2021. 10. 28. - 09:00
Mesterséges intelligencia javítja a szonárok észlelési képességét
A mélytanulási technika jobban észleli a hajók célpontjait, mint a hagyományos hálózatok. A mesterséges intelligencia a szonárrendszerek képességeit is javítani tudja.
Figyelem-alapú neurális hálózat növeli a szonárrendszerek észlelési képességét. Mint a legújabb kutatásokból kiderült, a mélytanulási technika több hajó célpontját jobban érzékeli, mint a hagyományos hálózatok.
Egyre nagyobb a mélytanulás népszerűsége a víz alatti akusztikában, s egyre jelentősebb teret hódít a szonárrendszerek fejlesztésében, melyek jól használhatók a bajba jutott hajók és tengeralattjárók észlelésére, de azt is észreveszik, ha olyan vizekre kerültek, ahová nem mehetnének.
A tengeri környezetből származó, összetett zaj-interferencia azonban kihívást jelent a hajók által kisugárzott, célzott hangok észlelésekor.
A probléma megoldására kínai és amerikai kutatók figyelem alapú mély neurális hálózatot (ABNN) vizsgáltak meg közelebbről – tudatta a Journal of the Acoustical Society of America című folyóiratban megjelent tanulmány. Olvasd el: Mesterséges intelligencia irányítja a titokzatos tengeralattjárót
Figyelem-alapú neurális hálózat növeli a szonárrendszerek észlelési képességét
„Kiderült, hogy az ABNN a célfelismerésben rendkívül pontos, felülmúlja a hagyományos mély neurális hálózatokat - különösen akkor, ha ún. korlátozott egycélú adatot használnak több célpont észlelésére" - mondta Qunyan Ren, a tanulmány társszerzője.
A mélytanulás olyan gépi tanulási módszer, amelyet az emberi agy által inspirált, mesterséges neurális hálózatokat alkalmaz a minták felismerésére. A mesterséges neuronok vagy csomópontok minden rétege sajátosságokat tanul meg az előző rétegben található információk alapján.
A figyelem alapú mély neurális hálózat vagy ABNN figyelem-modult használ a kognitív folyamat elemeinek utánzására, melyek lehetővé teszik, hogy az emberek egy kép, nyelv vagy más minta legfontosabb részeire összpontosítsanak, „csendesítve” a többit.
Ezt a kutatók úgy érik el, hogy bizonyos csomópontokhoz nagyobb súlyt adnak a gépi tanulási folyamat bizonyos mintaelemeinek javítása céljából.
Amikor a szakemberek beépítették az ABNN rendszert a szonár berendezésbe a célzott hajóészlelés érdekében, két hajót teszteltek a Dél-kínai-tenger egy sekély, 135 négyzetmérföldes területén.
Eredményeiket összevetették egy tipikus mély neurális hálózattal (DNN). Radart és egyéb berendezéseket használtak a kísérleti területen a több mint 17 zavaró hajó meghatározására.
A figyelem alapú mély neurális hálózat jelentősen megnövelte előrejelzéseit. Az észlelés ráadásul még hangsúlyosabbá válik, ahogy a hálózat a teljes tanítási adatkészletet folyamatosan körbejárja, kiemelve a súlyozott csomópontokat és figyelmen kívül hagyva a nem releváns információkat. Olvasd el: Önjáró óriásvitorlás tisztítja az óceánt
Míg az ABNN pontossága az A és B elnevezésű hajók külön-külön történő azonosításakor valamivel magasabb volt, mint a DNN (98 százalék a 97,4-hez képest), az ABNN precizitása lényegesen nagyobb volt mindkét hajó ugyanazon a környéken történő észlelésekor (74 százalék az 58,4-hez képest).
A többcélú azonosításhoz általában több hajóból származó adatok felhasználásával képeznek ki egy hagyományos ABNN-modellt, de ez igen bonyolult és számításigényes folyamat lehet.
A kutatók megtanították ABNN-modelljüket, hogy minden egyes célpontot külön-külön észleljenek. Az egyedi cél-adatkészletek ezt követően egyesülnek, ahogy a hálózat kimeneti rétege kibővül.
„Gyakori eset, hogy egyszerre több hajót is észlelni kell. Modellünk jelentősen meghaladja a DNN-t két azonos, közelben lévő hajó érzékelésében - mondta Ren. Sőt, a figyelem alapú mély neurális hálózat a két hajó egyidejű jellemzőire összpontosít” – tette hozzá a kutató.
L.A.
