersciencePublication JOHN WILEY & SONS, INC. 2001[7]Stone. James V. “Independent Component Analysis : A Tutorial Introduction” (1-4):5-49, 2004[8]Naik . Ganesh R , Kumar . Dinesh K. “An Overview of Independent Component Analysis and It’s Applications”, In Informatica 35(2011):63-81, 2009[9]Hodges . Richard P, Underwater Acoustics ,Analysis, Design, and Performance of Sonar, John Wiley & Sons, Ltd, 2010[10]Siyavula Education, “Symmetric and Skewed Data “, http://m.everythingmaths.co.za/grade-11/11-statistics/11-statistics-05.cnxmlplus[11] Institute of particle and two phase flow measurement university of shanghai for science and technology,”Unimodal,Bimodal,and multimodal distribution”, http://www.iptfm.com/zhuanli.asp?id=288
35
•Dari hasil pengamatan dan analisis yang telah dilakukan, penulis memberikanbeberapa saran untuk pengembangan tugas akhir berikutnya :
•Pada penelitian yang selanjutnya, dapat dicoba dengan membandingkanalgoritma BSS dengan menggunakan sinyal hasil lainnya.
•Algoritma BSS tidak hanya dapat digunakan pada sinyal suara namun jugadapat digunakan pada gambar. Untuk yang selanjutnya, dapatdiimplementasikan algoritma BSS pada pemisahan gambar sebagai sistempendeteksian suatu image.
•Dalam pengambilan data di lapangan, sebaiknya menggunakan data inputanyang memenuhi criteria, karakteristik algoritma yang dipakai
36