TUGAS AKHIR – TE 091399
PEMISAHAN SINYAL AKUSTIK BAWAH
AIR MENGGUNAKAN METODE BLIND
SEPARATION OF SOURCE (BSS)
WAHYU INDRA PURNAMA SARINRP 2207100064
Dosen Pembimbing Dr. Ir. Wirawan, DEA Ir. Endang Widjiati M.Eng.Sc.
LATAR BELAKANG
Jenis gelombang yang dipakai di dalam UWA adalah Gelombang Akustik Sinyal akustik yang diterima oleh sensor tercampur dengan sinyal-sinyal lainnya di lingkungan Diperlukan suatu teknik memisahkan sinyal yang tercampurRUMUSAN PERMASALAHAN
1. Bagaimanakah karakteristik komunikasi bawah air?
3. Bagaimana pemisahan sinyal dengan menggunakan metode BSS terutama menggunakan algoritma FastICA, SOBI, dan JADE? 2. Bagaimanakah rancangan sistem pemisahan sinyal suara dari
beberapa sumber bunyi yang beroperasi secara serentak dan direkam oleh hydrophone array?
BATASAN MASALAH
1. Sensor yang digunakan adalah hydrophone array dengan jumlah dan konfigurasi tertentu.
2. Metode yang dipakai untuk memisahkan sinyal suara adalah BSS dengan algoritma FastICA, SOBI, dan JADE khususnya untuk
analisis metode pencampuran instantaneous mixture. 3. Jumlah sensor sama dengan jumlah sumber suara.
TUJUAN PENELITIAN
1. Mengetahui karakteristik dari komunikasi bawah air yang berbeda dengan karakteristik komunikasi di udara.
3. Mengetahui metode pemisahan sinyal BSS dengan menggunakan algoritma FastICA, SOBI dan JADE.
2. Mengetahui rancangan sistem pemisahan sinyal suara yang diemisikan beberapa mesin beroperasi secara serentak dan
METODOLOGI PENELITIAN
MulaiPenentuan Karakteristik Data yang Dibutuhkan Pengambilan Data
Data Literatur
Membuat Mixing Signal
Algoritma BSS Pengambilan Data di LHI Algoritma BSS 1
1
Mencari Nilai Similarity Antara Sinyal Asli dengan Sinyal Hasil Pemisahan
Mencari nilai MSE dan SIR
analisis Hasil Simulasi
Penarikan Kesimpulan
selesai
BLIND SEPARATION OF SOURCE (BSS)
BSS merupakan metode pemisahan satu set sinyal
dari satu set sinyal campuran, tanpa adanya
informasi (atau dengan sangat sedikit informasi) tentang sumber sinyal atau proses pencampuran.
Terdapat beberapa algoritma BSS yang digunakan
pada Tugas Akhir ini:
a. Independent Component Analysis (ICA)
Deflationary Symetrical
b. Second Order Blind Identification (SOBI)
FLOWCHART UMUM BSS
Centering Whitening Pemilihan Metode Pemisah Sinyal Pemrosesan Data Sinyal yang Telah DipisahPRE-PROCESSING
1. Centering
Hal yang mendasar yang perlu dilakukan adalah dengan
memusatkan data (centering) x sehingga menjadi variabel yang memiliki rerata nol (zero-mean).
2. Whitening
Pemutihan (whitening) merupakan praproses yang berfungsi untuk me“mutih”kan variabel yang diamati, sehingga didapatkan sebuah vektor baru yang variansnya sama dengan satu serta komponen nyata dan imajinernya tidak terkorelasi dengan nilai varians yang sama.
𝑋 = 𝑋 − 𝐸[𝑋]
SYARAT-SYARAT DALAM MENGGUNAKAN
METODE BSS
Syarat menggunakan metode BSS dalam pemisahan
sinyal: Matrix pencampur dan matrix pemisah merupakan matrix square Statistically Independent Non Gaussian
Independent Component Analysis (ICA)
Sebuah teknik pemrosesan sinyal untuk menemukan
faktor–faktor atau komponen tersembunyi yang membentuk sekumpulan variabel acak
Komponen tersembunyi dianggap nongaussian dan
secara statistik saling bebas satu sama lain (independent)
METODE ICA
DEFLATIONARY
Centering & Whitening
Memilih sebuah nilai awal vektor kompleks w, dapat secara acak Konvergen p>m No 𝑤𝑝 ← 𝐸 𝑧𝑔(𝑤𝑝𝑇𝑧) − 𝐸{𝑔′(𝑤𝑝𝑇𝑧)}wp wp ← wp − wjwjTwp p−1 j=1 𝑤𝑝 ← 𝑤𝑝 𝑤𝑝 p=p+1 W = wp1,..wm Yes W Yes
METODE ICA
SYMETRICAL
Centering & Whitening
Memilih sebuah nilai awal vektor kompleks w= I,….,m
𝑤𝑖 ← 𝐸 𝑧𝑔(𝑤𝑖𝑇𝑧) − 𝐸{𝑔′(𝑤𝑖𝑇𝑧)}w W ← (WWT)−1/2W 𝑊 ← 𝑊 𝑊 𝑊 ← 3 2𝑊 − 1 2𝑊𝑊 𝑇𝑊 𝑊𝑊𝑇 𝑚𝑒𝑛𝑑𝑒𝑘𝑎𝑡𝑖 𝑘𝑜𝑛𝑣𝑒𝑟𝑔𝑒𝑛 No Yes W
Second Order Blind Identification (SOBI)
Algoritma Second Order Blind Identification (SOBI)
merupakan salah satu contoh paling sederhana dari metode Second Order Statistic (SOS).
