شبكات التعلم العميق القائمة على الانتباه يمكن أن تحسن أنظمة السونار

قام باحثون في الصين والولايات المتحدة بالتحقيق مؤخرًا في كيفية تحسين أنظمة السونار باستخدام شبكة عصبونية عميقة قائمة على الانتباه (ABNN).

نشر البحث في مجلة الجمعية الصوتية الأمريكية من قبل الجمعية الصوتية الأمريكية من خلال النشر من قبل AIP.

قونيان رين هو أحد مؤلفي البحث.

“لقد وجدنا أن ABNN كان دقيقًا للغاية في تحديد الهدف، متجاوزًا الشبكة العصبونية العميقة التقليدية، خاصة عند استخدام بيانات الهدف الفردي المحدودة للكشف عن عدة أهداف،” قال رين.

شبكات التعلم العميق والشبكات القائمة على الانتباه

يعتمد التعلم العميق، وهو طريقة تعلم الآلة تستخدم شبكات عصبونية اصطناعية تعمل على التعرف على الأنماط، على طبقات من العقد العصبية الاصطناعية (العقد) التي تتعلم مجموعة مميزة من الميزات بناءً على المعلومات الموجودة في الطبقة السابقة.

تستخدم شبكات التعلم العميق القائمة على الانتباه وحدة انتباه لتقليد بعض العناصر في العملية الإدراكية البشرية. هذه العناصر تساعدنا بشكل خاص على التركيز على أهم أجزاء اللغة أو الصورة أو نمط آخر بينما نغفل الباقي.

تتحقق شبكات ABNN من ذلك عن طريق إضافة وزن أكبر إلى بعض العقد، مما يعزز عناصر نمط معينة في عملية التعلم الآلي.

تضمين ABNN في السونار

من خلال تضمين نظام ABNN في معدات السونار للكشف عن السفن المستهدفة، تمكن فريق الباحثين من اختبار سفينتين في منطقة浅ة تبلغ 135 ميلًا مربعًا في بحر الصين الجنوبي. تمت مقارنة النتائج مع شبكة عصبونية عميقة عادية (DNN)، وساعدت معدات أخرى مثل الرادار في تحديد أكثر من 17 سفينة متداخلة في المنطقة التي تم اختبارها.

وجد الباحثون أن ABNN يزيد من التنبؤات أثناء تحركه نحو الميزات التي تتوافق ارتباطًا وثيقًا بأهداف التدريب. مع استمرار الشبكة في دورة التدريب، يصبح الكشف أكثر وضوحًا. هذا يؤكد العقد المرجحة ويهمل البيانات غير ذات الصلة.

كان دقة ABNN في الكشف عن السفينتين A و B منفصلاً أعلى قليلاً من DNN، حيث حقق الأول 98٪ والثاني 97.4٪. عند الكشف عن كلا السفينتين في نفس المنطقة، كان دقة ABNN أعلى عند 74٪، مقارنة بـ 58.4٪ لشبكة DNN.

عادةً ما يتم تدريب نموذج ABNN التقليدي باستخدام بيانات متعددة السفن إذا كان يستخدم لتحديد عدة أهداف. ومع ذلك، يمكن أن يصبح هذا العملية مكلفًا ومعقدًا بسرعة. بسبب ذلك، قام الباحثون بتدريب نموذج ABNN للكشف عن كل هدف على حدة. مع توسيع طبقة الإخراج من الشبكة، تتمزج مجموعات بيانات الهدف الفردي.

“الحاجة إلى الكشف عن عدة سفن في نفس الوقت هي سيناريو شائع، ونماذجنا تتجاوز بشدة DNN في الكشف عن سفينتين في نفس المنطقة،” قال رين. “علاوة على ذلك، ركزت ABNN الخاصة بنا على الميزات الذاتية لل سفينتين في نفس الوقت.”