研究人員提出一種基於多任務學習的深海被動定位方法

2020-11-20 光明網

近年來，科研人員開始將機器學習應用於水下目標的被動定位，把實際觀測數據作為訓練數據，得到具有較好定位性能的模型。海試數據難以獲取，因此，該方法的實際應用受到限制。科研人員改用聲傳播模型計算的仿真數據作為訓練數據，但這種方法和傳統匹配場方法一樣，面臨環境失配問題。

對此，中國科學院聲學研究所聲場聲信息國家重點實驗室研究生劉一寧及其導師牛海強、研究員李整林提出一種適用於失配海洋環境基於多任務學習（multi-task learning，MTL）的深海被動定位方法，利用聲傳播模型生成訓練樣本，對一個多任務卷積神經網絡（convolutional neural network，CNN）進行訓練，實現失配環境下單個網絡對單個聲源距離和深度的估計；使用自適應的權重對距離、深度估計的誤差進行加權。為解決環境的不確定性問題，研究人員在驗證數據集中時，使用不同的環境參數。敏感性分析結果表明，和傳統匹配場方法相比，該方法對陣列傾斜和海水深度失配更穩健；為進一步緩解陣列傾斜的影響，研究人員在訓練數據集中時，加入粗粒度不同的傾斜角度。仿真結果表明，該方法對陣列傾斜較穩健。

研究人員利用已有的海試實驗數據，對該方法進行驗證。定位1~57 km範圍內的486個聲源，對比多任務學習的卷積網絡和傳統匹配場方法後發現，在匹配場方法失效的距離區間，基於多任務學習的深海被動定位方法仍能夠準確定位聲源，驗證了該算法在環境失配條件下的有效性。仿真表明，陣列傾斜是影響定位結果的主要因素；增加不同傾斜角度訓練數據能夠進一步提高該方法對傾斜的穩健性。海試實驗定位誤差統計結果表明，92.8%的距離估計相對誤差低於10%，86.2%的深度估計絕對誤差低於20 m。

相關研究成果以A multi-task learning convolutional neural network for source localization in deep ocean為題，在線發表在Journal of the Acoustical Society of America上。研究工作得到國家自然科學基金的支持。