SOBI merupakan metode yang menggunakan second
order cumulant atau varians untuk mendapatkan nilai demixing matrixnya.
METODE
SOBI
Memusatkan data (centering) & Whitening data Memilih banyaknya time delay yangingin dilakukan
Mencari matrix kovarians untuk tiap-tiap time delay
Membentuk ulang sinyal yang sudah
di whitening Melakukan Joint Diagonalization sehingga dihasilkan matrix V Mencari sinyal estimasi
Joint Approximate Diagonalization of
Eigenmatrice (JADE)
Secara garis besar, algoritma Joint Approximate
Diagonalization of Eigenmatrice (JADE) memiliki banyak kesamaan dengan algoritma SOBI, dimana kedua algoritma tersebut sama-sama menggunakan Joint Diagonalization untuk mendapatkan nilai
demixing matrixnya.
Pada algoritma SOBI, sebelum melakukan proses
Joint Diagonalization, dilakukan pencarian nilai
kovariansnya sedangkan pada JADE yang digunakan sebelum Joint Diagonalization adalah fourth order
METODE
JADE
Memusatkan data (centering) & Whitening data Mencari nilai Cumulant orde 4 :
Membentuk ulang cumulant matrix dengan mensortir eigenvalue dan eigenvector-nya
Joint Diagonalization
Mencari sinyal estimasi : S=VX
HASIL PEMISAHAN SINYAL DENGAN
JADE & SOBI
Diketahui
Inputan Mixing Signal
Hasil
Sinyal 1 = „welcome‟ Sinyal 2 = „mystery‟
Mixing Signal Sinyal 1 Hasil Pemisahan JADE Sinyal 1 Hasil Pemisahan SOBI Sinyal 2 Hasil Pemisahan JADE Sinyal 2 Hasil Pemisahan SOBI
PENILAIAN TERHADAP HASIL PEMISAHAN
SINYAL
Hasil pemisahan sinyal dari berbagai metode, perlu
ditelaah lebih lanjut unntuk menentukan peformansi dari tiap metode. Salah satu metode dalam melihat peformansi adalah dengan mencari nilai Similarity.
Berbagai Similarity tersebut adalah:
1. Cross correlation
2. Euclidean Distance
3. Mean Square Error (MSE) dan Signal to
CROSS CORRELATION, EUCLIDEAN
DISTANCE, & MSE-SIR
1. Cross correlation atau korelasi silang adalah sebuah metode
untuk menghitung kesamaan antara dua sinyal.
2. Euclidean Distance adalah metode yang paling sering digunakan
untuk menghitung kesamaan 2 vektor dengan cara menghitung akar dari kuadrat perbedaan 2 vektor.
3. MSE (Mean Square Error) adalah nilai rata-rata dari eror hasil
estimasi, sedangkan SIR (Signal to Interference Ratio) adalah Perbandingan daya sinyal terhadap daya interferensi.
. 𝑅𝑥𝑦 𝑡1, 𝑡2 = 𝐸[𝑋 𝑡1 𝑌 𝑡2 ] 𝑑 𝑠, 𝑠𝑒 = (𝑠1 − 𝑠𝑒1)2 + (𝑠2 − 𝑠𝑒2)2 + ⋯ + (𝑠𝑛 − 𝑠𝑒𝑛 )2 𝑀𝑆𝐸 = 1 𝑛 𝑠 − 𝑠𝑒 2 𝑛 𝑖=1 𝑆𝐼𝑅 = −10 𝑙𝑜𝑔10(𝑀𝑆𝐸)
DATA INPUT
Data sinyal input yang digunakan dibagi menjadi
dua macam, yaitu data alami dan buatan.
Fungsi g merupakan salah satu karakteristik yang
DATA INPUT (cont‟d)
Mixing matrix digunakan sebagai konstanta pengkali
pada algoritma BSS sehingga didapatkan mixing
sinyal yang akan digunakan untuk mencari estimasi sinyal sumber.
