Penerapan Teknik Blind Source Separation untuk Memisahkan Noise dari Sinyal Akustik yang Non Gaussian

Transkripsi

1 PRESENTASI TUGAS AKHIR Penerapan Teknik Blind Source Separation untuk Memisahkan Noise dari Sinyal Akustik yang Non Gaussian Farkhan Rosi Dosen Pembimbing Dr. Ir Wirawan, DEA. Ir. Endang Widjiati, M.Eng.Sc. 1

2 1. Perkembangan teknologi komunikasi bawah air masih tertinggal dari komunikasi melalui medium udara 2. Sinyal yang diterima sensor tercampur dengan sinyal-sinyal lain di lingkungan bawah air 3. Diperlukan teknik untuk memisahkan sinyal-sinyal yang bercampur tersebut yaitu teknik Blind source separation 2

3 1. Bagaimana pemisahan sinyal dengan menggunakan Blind Source Separation terutama untuk sinyal non-gaussian 2. Bagaimana rancangan konfigurasi sistem pemisahan sinyal akustik bawah air menggunakan hydrophone array 3

4 1. Simulasi menggunakan program Matlab 2. Teknik yang digunakan untuk memisahkan sinyal akustik bawah air adalah Blind source separation dengan menggunakan algoritma ICA berdasarkan Generalized Gaussian Model 3. Sensor yang dipakai menggunakan hydrophone array dengan konfigurasi tertentu 4. Parameter yang digunakan dalam mengukur bagus tidaknya sinyal hasil pemisahan adalah nilai mean square error (MSE) dan signal to interference ratio (SIR). 4

5 Mengetahui karakteristik sumber sinyal non-gaussian. Mendapatkan pemisahan sinyal non-gaussian yang bagus menggunakan teknik BSS dengan algoritma ICA berdasarkan Generalized Gaussian Model 5

6 MULAI STUDI LITERATUR 1 2 PENENTUAN SINYAL INPUT PENGAMBILAN DATA SIMULASI PENGAMBILAN DATA LHI PENGUJIAN DISTRIBUSI SINYAL PENGUJIAN SYARAT ICA APLIKASI GENERALIZED GAUSSIAN MODEL PENERAPAN BSS ALGORITMA NGICA NO SIMETRIS UNIMODAL INDEPENDEN NON GAUSSIAN NO MENCARI NILAI MSE DAN SIR YES YES ANALISA HASIL PENGAMBILAN DATA PENARIKAN KESIMPULAN SELESAI

7 7

8 Persamaaan GGM fitting histogram : 8

9 9

10 Independent Non Gaussian Kurtosis Matrix pencampur dan matrix pemisah merupakan matrix square Preprocessing 1

11 Untuk mendapatkan algoritma natural gradient dalam unmixing matriks W diperlukan perhitungan : Dimana untuk GGM adalah: 11

12 12

13 Untuk ship radiated noise menggunakan ferry.wav Sedangkan sea ambient noise menggunakan shrimp.wav voice size length bitrate shrimp.wav 84.3 KB 1s 64kbps ferry.wav 1.3 MB 6s 1411kbps 13

14 225 m 15 m 1 m 5 m 1 m 3 m 1 m 1 m 1 m.52 m 11 m Array hydrophones Profil kolam LHI 14

15 5 mm 52 mm 5 mm 7 mm 45 mm 2.5 m 7 mm m 52 mm Peletakan speaker terhadap array 15 Konfigurasi array

16 16

17 Independen Dari hasil pengujian didapat nilai kovarian sebesar 8,374 x

18 Non Gaussian kurt (s) = E{s 4 }- 3(E{s 4 }) 2 Dari hasil pengujian didapat nilai kurtosis shrimp.wav = dan ferry.wav =

19 Karakteristik distribusi Frequency 1 Plot sinyal suara udang Waktu (t) Histogram suara udang Frequency 15 1 Plot sinyal suara kapal ferry Waktu (t) Histogram sinyal suara kapal ferry

20 Dari pengujian didapatkan sinyal shrimp.wav memiliki nilai modus hanya satu yakni bernilai.78 dan sinyal ferry.wav juga memiliki nilai modus hanya satu yakni bernilai. Hasil dari pengujian juga didapatkan selisih nilai mean dengan median kedua sinyal ==. Dari situ didapatkan bahwa kedua sinyal inputan memiliki karakteristik distribusi unimodal dan simetris 2

21 Mixing matriks yang digunakan : A = Dari mixing matriks A kemudian didapatkan sinyal observasi X X = A s 21

22 Selanjutnya tahap Preprocessing: Centering: X = X E[X] Whitening : X w = V X V = ED -1/2 E T, V adalah Whitening matriks, E adalah eigen vektor E{xx T } dan D adalah matriks diagonal dari eigen value 22

23 Estimasi unmixing matriks W : W = W + Kemudian didapat sinyal estimasi hasil pemisahan : Y = W X 23

24 MSE (Mean Square Error) adalah nilai ratarata dari error hasil estimasi. Persamaan dari MSE adalah sebagai berikut: SIR (Signal to Interference Ratio) adalah perbandingan daya sinyal terhadap daya interferensi. Dimana n= jumlah sampel data s=sinyal asli se=sinyal estimasi 24

