Huomioon perustuvat syvät koneoppimisverkkot voivat parantaa sonarjärjestelmiä

Kiinalaiset ja yhdysvaltalaiset tutkijat ovat tutkineet hiljattain, miten huomioon perustuva syvä koneoppimisverkko (ABNN) voisi auttaa parantamaan sonarjärjestelmiä.

Tutkimus on julkaistu Journal of the Acoustical Society of America -julkaisussa, jonka Acoustical Society of America on julkaissut AIP Publishingin kautta.

Qunyan Ren on yksi tutkimuksen tekijöistä.

“Löysimme, että ABNN oli erittäin tarkin kohdetunnistuksessa, ja se ylitti perinteisen syvän koneoppimisverkon, erityisesti silloin, kun käytimme rajoitettua yhden kohteen tietoa useiden kohdeiden havaitsemiseen”, Ren sanoi.

Syvät neuroniverkot ja ABNN:t

Syväoppiminen, joka on koneoppimismenetelmä, joka käyttää keinotekoisia neuroniverkkoja, jotka toimivat mallien tunnistamiseen, perustuu kerroksiin keinotekoisia neuroneja (solmuja), jotka oppivat erillisen joukon piirteitä edellisen kerroksen tiedon perusteella.

Huomioon perustuvat syvät neuroniverkot käyttävät huomio-moduulia jäljitelläkseen tiettyjä elementtejä ihmisen kognitiivisessa prosessissa. Nämä elementit auttavat meitä keskittymään tärkeimpiin osiin kielen, kuvan tai jonkin muun mallin osalta ja sulkevat muun pois.

ABNN:t saavuttavat tämän lisäämällä painoa tiettyihin solmuihin, mikä vahvistaa tiettyjä mallielementtejä koneoppimisprosessissa.

ABNN:n integrointi sonariin

Kun tutkijaryhmä integroi ABNN-järjestelmän sonarilaitteistoon kohdetunnistusta varten, he pystyivät testaamaan kahta alusta 135 neliökilometrin laajuisella, matalalla alueella Etelä-Kiinan merellä. Tulokset verrattiin säännölliseen syvään neuroniverkkoon (DNN) ja muihin laitteisiin, kuten tutkaan, joka auttoi määrittämään yli 17 häiritsevää alusta kokeellisella alueella.

Tutkijat totesivat, että ABNN parantaa ennusteitaan siirtymällä lähemmäs piirteitä, jotka ovat läheisessä yhteydessä koulutusmaalien kanssa. Kun verkko kiertää jatkuvasti koulutusaineistoa, havaitseminen tulee selkeämmäksi. Tämä korostaa painotettuja solmuja ja laittaa merkityksettömän tiedon syrjään.

ABNN:n tarkkuus laivojen A ja B erillisen havaitsemisessa oli hieman korkeampi kuin DNN:n, jolloin ensimmäinen saavutti 98 % ja jälkimmäinen 97,4 %. Kun tuli kyse ABNN:n tarkkuudesta havaita molemmat alukset samalla alueella, se oli jopa korkeampi, 74 %, verrattuna DNN:n 58,4 %:iin.

Perinteinen ABNN-malli on yleensä koulutettu monialusdatalla, jos sitä käytetään useiden kohdeiden tunnistamiseen. Tämä prosessi voi kuitenkin nopeasti tulla kalliiksi ja monimutkaiseksi. Tutkijat kouluttivat ABNN-mallin havaitsemaan kunkin kohteen erikseen. Kun verkon ulostulokerrosta laajennetaan, yksittäisten kohdeaineistot yhdistyvät.

“Tarve havaita useita aluksia samanaikaisesti on yleinen tilanne, ja meidän mallimme ylittää merkittävästi DNN:n havaitessaan kaksi alusta samalla alueella”, Ren sanoi. “Lisäksi meidän ABNN keskittyi molempien alusten luontaisiin piirteisiin samanaikaisesti.”