Προσαρμοσμένα Δίκτυα Βαθιάς Μάθησης με Πρόθεση Μπορούν να Βελτιώσουν τα Συστήματα Σονάρ

Ερευνητές στην Κίνα και τις Ηνωμένες Πολιτείες εξέτασαν πρόσφατα πώς ένα δίκτυο βαθιάς μάθησης με πρόθεση (ABNN) μπορεί να βοηθήσει στη βελτίωση των συστημάτων σονάρ.

Η έρευνα δημοσιεύθηκε στο Περιοδικό της Ακουστικής Εταιρείας της Αμερικής από την Ακουστική Εταιρεία της Αμερικής μέσω AIP Publishing.

Ο Qunyan Ren είναι συν-συγγραφέας της έρευνας.

“Βρήκαμε ότι το ABNN ήταν υψηλής ακρίβειας στη αναγνώριση στόχων, υπερβαίνοντας ένα συμβατικό δίκτυο βαθιάς μάθησης, ιδιαίτερα όταν χρησιμοποιούμε περιορισμένα δεδομένα για την ανίχνευση πολλαπλών στόχων,” είπε ο Ren.

Δίκτυα Βαθιάς Μάθησης και Δίκτυα με Πρόθεση

Η βαθιά μάθηση, που είναι μια μέθοδος μηχανικής μάθησης που χρησιμοποιεί τεχνητά νευρωνικά δίκτυα που λειτουργούν για την αναγνώριση προτύπων, βασίζεται σε στρώματα τεχνητών νευρώνων (κόμβων) που μαθαίνουν ένα διακριτό σύνολο χαρακτηριστικών με βάση τις πληροφορίες που παρέχονται από το προηγούμενο στρώμα.

Τα δίκτυα βαθιάς μάθησης με πρόθεση χρησιμοποιούν ένα模块 πρόθεσης για να μιμηθούν ορισμένα στοιχεία στη γνωστική διαδικασία των ανθρώπων. Αυτά τα στοιχεία βοηθούν ειδικά να εστιάσουμε στις πιο σημαντικές partes του λόγου, μιας εικόνας ή κάποιου άλλου προτύπου ενώ αποκλείουμε το υπόλοιπο.

Τα ABBNs επιτύγχανον αυτό προσθέτοντας περισσότερο βάρος σε ορισμένους κόμβους, που ενισχύουν συγκεκριμένα στοιχεία προτύπων στη διαδικασία μηχανικής μάθησης.

Ενσωμάτωση του ABNN στα Συστήματα Σονάρ

Ενσωματώνοντας ένα σύστημα ABNN σε εξοπλισμό σονάρ για την ανίχνευση στόχων πλοίων, η ομάδα των ερευνητών μπόρεσε να δοκιμάσει δύο πλοία σε μια περιοχή 135 τετραγωνικών μιλίων, σε ένα ρηχό τμήμα της Νότιας Θάλασσας της Κίνας. Τα αποτελέσματα συγκρίθηκαν με ένα κανονικό δίκτυο βαθιάς μάθησης (DNN) και άλλα εξοπλισμό όπως ραντάρ βοήθησαν να καθορίσουν πάνω από 17 παρεμβατικά πλοία στην περιοχή που δοκιμάστηκε.

Οι ερευνητές βρήκαν ότι το ABNN αυξάνει τις προβλέψεις του καθώς προχωρεί προς τα χαρακτηριστικά που συναρτώνται στενά με τους στόχους εκπαίδευσης. Όσο το δίκτυο κυκλοφορεί συνεχώς στο σύνολο δεδομένων εκπαίδευσης, η ανίχνευση γίνεται πιο ευκρινής. Αυτό τονίζει τους βαρυφορτισμένους κόμβους και αγνοεί μη σχετικά δεδομένα.

Η ακρίβεια του ABNN στην ανίχνευση των πλοίων A και B ξεχωριστά ήταν ελαφρώς υψηλότερη από το DNN, με το πρώτο να επιτυγχάνει 98% και το δεύτερο 97,4%. Όταν ήρθε η σειρά της ακρίβειας του ABNN στην ανίχνευση και των δύο πλοίων στην ίδια περιοχή, ήταν ακόμη υψηλότερη στο 74%, σε σύγκριση με το 58,4% του DNN.

Ένα παραδοσιακό μοντέλο ABNN συνήθως εκπαιδεύεται με δεδομένα πολλαπλών πλοίων εάν χρησιμοποιείται για την αναγνώριση πολλαπλών στόχων. Ωστόσο, αυτή η διαδικασία μπορεί να γίνει γρήγορα δαπανηρή και σύνθετη. Λόγω αυτού, οι ερευνητές εκπαίδευσαν το μοντέλο ABNN για να ανιχνεύσει κάθε στόχο ξεχωριστά. Όσο το εξωτερικό στρώμα του δικτύου επεκτείνεται, τα σύνολα δεδομένων των ατομικών στόχων συγχωνεύονται.

“Η ανάγκη για ανίχνευση πολλαπλών πλοίων την ίδια στιγμή είναι ένα κοινό σενάριο, και το μοντέλο μας υπερβαίνει σημαντικά το DNN στην ανίχνευση δύο πλοίων στην ίδια περιοχή,” είπε ο Ren. “Επιπλέον, το ABNN μας εστιάστηκε στα εγγενή χαρακτηριστικά των δύο πλοίων ταυτόχρονα.”