Seyrek sensörlerle küresel alan yeniden yapılandırması için derin bir öğrenme tekniği

Araştırmacıların küresel alan yeniden yapılandırma yöntemine genel bakış. Kredi: Fukami ve ark.

Seyrek sensörler tarafından toplanan verileri kullanarak uzamsal alanları doğru bir şekilde yeniden yapılandırmak için yöntemler geliştirmek hem fizik hem de bilgisayar bilimlerinde uzun süredir devam eden bir zorluk olmuştur. Nihayetinde, bu tür yöntemler, karmaşık fiziksel sistemlerin tasarımına, tahminine, analizine ve kontrolüne önemli ölçüde yardımcı olabilir.

Şimdiye kadar, doğrusal teoriye dayalı geleneksel yöntemler, özellikle yalnızca sınırlı miktarda sensör verisi mevcut olduğunda veya sensörler rastgele konumlandırıldığında, karmaşık fiziksel sistemler veya süreçler için küresel alanları yeniden yapılandırırken düşük performanslar elde etti. Son yıllarda, bilgisayar bilimcileri, derin öğrenme modelleri de dahil olmak üzere küresel alan yeniden yapılandırması için alternatif yöntemlerin potansiyelini araştırıyorlar.

Japonya’daki Keio Üniversitesi’ndeki, California-Los Angeles Üniversitesi’ndeki ve ABD’deki diğer enstitülerdeki araştırmacılar, yakın zamanda, kapsamlı ve yüksek düzeyde organize edilmiş sensör verilerine ihtiyaç duymadan küresel alanları doğru bir şekilde yeniden yapılandırabilen yeni bir derin öğrenme aracı geliştirdiler. Bu yöntem, yayınlanan bir makalede tanıtılan Doğa Makine Zekası, jeofizik, astrofizik ve atmosfer bilimi dahil olmak üzere çeşitli araştırma alanları için yeni ilginç olasılıklar açabilir.

Kai Fukami ve meslektaşları makalelerinde, “Sınırlı sayıda sensörden, zamanla gelişen karmaşık bir alanın doğru ve sağlam küresel durumsal farkındalığını elde etmek uzun süredir devam eden bir zorluk olmuştur.” “Bu yeniden yapılandırma problemi, sensörler seyrek olarak, görünüşte rastgele veya organize olmayan bir şekilde yerleştirildiğinde, genellikle bir dizi bilimsel ve mühendislik probleminde karşılaşılan, özellikle zordur.”

Atmosferik fenomenleri, astrofiziksel süreçleri ve diğer karmaşık fiziksel sistemleri incelerken, araştırmacılar genellikle organize olmayan şekillerde konumlandırılmış sınırlı sayıda sensör tarafından toplanan verilere erişebilir. Bazı durumlarda, bu sensörler de hareket edebilir ve belirli süreler boyunca çevrimdışı kalabilir.

Bu ideal sensör verilerinin eksikliği, şimdiye kadar bu karmaşık sistemler için küresel alanların yeniden oluşturulmasını zorlaştırdı. Derin öğrenme teknikleri bazı umut verici sonuçlar elde etmiş olsa da, bunları uygulamak genellikle oldukça pahalı ve hesaplama açısından zorlu olabilir.

Fukami ve meslektaşları tarafından geliştirilen küresel alan yeniden yapılandırma tekniği, derin öğrenmeyi biyolojik yapıları veya fiziksel sistemleri temsil etmenin ve tanımlamanın bir yolu olan Voronoi mozaikleme ile birleştirir. Geçmişte, Voronoi mozaikleri veya diyagramları, bilim ve mühendisliğin birçok alanında kullanılmıştır.

Kai Fukami ve meslektaşları makalelerinde, “Herhangi bir sayının rastgele konumlandırılmış sensörleri için yapılandırılmış bir ızgara tabanlı derin öğrenme yaklaşımına dayanan veri odaklı bir uzaysal alan kurtarma tekniği öneriyoruz” dedi. “Sensör konumlarından yapılandırılmış bir ızgara gösterimi elde etmek için Voronoi mozaiklemenin kullanımını düşünüyoruz, bu da evrişimli sinir ağlarının (CNN’ler) hesaplamalı olarak izlenebilir kullanımını mümkün kılıyor.”

Araştırmacılar tarafından oluşturulan teknik, seyrek sensörler tarafından toplanan verileri bir CNN’ye dahil ederek, yerel bilgileri yapılandırılmış bir temsile yaklaştırırken, sensörlerin konumuyla ilgili verileri korur. Bunu yapmak için, yapılandırılmamış veri kümesinin bir Voronoi mozaiklemesini oluşturur ve ardından sensörlerin konumuna karşılık gelen girdi veri alanını ekleyerek bunu bir maske olarak uygular.

Küresel alan yeniden yapılandırması için bu yöntemin iki avantajlı özelliği, gelişmiş görüntü işleme için umut verici olduğu kanıtlanmış derin öğrenme tabanlı tekniklerle uyumlu olması ve ayrıca isteğe bağlı sayıda sensörle uygulanabilmesidir. Şimdiye kadar, araştırmacılar, kararsız iz akışı, jeofizik veriler ve 3D türbülans verileri olmak üzere üç farklı sensör verisi seti kullanarak küresel alanları yeniden yapılandırmak için kullanarak yaklaşımlarının etkinliğini gösterdiler.

Daha önce önerilen yöntemlerin aksine, Fukami ve meslektaşları tarafından geliştirilen araç, rastgele sayıda hareketli sensör tarafından toplanan verilerle de çalışır. Gelecekte, sensörlerin organize olmayan şekillerde konumlandırıldığı durumlarda bile, farklı fiziksel sistemler için gerçek zamanlı olarak küresel alan tahmini sağlayan birçok değerli uygulamaya sahip olabilir.


Difraktif optik ağlar, dijital bir bilgisayar olmadan anında hologramları yeniden yapılandırır


Daha fazla bilgi:
Kai Fukami ve diğerleri, Voronoi mozaikleme destekli derin öğrenme ile seyrek sensörlerden küresel alan yeniden yapılandırması, Doğa Makine Zekası (2021). DOI: 10.1038 / s42256-021-00402-2

© 2021 Bilim X Ağı

Alıntı: Seyrek sensörlerle (2021, 15 Kasım) küresel alan yeniden yapılandırması için bir derin öğrenme tekniği, 19 Kasım 2021’de https://techxplore.com/news/2021-11-deep-technique-global-field-reconstruction.html adresinden alınmıştır.

Bu belge telif haklarına tabidir. Özel çalışma veya araştırma amaçlı herhangi bir adil işlem dışında, yazılı izin alınmadan hiçbir bölüm çoğaltılamaz. İçerik yalnızca bilgi amaçlı sağlanmıştır.





#Seyrek #sensörlerle #küresel #alan #yeniden #yapılandırması #için #derin #bir #öğrenme #tekniği