圖1.不同方法對陣列傾斜的敏感性對比：（a）距離估計結果；（b）深度估計結果

圖2.多任務學習方法和匹配場方法的對比：（a）距離估計結果；（b）深度估計結果

來源：中國科學院聲學研究所

聲明：轉載此文是出於傳遞更多信息之目的。若有來源標註錯誤或侵犯了您的合法權益，請作者持權屬證明與本網聯繫，我們將及時更正、刪除，謝謝。

來源： 中科院之聲

相關焦點

  • 前沿丨水中目標新型被動檢測理論及方法
    第5章，水中目標智能被動檢測理論。綜合分頻段濾波、Hilbert包絡解調和改進的經驗模式分解等現代信號處理方法，基於距離評估技術的特徵選擇方法，支持向量數據描述的單值檢測器和「投票策略」，提出一種組合支持向量數據描述的水聲目標智能被動檢測新方法，並構建相應的智能檢測模型。
  • 科研人員提出一種基於卷積循環神經網絡的單通道漸進語音增強方法
    儘管目前基於深度學習的單通道語音增強方法可有效抑制幹擾成分，但這些方法的網絡參數量較大且運算複雜度較高，難以應用於低功耗設備。對此，中國科學院聲學研究所噪聲與振動重點實驗室研究生李安冬、研究員鄭成詩等，提出一種基於卷積循環的單通道漸進語音增強方法，在保持增強性能不變的前提下，減小了參數量並降低了運算複雜度。
  • 與模型無關的元學習,UC Berkeley提出一種可推廣到各類任務的元...
    學習如何學習一直是機器學習領域內一項艱巨的挑戰，而最近 UC Berkeley 的研究人員撰文介紹了他們在元學習領域內的研究成功，即一種與模型無關的元學習（MAML），這種方法可以匹配任何使用梯度下降算法訓練的模型，並能應用於各種不同的學習問題，如分類、回歸和強化學習等。
  • 多任務實現SOTA,UBC、谷歌等提出3D點雲的無監督膠囊網絡
    機器之心報導作者：杜偉、小舟這是一種為 3D 點雲提出的無監督膠囊架構，並且在 3D 點雲重構、配準和無監督分類方面優於 SOTA 方法。理解對象是計算機視覺的核心問題之一。傳統方法而言，理解對象任務可以依賴於大型帶注釋的數據集，而無監督方法已經消除了對標籤的需求。
  • 多任務實現SOTA,UBC谷歌等提出3D點雲的無監督膠囊網絡
    這是一種為 3D 點雲提出的無監督膠囊架構，並且在 3D 點雲重構、配準和無監督分類方面優於 SOTA 方法。理解對象是計算機視覺的核心問題之一。傳統方法而言，理解對象任務可以依賴於大型帶注釋的數據集，而無監督方法已經消除了對標籤的需求。
  • 我國科研人員提出一種新方法
    對此，中國科學院深圳先進技術研究所智能與仿生系統中心的研究人員開發了一種基於子空間學習的域自適應方法，該方法有可能緩解氣體傳感器漂移問題。　　該研究發表在IEEE Transactions on Systems,Man,and Cybernetics:Systems上。　　研究人員提出了一種基於局部判別子空間投影（LDSP）的氣體傳感器漂移補償方法。
  • 基於RFID技術的室內定位方法簡述
    因此，室內定位的研究成為無線傳感器網絡服務的一個重要分支。通常用於室內定位研究的傳感器包括：Wi-Fi、藍牙、RFID、紅外、ZigBee等。本文我們將以RFID技術為藍本，向大家介紹室內定位原理。而Choi等人提出一種利用目標標籤對參考標籤的信號強度的幹擾對標籤進行定位的方法[3]。清華大學劉雲浩教授的團隊提出了一種基於無源RFID標籤信號強度高階變換的高精度室內定位方法，其定位精度可以到釐米級別[4-5]。
  • UNIMO:百度提出統一模態學習方法,同時解決單模與多模任務
    受此啟發，百度提出統一模態學習方法，能夠同時使用大量文本和圖像的單模數據進行學習，並利用圖文對的多模數據進行跨模態聯想對比，通過預訓練獲得統一語義表示，從而在多種理解與生成的下遊任務上超越 ViLBERT、Oscar 等多模預訓練模型以及 RoBERTa、UniLM 等文本預訓練模型，同時登頂視覺問答 VQA 權威榜單。
  • 當前最好的詞句嵌入技術概覽:從無監督學習轉向監督、多任務學習
    最近的詞嵌入研究進展在過去的五年中，人們提出了大量可行的詞嵌入方法。目前最常用的模型是 word2vec 和 GloVe，它們都是基於分布假設（在相同的上下文中出現的單詞往往具有相似的含義）的無監督學習方法。
  • 基於MOPSO-SA混合算法的礦山微震震源定位方法
    衝擊礦壓是一種典型的煤礦動力災害，嚴重威脅煤礦的高效生產和人員安全，因此，衝擊礦壓災害的預防與預警至關重要。 衝擊礦壓指在高應力作用下，聚集的能量突然釋放，造煤巖體的衝擊，導致人員傷亡，建築物破壞的現象。
  • Applied Soft Computing:河北農業大學馬建斌副教授、滕桂法教授提出一種基於遺傳規划算法的混合多特徵構造方法
