ระบบเครือข่ายการเรียนรู้แบบลึกที่ใช้การมุ่งความสนใจสามารถปรับปรุงระบบโซนาร์

นักวิจัยจากประเทศจีนและสหรัฐอเมริกาทำการสำรวจวิธีการที่เครือข่ายการเรียนรู้แบบลึกที่ใช้การมุ่งความสนใจ (ABNN) สามารถช่วยปรับปรุงระบบโซนาร์ได้

การวิจัยนี้ได้รับการตีพิมพ์ใน Journal of the Acoustical Society of America โดยสมาคมสังคมการฟังของอเมริกาผ่าน AIP Publishing

Qunyan Ren เป็นหนึ่งในผู้เขียนร่วมของการวิจัยนี้

“เราพบว่า ABNN มีความแม่นยำสูงในการรู้จำเป้าหมาย โดยเฉพาะอย่างยิ่งเมื่อใช้ข้อมูลเป้าหมายเดียวที่จำกัดในการตรวจจับเป้าหมายหลายเป้าหมาย” Ren กล่าว

DNNs และ ABNNs

การเรียนรู้แบบลึก ซึ่งเป็นวิธีการเรียนรู้ของเครื่องจักรที่ใช้เครือข่ายニューラルเทียมที่ทำงานเพื่อรู้จับรูปแบบ ขึ้นอยู่กับชั้นของโหนดเทียมที่เรียนรู้ชุดคุณสมบัติที่แตกต่างกันตามข้อมูลที่มีอยู่ในโหนดก่อนหน้า

เครือข่ายการเรียนรู้แบบลึกที่ใช้การมุ่งความสนใจใช้โมดูลการมุ่งความสนใจเพื่อเลียนแบบองค์ประกอบบางอย่างในกระบวนการรู้คิดของมนุษย์ องค์ประกอบเหล่านี้ช่วยให้เราเน้นไปที่ส่วนที่สำคัญที่สุดของภาษา ภาพ หรือรูปแบบอื่น ๆ ในขณะที่ตัดออกส่วนที่เหลือ

ABBNs สามารถทำได้โดยการเพิ่มน้ำหนักให้กับโหนดบางโหนด ซึ่งช่วยเพิ่มคุณสมบัติเฉพาะของรูปแบบในกระบวนการเรียนรู้ของเครื่องจักร

การรวม ABNN เข้ากับโซนาร

โดยการรวมระบบ ABNN เข้ากับอุปกรณ์โซนาร์สำหรับการตรวจจับเรือเป้าหมาย ทีมนักวิจัยสามารถทดสอบเรือสองลำในพื้นที่ 135 ตารางไมล์ ในทะเลจีนใต้ ผลลัพธ์ถูกเปรียบเทียบกับเครือข่ายการเรียนรู้แบบลึกปกติ (DNN) และอุปกรณ์อื่น ๆ เช่น เรดาร์ช่วยในการตรวจจับเรือที่รบกวนมากกว่า 17 ลำในพื้นที่ที่ทดสอบ

นักวิจัยพบว่า ABNN เพิ่มการคาดการณ์เมื่อเคลื่อนไปสู่คุณสมบัติที่เกี่ยวข้องกับเป้าหมายการฝึกอบรม เมื่อเครือข่ายเดินผ่านชุดข้อมูลการฝึกอบรมอย่างต่อเนื่อง การตรวจจับจะชัดเจนยิ่งขึ้น ซึ่งเน้นโหนดที่มีน้ำหนักและเพิกเฉยต่อข้อมูลที่ไม่เกี่ยวข้อง

ความแม่นยำของ ABNN ในการตรวจจับเรือ A และ B แยกจากกันสูงกว่า DNN เล็กน้อย โดย ABNN ได้ 98% และ DNN ได้ 97.4% เมื่อตรวจจับเรือทั้งสองลำในพื้นที่เดียวกัน ความแม่นยำของ ABNN ยังสูงกว่า DNN โดย ABNN ได้ 74% และ DNN ได้ 58.4%

แบบจำลอง ABNN ทั่วไปมักจะถูกฝึกอบรมด้วยข้อมูลเรือหลายลำหากใช้สำหรับการระบุเป้าหมายหลายเป้าหมาย อย่างไรก็ตาม กระบวนการนี้สามารถกลายเป็นเรื่องที่ซับซ้อนและ耗เวลาได้อย่างรวดเร็ว เนื่องจากนักวิจัยจึงฝึกอบรมแบบจำลอง ABNN เพื่อตรวจจับเป้าหมายแต่ละเป้าหมายแยกจากกัน เมื่อโหนดเอาท์พุตของเครือข่ายถูกขยาย ชุดข้อมูลเป้าหมายแต่ละตัวจะรวมกัน

“ความจำเป็นในการตรวจจับเรือหลายลำในเวลาเดียวกันเป็นสถานการณ์ทั่วไป และแบบจำลองของเราสามารถตรวจจับเรือสองลำในพื้นที่เดียวกันได้ดีกว่า DNN” Ren กล่าว “นอกจากนี้ ABNN ของเรายังเน้นไปที่คุณสมบัติที่แท้จริงของเรือทั้งสองลำพร้อมกัน”