25 Plot Sinyal Input : 1 Plot sinyal suara shrimp.wav Waktu (t) Plot sinyal suara ferry.wav x Waktu (t) 25 x 1 4

26 Plot Sinyal Campuran : 1 Plot sinyal suara campuran x Waktu (t) Plot sinyal suara campuran x2 x Waktu (t) 26 x 1 4

27 Plot sinyal hasil pemisahan : 5 Plot sinyal suara estimasi y Waktu (t) Plot sinyal suara estimasi y2 x Waktu 27 (t) x 1 4

28 Hasil perhitungan MSE dan SIR dengan dengan menggunakan mixing matriks [.66,.4;.34,.56] didapatkan nilai MSE sebesar x 1-5 dan x 1-5 dan didapatkan nilai SIR sebesar dan

29 Mixing matriks MSE SIR x x x x

30 Sinyal Campuran diterima Hydrophone 2(jarak speaker-hydrohone 1meter) Waktu (s) Sinyal Campuran diterima Hydrophone 3(jarak speaker-hydrohone 1meter) Waktu (s) Sinyal Estimasi Hasil Pemisahan 1(jarak speaker-hydrohone 1meter) Waktu (s) Sinyal Estimasi Hasil Pemisahan 2(jarak speaker-hydrohone 1meter) Waktu (s)

31 Sinyal Campuran diterima Hydrophone 2(jarak speaker-hydrohone 5meter) Waktu (s) Sinyal Campuran diterima Hydrophone 3(jarak speaker-hydrohone 5meter) Waktu (s) Sinyal Estimasi Hasil Pemisahan 1(jarak speaker-hydrohone 5meter) Waktu (s) Sinyal Estimasi Hasil Pemisahan 2(jarak speaker-hydrohone 5meter) Waktu (s)

32 Sinyal Campuran diterima Hydrophone 2(jarak speaker-hydrohone 1meter) Waktu (s) Sinyal Campuran diterima Hydrophone 3(jarak speaker-hydrohone 1meter) Waktu (s) Sinyal Estimasi Hasil Pemisahan 1(jarak speaker-hydrohone 1meter) Waktu (s) Sinyal Estimasi Hasil Pemisahan 2(jarak speaker-hydrohone 1meter) Waktu (s)

33 Sinyal 1 m 5 m 1 m MSE SIR MSE SIR MSE SIR Shrimp.wav x x x Ferry.wav x x x

34 Blind Souce Separation dengan memakai Algoritma Natural Gradien ICA dengan berdasarkan Generalized Gaussian Model mampu memisahkan sinyal non Gaussian dengan baik hal ini terlihat dari nilai SIR, yakni SIR shrimp.wav = db dan SIR ferry.wav = db Pada pengujian pemisahan menggunakan toolbox ICALABS V3 juga didapatkan nilai rata-rata SIR cukup bagus yakni sebesar db Nilai mixing matrix tidak mempengaruhi nilai MSE dan SIR dengan menggunakan Blind Source Separation dengan algoritma Natural Gradient ICA. Semakin jauh jarak dari speaker ke hydrophone nilai MSE dan SIR berkurang, nilai rata-rata SIR pada jarak 1 meter = db, jarak 5 meter= db, jarak 1 meter = db dan nilai rata-rata MSE pada jarak 1 meter = 6,5281 x1-6, jarak 5 meter= x1-6, jarak 1 meter = x1-6 34

35 [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, 26, pp , 25 [2] Shi. Xizhi, Blind Signal Processing Theory and Practice, Shanghai Jiao Tong University Press, 211(151) [3]Comon. P, Jutten. C, Handbook of Blind Source Separation, Independent Component Analysis and Applications, Acadmic Press, 21 [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, 25 [5]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 (211). [6]H Hyvärinen. Aapo, Karhunen. Juha, Oja. Erkki, Independent ComponentAnalysis, A Wiley-Interscience Publication JOHN WILEY & SONS, INC. 21 [7]Stone. James V. Independent Component Analysis : A Tutorial Introduction (1-4):5-49, 24 [8]Naik. Ganesh R, Kumar. Dinesh K. An Overview of Independent Component Analysis and It s Applications, In Informatica 35(211):63-81, 29 [9]Hodges. Richard P, Underwater Acoustics,Analysis, Design, and Performance of Sonar, John Wiley & Sons, Ltd, 21 [1]Siyavula Education, Symmetric and Skewed Data, statistics/11-statistics-5.cnxmlplus [11] Institute of particle and two phase flow measurement university of shanghai for science and technology, Unimodal,Bimodal,and multimodal distribution, 35

36 Dari hasil pengamatan dan analisis yang telah dilakukan, penulis memberikan beberapa saran untuk pengembangan tugas akhir berikutnya : Pada penelitian yang selanjutnya, dapat dicoba dengan membandingkan algoritma BSS dengan menggunakan sinyal hasil lainnya. Algoritma BSS tidak hanya dapat digunakan pada sinyal suara namun juga dapat digunakan pada gambar. Untuk yang selanjutnya, dapat diimplementasikan algoritma BSS pada pemisahan gambar sebagai sistem pendeteksian suatu image. Dalam pengambilan data di lapangan, sebaiknya menggunakan data inputan yang memenuhi criteria, karakteristik algoritma yang dipakai 36

37 TERIMA KASIH 37