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

(1)

Penerapan Teknik Blind Source

Separation

untuk Memisahkan Noise dari

Sinyal Akustik yang Non Gaussian

Farkhan Rosi

2208100075

(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

(3)

1. Bagaimana pemisahan sinyal dengan menggunakan Blind

Source Separation terutama untuk sinyal non-Gaussian

2. Bagaimana rancangan konfigurasi sistem pemisahan

(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

(5)



Mengetahui karakteristik sumber sinyal non-gaussian.



Mendapatkan pemisahan sinyal non-Gaussian yang

bagus menggunakan teknik BSS dengan algoritma ICA

berdasarkan Generalized Gaussian Model

(6)

PENERAPAN BSS ALGORITMA NGICA PENGAMBILAN DATA LHI APLIKASI GENERALIZED GAUSSIAN MODEL

MENCARI NILAI MSE DAN SIR PENGAMBILAN DATA SIMULASI 1 2 MULAI STUDI LITERATUR PENENTUAN SINYAL INPUT PENGUJIAN DISTRIBUSI SINYAL PENGUJIAN SYARAT ICA SIMETRIS

UNIMODAL NON GAUSSIANINDEPENDEN

(7)

(8)

Persamaaan GGM fitting histogram :

(9)

(10)



Independent



Non Gaussian



Kurtosis



Matrix pencampur dan matrix pemisah merupakan

matrix square

(11)



Untuk mendapatkan algoritma natural gradient

dalam unmixing matriks W diperlukan perhitungan :

(12)

(13)

voice size length bitrate

shrimp.wav 84.3 KB 10s 64kbps

ferry.wav 1.03 MB 6s 1411kbps

Untuk ship radiated noise menggunakan ferry.wav

(14)

15 m 3 m 225 m 11 m 1 m 1 m 1 m 1 m Array hydrophones 0.52 m 5 m 10 m

(15)

5.5 - 6 m 2.5 m 70 mm 70 m m 520 mm 52 0 mm 45 mm 50 mm 50 m m

(16)

(17)

Independen

Dari hasil pengujian didapat nilai kovarian sebesar 8,0374 x 10-6

(18)

Non Gaussian

Dari hasil pengujian didapat nilai kurtosis shrimp.wav = 3.3109 dan ferry.wav = 2.7824

(19)

Karakteristik distribusi

0 1 2 3 4 5 6 7 8 9 10

-1 0 1

Plot sinyal suara udang

Waktu (t) A m p lit u d o -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 0 1000 2000

Histogram suara udang

Amplitudo F re q u e n c y 0 1

Plot sinyal suara kapal ferry

p

lit

u

d

(20)

Dari pengujian didapatkan sinyal shrimp.wav memiliki nilai modus hanya satu yakni bernilai –0.0078 dan sinyal ferry.wav juga memiliki nilai modus hanya satu yakni bernilai 0.

Hasil dari pengujian juga didapatkan selisih nilai mean dengan median kedua sinyal == 0 .

(21)

Mixing matriks yang digunakan :

A =

(22)

Selanjutnya tahap Preprocessing:

Centering:

𝑋 = 𝑋−𝐸[𝑋]

Whitening :

(23)

Estimasi unmixing matriks W :

(24)

MSE (Mean Square Error) adalah nilai rata-rata dari error hasil estimasi. Persamaan dari MSE adalah sebagai berikut:

Dimana n= jumlah sampel data

s=sinyal asli

SIR (Signal to Interference Ratio) adalah perbandingan daya sinyal terhadap daya interferensi.

(25)

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) A m p lit u d o 0.5

Plot sinyal suara ferry.wav Plot Sinyal Input :

(26)

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) A m p lit u d o 0 0.2 0.4

Plot sinyal suara campuran x2

u

d

o

(27)

0 1 2 3 4 5 6 7 8 9 x 104 -5

0 5

Plot sinyal suara estimasi y1

Waktu (t) A m p lit u d o 4

Plot sinyal suara estimasi y2

(28)

Hasil perhitungan MSE dan SIR dengan dengan menggunakan

mixing matriks [0.66,0.40;0.34,0.56] didapatkan nilai MSE sebesar

1.2605 x 10

-5

_{dan 2.0272 x 10}

-5

_{dan didapatkan nilai SIR sebesar}

(29)

Mixing matriks

MSE

SIR

1.2605 x 10

-5

_48.9946

1.2604 x 10

-5

_48.9948

(30)

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) A m p lit u d o 0 1 2 3 4 5 6 7 -1 -0.5 0 0.5 1

Waktu (s) A m p lit u d 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) A m p lit u d o 4 6

(31)

0 1 2 3 4 5 6 7 -1 -0.5 0 0.5 1

Waktu (s) A m p lit u d o -1 -0.5 0 0.5 1

A m p lit u d o 0 1 2 3 4 5 6 7 -1.5 -1 -0.5 0 0.5 1 1.5

Waktu (s) A m p lit u d o

(32)

0 1 2 3 4 5 6 7 -1 -0.5 0 0.5 1

Waktu (s) A m p lit u d o 4 6

(33)

Sinyal

1 m 5 m 10 m

MSE SIR MSE SIR MSE SIR

Shrimp.wav 5.7174 x 10-6 63.9327 1.6016 x 10-6 57.9544 4.0423 x 10-6 52.928

(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 = 48.9946 dB dan SIR ferry.wav = 46.9309 dB

•Pada pengujian pemisahan menggunakan toolbox ICALABS V3 juga didapatkan nilai rata-rata SIR cukup bagus yakni sebesar 21.3417 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 = 61.33185 dB, jarak 5 meter= 54.6937 dB, jarak 10

(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 , 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)”. Tugas Akhir, Jurusan Teknik Elektro, Institut Teknologi Sepuluh Nopember Surabaya (2011).

[6]H Hyvärinen . Aapo , Karhunen . Juha, Oja . Erkki, Independent ComponentAnalysis, A Wiley-Interscience Publication 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

(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

(37)