Huomioon perustuvat syvät oppimisverkkotekniikat voivat parantaa kaikuluotainjärjestelmiä

Kiinalaiset ja yhdysvaltalaiset tutkijat ovat tutkineet äskettäin, miten huomioon perustuva syvä neuroverkko (ABNN) voisi auttaa parantamaan kaikuluotainjärjestelmiä. 

Tutkimus julkaistiin Journal of the Acoustical Society of America -julkaisussa, jonka julkaisi Acoustical Society of America AIP Publishingin kautta. 

Qunyan Ren on yksi tutkimuksen tekijöistä. 

“Havaitsemme, että ABNN on erittäin tarkin kohdetunnistuksessa, ja se ylittää perinteisen syvän neuroverkon, erityisesti kun käytetään rajattua yhden kohteen tietoa useiden kohteiden havaitsemiseen,” Ren sanoi.

DNN:t ja ABNN:t

Syvä oppiminen, joka on koneoppimismenetelmä, joka käyttää tekoja neuroverkkoja, jotka tunnistavat kuvioita, perustuu kerroksiin tekoja neuroneja (solmuja), jotka oppivat erillisen joukon piirteitä edellisen kerroksen tiedon perusteella. 

Huomioon perustuvat syvät neuroverkkotekniikat käyttävät huomio-moduulia jäljitelläkseen tiettyjä kognitiivisen prosessin elementtejä ihmisissä. Nämä elementit auttavat meitä keskittymään kielen, kuvan tai jonkin muun kuvion tärkeimpiin osiin ja suljevat muut pois.

ABBN:t saavuttavat tämän lisäämällä painoa tiettyihin solmuihin, mikä parantaa tiettyjä kuvioelementtejä koneoppimisprosessissa.

ABNN:n sisällyttäminen kaikuluotainjärjestelmään

Sisällyttämällä ABNN-järjestelmän kaikuluotaimiin kohdistuneeseen laivatunnistukseen, tutkijaryhmä pystyi testaamaan kaksi laivaa 135 neliökilometrin laajuisella, matalalla alueella Etelä-Kiinan merellä. Tulokset verrattiin säännölliseen syvään neuroverkkoon (DNN), ja muun kaluston, kuten tutkan, avulla määritettiin yli 17 häirintälaivaa kokeellisella alueella. 

Tutkijat totesivat, että ABNN lisää ennusteitaan siirtymällä lähemmäs piirteitä, jotka ovat läheisessä yhteydessä koulutusohjelmiin. Kun verkko kiertää jatkuvasti koulutusaineistoa, havaitseminen tulee voimakkaammin esiin. Tämä korostaa painotettuja solmuja ja laimentaa merkityksettömiä tietoja.

ABNN:n tarkkuus laivojen A ja B erillisen tunnistamisen osalta oli hieman korkeampi kuin DNN:n, jossa ensimmäinen saavutti 98 % ja jälkimmäinen 97,4 %. Kun tuli laivojen A ja B samanaikaisen tunnistamisen tarkkuus, se oli jopa korkeampi, 74 %, verrattuna DNN:n 58,4 %:iin.

Perinteinen ABNN-malli on yleensä koulutettu monen laivan tiedoilla, jos sitä käytetään usean kohteen tunnistamiseen. Tämä prosessi voi kuitenkin nopeasti tulla kalliiksi ja monimutkaiseksi. Sen vuoksi tutkijat kouluttivat ABNN-mallia tunnistamaan kunkin kohteen erikseen. Kun verkon ulostulokerros laajennetaan, yhdistyvät yksittäisten kohteiden aineistot.

“Useiden laivojen samanaikainen havaitseminen on yleinen tilanne, ja mallimme ylittää merkittävästi DNN:n kahden laivan samanaikaisessa havaitsemisessa,” Ren sanoi. “Lisäksi ABNN-mme keskittyi kahden laivan sisäisiin piirteisiin samanaikaisesti.”