ANALISIS HASIL SIMULASI
analisis hasil pemisahan sinyal meliputi:
1. Pengaruh sinyal input pada Algoritma BSS
2. Pengaruh Nilai Mixing Matrix pada Algoritma BSS 3. Pengaruh Jumlah Sumber pada Algoritma BSS 4. Pengaruh fungsi g pada Algoritma BSS
5. Pengaruh noise pada Algoritma BSS
6. analisis Pemisahan Sinyal pada Algoritma BSS dengan Menggunakan Toolbox ICALAB
Pengaruh sinyal input pada Algoritma BSS
Voice Unvoice geometri kapal 2 x 2 2 x 2 2 x 2 2 x 2 r 0.9939 0.9958 0.4655 0.9967 s 0.9802 0.9819 0.9949 0.9828 r 0.9916 0.9994 0.9982 0.9849 s 0.9878 0.9994 0.6639 0.9875 r 0.9995 1 0.9678 0.9941 s 0.9983 1 0.4007 0.9957 r 0.9477 1 0.767 1 s 0.9488 1 0.9785 1
Nama Metode Similarity
Jenis Sinyal
Defla
Sym
Jade
Pengaruh Nilai Mixing Matrix pada Algoritma
BSS
Pengaruh Nilai Mixing Matrix pada Algoritma
BSS (cont‟d)
Pengaruh fungsi g pada Algoritma BSS
(cont‟d)
2 x 2 3 x 3 2 x 2 3 x 3 r 0.9939 0.9825 0.9939 0.9914 s 0.9802 0.7351 0.9881 0.6959 t 0.288 0.347 r 0.9944 0.8616 0.9916 0.8598 s 0.9912 0.9036 0.9878 0.9102 t 0.7637 0.7686 Defla Sym Fungsi g Nama Metode Similarity g1 g2KESIMPULAN
1. Algoritma FastICA, SOBI dan JADE mampu memisahkan sinyal dengan
baik hal ini terlihat dari nilai similarity dengan menggunakan metode
Cross correlation pada 2 sumber dengan algoritma FastICA Deflationary
yang mencapai 0.9939, FastICA symetrical 0.9916, JADE 0.9995, dan SOBI 0.9477.
2. Sinyal input memberikan pengaruh pada tiap-tiap algoritma. Hal ini
bergantung pada terpenuhi atau tidaknya syarat dari algoritma BSS yaitu independent.
3. Variasi fungsi g tidak berpengaruh pada hasil pemisahan, karena variasi
fungsi g tidak memberikan perubahan pada nilai similarity.
4. Nilai mixing matrix tidak terlalu mempengaruhi nilai similarity dengan
menggunakan metode cross correlation dan MSE.
5. Banyaknya sumber ikut berpengaruh pada keakuratan sinyal hasil
estimasi. Semakin banyak sumber, keakuratan semakin mengecil.
6. Adanya noise mengurangi nilai similarity sinyal estimasi di tiap-tiap
DAFTAR PUSTAKA
[1] A. Hyvärinen, E. Oja . “Independent Component Analysis: Algorithms and
Application”. Neural Networks, 13(4-5):411-430, 2000.
[2] A. Mansour, N. Benchekroun.” General Structure for Separation of
Underwater Acoustic”. Berlin. 2006.
[3] Belourchrani, K. Abde-Meraim, J.F. Cardoso, “A blind separation technique
using second order statistics,” IEEE on Trans. Signal Processing, vol 45, pp. 434-444,Feb.1997.
[4] Cardoso, J.F. and Souloumiac, A. “Jacobi angles for simultaneous
diagonalizatio”. SIAM J. Mat. Anal. Appl., 17, 161–164. 1996.
[5] Cardoso, J.F. and Souloumiac,A. “Blind beamforming for nonGaussian
signals”. Proc. Inst. Elec. Eng., pt. F, vol. 140, no. 6, pp. 362–370, 1993.
[6] Etter, Paul C. “Underwater Acoustic Modelling, 2nd edition”. Chapman &
Hall. London. Chapter 2-4. 1996
[7] J. Eriksson, A. Kankainen, and V. Koivunen,. “Novel characteristic function
based criteria for ICA”. Proceedings ICA 2001 San Diego, Dec. 2001.
[8] M.T. Sutherland, J. Liu, A. Tang. “Temporal delays in blind identification of
primary somatosensory cortex”. International conference on machine learning and cybernetics. 2004.
[9] Stone, J.V. (2004). “Independent Component Analysis: A Tutorial
SARAN
1. Pada penelitian yang selanjutnya, dapat dicoba dengan
membandingkan algoritma BSS dengan menggunakan sinyal hasil pencampuran dari convolutive mixture.
2. 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.
3. Dalam pengambilan data di lapangan, sebaiknya
menggunakan data inputan yang memenuhi criteria, yaitu independent dan non Gaussian.