En acústica subacuática, el aprendizaje profundo está ganando terreno en la mejora de los sistemas de sonar para detectar barcos y submarinos en peligro o en aguas restringidas. Sin embargo, la interferencia de ruido del complejo entorno marino se convierte en un desafío cuando se intenta detectar sonidos dirigidos a los barcos.
En el Journal of the Acoustical Society of America, publicado por Acoustical Society of America a través de AIP Publishing, investigadores de China y Estados Unidos exploran una red neuronal profunda basada en la atención ABNN para abordar este problema.
"Descubrimos que el ABNN era altamente preciso en el reconocimiento de objetivos, superando una red neuronal profunda convencional, particularmente cuando se utilizan datos limitados de un solo objetivo para detectar múltiples objetivos", dijo el coautor Qunyan Ren.
El aprendizaje profundo es un método de aprendizaje automático que utiliza redes neuronales artificiales inspiradas en el cerebro humano para reconocer patrones. Cada capa de neuronas artificiales, o nodos, aprende un conjunto distinto de características basadas en la información contenida en el anterior capa.
ABNN usa un módulo de atención para imitar elementos en el proceso cognitivo que nos permiten enfocarnos en las partes más importantes de una imagen, lenguaje u otro patrón y desconectar el resto. Esto se logra agregando más peso a ciertos nodos paramejorar elementos de patrones específicos en el proceso de aprendizaje automático.
Incorporando un sistema ABNN en el equipo de sonar para la detección de barcos dirigida, los investigadores probaron dos barcos en un área poco profunda de 135 millas cuadradas del Mar de China Meridional. Compararon sus resultados con una red neuronal profunda típica DNN. Radary otros equipos se utilizaron para determinar más de 17 buques interferentes en el área experimental.
Descubrieron que el ABNN aumenta sus predicciones considerablemente a medida que gravita hacia las características que están estrechamente correlacionadas con los objetivos de entrenamiento. La detección se vuelve más pronunciada a medida que la red recorre continuamente todo el conjunto de datos de entrenamiento, acentuando los nodos ponderados y sin tener en cuenta la información irrelevante.
Si bien la precisión ABNN de detectar los barcos A y B por separado fue ligeramente superior a la DNN 98% y 97,4%, respectivamente, la precisión ABNN de detectar ambos barcos en la misma vecindad fue significativamente mayor 74% y 58,4%.
Para la identificación de múltiples objetivos, un modelo ABNN tradicional generalmente se entrena con datos de varios barcos, pero esto puede ser un proceso complicado y costoso desde el punto de vista informático. Los investigadores entrenaron su modelo ABNN para detectar cada objetivo por separado. Los conjuntos de datos de objetivos individuales luego se fusionan comose amplía la capa de salida de la red.
"La necesidad de detectar varios barcos a la vez es un escenario común, y nuestro modelo supera significativamente el DNN en la detección de dos barcos en la misma vecindad", dijo Ren. "Además, nuestro ABNN se centró en las características inherentes de los dos barcossimultaneamente."
Fuente de la historia :
Materiales proporcionado por Instituto Americano de Física . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :