ध्यान-आधारित गहरे शिक्षण नेटवर्क सोनार प्रणालियों में सुधार कर सकते हैं

चीन और संयुक्त राज्य अमेरिका में शोधकर्ताओं ने हाल ही में एक ध्यान-आधारित गहरे तंत्रिका नेटवर्क (एबीएनएन) का उपयोग करके सोनार प्रणालियों में सुधार कैसे किया जा सकता है, इसका अन्वेषण किया है।

शोध को अकाउस्टिकल सोसाइटी ऑफ अमेरिका द्वारा एआईपी पब्लिशिंग के माध्यम से जर्नल ऑफ द अकाउस्टिकल सोसाइटी ऑफ अमेरिका में प्रकाशित किया गया था।

कुन्यान रेन शोध के सह-लेखक हैं।

“हमने पाया कि एबीएनएन लक्ष्य पहचान में बहुत सटीक था, विशेष रूप से जब सीमित एकल-लक्ष्य डेटा का उपयोग करके कई लक्ष्यों का पता लगाने के लिए,” रेन ने कहा।

डीएनएन और एबीएनएन

गहरे शिक्षण, जो एक मशीन-लर्निंग विधि है जो पैटर्न को पहचानने के लिए कृत्रिम तंत्रिका नेटवर्क का उपयोग करती है, पिछले परत में मौजूद जानकारी के आधार पर विशिष्ट विशेषताओं को सीखने वाले कृत्रिम न्यूरॉन (नोड्स) की परतों पर निर्भर करती है।

ध्यान-आधारित गहरे तंत्रिका नेटवर्क एक ध्यान मॉड्यूल का उपयोग करके मानवों में संज्ञानात्मक प्रक्रिया के कुछ तत्वों की नकल करते हैं। ये तत्व विशेष रूप से हमें भाषा, एक छवि, या किसी अन्य पैटर्न के सबसे महत्वपूर्ण हिस्सों पर ध्यान केंद्रित करने में मदद करते हैं जबकि बाकी को बाहर कर देते हैं।

एबीबीएनएन यह करके हासिल करते हैं कि वे कertain नोड्स को अधिक वजन देते हैं, जो मशीन-लर्निंग प्रक्रिया में विशिष्ट पैटर्न तत्वों को बढ़ाते हैं।

सोनार में एबीएनएन को एकीकृत करना

लक्षित जहाज का पता लगाने के लिए सोनार उपकरण में एक एबीएनएन प्रणाली को एकीकृत करके, शोधकर्ताओं की टीम दक्षिण चीन सागर में 135-वर्ग-मील के एक उथले क्षेत्र में दो जहाजों का परीक्षण करने में सक्षम थी। परिणामों की तुलना एक नियमित गहरे तंत्रिका नेटवर्क (डीएनएन) के साथ की गई, और अन्य उपकरण जैसे कि रडार ने परीक्षण क्षेत्र में 17 बाधा वाले जहाजों का पता लगाने में मदद की।

शोधकर्ताओं ने पाया कि एबीएनएन अपनी भविष्यवाणियों को बढ़ाता है क्योंकि यह प्रशिक्षण लक्ष्यों से密नतः संबंधित विशेषताओं की ओर बढ़ता है। जैसे ही नेटवर्क प्रशिक्षण डेटासेट के माध्यम से चक्रित होता है, पता लगाना अधिक स्पष्ट हो जाता है। यह वजनित नोड्स पर जोर देता है और अप्रासंगिक डेटा को नजरअंदाज करता है।

एबीएनएन की जहाज ए और बी को अलग-अलग पता लगाने की सटीकता डीएनएन की तुलना में थोड़ी अधिक थी, जिसमें पूर्व में 98% और बाद में 97.4% थी। जब यह दोनों जहाजों को एक ही निकटता में पता लगाने की बात आई, तो यह 74% पर भी अधिक था, डीएनएन के 58.4% की तुलना में।

एक पारंपरिक एबीएनएन मॉडल आमतौर पर बहु-जहाज डेटा के साथ प्रशिक्षित होता है यदि यह कई-लक्ष्य पहचान के लिए उपयोग किया जा रहा है। हालांकि, यह प्रक्रिया जल्द ही महंगी और जटिल हो सकती है। इसके कारण, शोधकर्ताओं ने एबीएनएन मॉडल को प्रत्येक लक्ष्य को अलग-अलग पता लगाने के लिए प्रशिक्षित किया। जैसे ही नेटवर्क का आउटपुट परत विस्तारित होता है, व्यक्तिगत-लक्ष्य डेटासेट विलीन हो जाते हैं।

“एक ही समय में कई जहाजों का पता लगाने की आवश्यकता एक सामान्य परिदृश्य है, और हमारा मॉडल दो जहाजों को एक ही निकटता में पता लगाने में डीएनएन से काफी बेहतर है,” रेन ने कहा। “इसके अलावा, हमारा एबीएनएन दोनों जहाजों की आंतरिक विशेषताओं पर एक ही समय में ध्यान केंद्रित करता है।”