Mạng lưới học sâu dựa trên sự chú ý có thể cải thiện hệ thống sonar

Các nhà nghiên cứu tại Trung Quốc và Hoa Kỳ gần đây đã khám phá cách một mạng lưới học sâu dựa trên sự chú ý (ABNN) có thể giúp cải thiện hệ thống sonar.

Nghiên cứu này được công bố trên tạp chí của Hiệp hội Âm học Hoa Kỳ thông qua AIP Publishing.

Qunyan Ren là đồng tác giả của nghiên cứu này.

“Chúng tôi đã tìm thấy rằng ABNN có độ chính xác cao trong việc nhận dạng mục tiêu, vượt trội so với mạng lưới học sâu truyền thống, đặc biệt khi sử dụng dữ liệu đơn mục tiêu hạn chế để phát hiện nhiều mục tiêu,” Ren nói.

Mạng lưới học sâu truyền thống và ABNN

Học sâu, một phương pháp học máy sử dụng mạng lưới thần kinh nhân tạo để nhận dạng mẫu, dựa trên các lớp nút nhân tạo (nút) học một tập hợp các tính năng riêng biệt dựa trên thông tin hiện diện trong lớp trước.

Mạng lưới học sâu dựa trên sự chú ý sử dụng một mô-đun chú ý để mô phỏng một số yếu tố trong quá trình nhận thức của con người. Những yếu tố này đặc biệt giúp chúng ta tập trung vào các phần quan trọng nhất của ngôn ngữ, hình ảnh hoặc mẫu nào đó trong khi loại bỏ phần còn lại.

ABNN đạt được điều này bằng cách thêm trọng số cho một số nút, điều này làm tăng các yếu tố mẫu cụ thể trong quá trình học máy.

Tích hợp ABNN vào sonar

Bằng cách tích hợp hệ thống ABNN vào thiết bị sonar để phát hiện tàu mục tiêu, nhóm nghiên cứu đã có thể thử nghiệm hai tàu trong một khu vực nông 135 dặm vuông ở Biển Nam Trung Quốc. Kết quả được so sánh với mạng lưới học sâu truyền thống (DNN) và các thiết bị khác như radar giúp xác định hơn 17 tàu can thiệp trong khu vực được thử nghiệm.

Các nhà nghiên cứu đã tìm thấy rằng ABNN tăng cường dự đoán khi nó di chuyển đến các tính năng gần nhất với mục tiêu đào tạo. Khi mạng lưới liên tục lặp lại tập dữ liệu đào tạo, việc phát hiện trở nên rõ ràng hơn. Điều này làm tăng trọng số của các nút và loại bỏ dữ liệu không liên quan.

Độ chính xác của ABNN trong việc phát hiện tàu A và B riêng biệt slightly cao hơn so với DNN, với ABNN đạt 98% và DNN đạt 97,4%. Khi phát hiện cả hai tàu trong cùng một khu vực, độ chính xác của ABNN thậm chí còn cao hơn, đạt 74%, so với 58,4% của DNN.

Một mô hình ABNN truyền thống thường được đào tạo với dữ liệu đa tàu nếu nó được sử dụng để xác định nhiều mục tiêu. Tuy nhiên, quá trình này có thể trở nên tốn kém và phức tạp. Vì vậy, các nhà nghiên cứu đã đào tạo mô hình ABNN để phát hiện từng mục tiêu riêng biệt. Khi lớp đầu ra của mạng lưới được mở rộng, các tập dữ liệu mục tiêu riêng biệt sẽ hợp nhất.

“Việc phát hiện nhiều tàu cùng một lúc là một kịch bản phổ biến, và mô hình của chúng tôi vượt trội so với DNN trong việc phát hiện hai tàu trong cùng một khu vực,” Ren nói. “Hơn nữa, ABNN của chúng tôi tập trung vào các tính năng vốn có của hai tàu đồng thời.”