    5月10日，我校信息科學與技術學院馬建斌副教授、滕桂法教授在國際學術期刊Applied Soft Computing在線發表了題為「Ahybrid multiple feature construction approach for classification using Genetic Programming」的研究論文
  • 一種基於人工智慧的腦圖像處理方法
    ） 基於深度學習的工作流程系統DeNeRD，框圖顯示了由神經元檢測器(TOP)單元處理的來自不同出生後(P)時間點的腦圖像的輸入。 蘇黎世大學大腦研究所的研究人員最近在《Nature Scientific Reports》發表了一項技術， 可在不同發育階段的不同腦區自動檢測不同類型的神經元。 在細胞水平上描繪哺乳動物大腦的結構是一項重要而又艱巨的任務，這通常涉及到捕捉特定的解剖特徵並對其進行分析。在過去，研究人員能夠利用經典的組織學和體視學技術收集一些關於哺乳動物大腦結構有趣的觀察和見解。
  • 河北工業大學科研人員提出抑制電抗器振動的新方法，減振效果好
    減振降噪是電抗器在製作和應用過程中需要考慮的重要因素，但目前的減振方法多集中在被動減振方面，無法從根源上減小電磁振動。省部共建電工裝備可靠性與智能化國家重點實驗室（河北工業大學）、河北省電磁場與電器可靠性重點實驗室（河北工業大學） 的研究人員閆榮格、趙文月、陳俊傑、張曉傑，在2020年第16期《電工技術學報》上撰文，針對串聯電抗器提出一種基於諧波注入的主動減振方法，仿真與實驗證明該方法對電抗器有很好的減振效果。
  • 車牌識別系統中車牌定位方法的研究
    基於這些基本運算還可推導和組合成各種數學形態學實用算法，用它們可以進行圖像形狀和結構的分析及處理，包括圖像分割、特徵抽取、邊界檢測、圖像濾波、圖像增強和恢復等。數學形態學方法利用一個稱作結構元素的「探針」收集圖像的信息，當探針在圖像中不斷移動時，便可考察圖像各個部分之間的相互關係，從而了解圖像的結構特徵。上海大學的盧雅琴、鄔凌超基於形態學的思想提出了一種基於形態學的車牌定位方法。
  • 一種基於深度學習的低成本細胞生物學研究方法
    在本文中，我們提出了一種靈活且低廉的方法來解決生物學問題，該方法非常適合業餘科學家。我們充分利用了低成本的圖像設備（FoldScope顯微鏡）、公共圖像數據（Kaggle 資料庫）和免費的數據分析工具（Kaggle Kernels）。
  • 北大、斯坦福提出基於動態圖網絡學習的三維部件拼裝
    機器之心轉載來源：北京大學前沿計算研究中心在一篇 NeurIPS 2020 論文中，北大、史丹福大學的研究者提出了一種基於迭代式圖神經網絡的動態圖神經網絡學習的框架我們和之前一些方法（如 ComplementMe [2], PQ-Net [3] 等）的變體以及我們自己方法的幾個變體都進行了對比，展示了定性和定量的結果，證明了我們的方法在部件拼裝任務中的優越性。圖3展示了定性的對比結果（左），此外，利用 VAE 類似的思想，我們的方法還可以產生多模態的輸出（右）。
  • 基於改進的LM算法的可見光定位研究
    為了能充分利用冗餘信息，以提高定位精度與實用性，本文提出了一種基於Levenberg-Markuardt（LM）算法的可見光室內定位方法。該方法主要通過將非線性奇異方程組轉化為無約束最優化函數，再利用信賴域技巧修正的LM算法獲得全局收斂解。
  • 回望2017,基於深度學習的NLP研究大盤點
    （word2vec 中的神經網絡很淺，而 GloVe 則實現了一個基於計數的方法），但是通過這些方法訓練出來的模型卻在許多的基於深度學習的自然語言處理算法中被作為輸入數據而使用。主辦方指出，基於深度學習的方法受到越來越多參賽者的歡迎，今年有 20 個團隊採用了卷積神經網絡（CNN）和長短時記憶（LSTM）等模型。此外，儘管 SVM 模型仍然非常流行，但是一些參與者選擇將它們與神經網絡方法相結合或者是使用詞嵌入特徵。
  • 中科院學習貫徹習近平總書記視察中科院深海所重要指示精神
    白春禮強調，全院上下要保持戰略定力，繼續準確把握國家戰略科技力量的使命和定位，按照「三個面向」總體要求，系統梳理各領域方向的差距和不足，認真分析研究「卡脖子」問題，集中優勢資源和力量進行攻關，為滿足國家發展的緊迫需要發揮不可替代的關鍵核心作用；要從黨和國家事業發展需要的大局出發，恪守國家戰略科技力量的定位，履行國家戰略科技力量的使命，不斷增強全面深化改革的信心和決心，通過改革進一步釋放科技創新的活力
  • 讓智能體合作,谷歌團隊提出自然語言的產生方法 | ICLR 2017
    當前主流的訓練自然語言系統的方法是將它們暴露在大量語言文字中。這種被動學習的方法對於發展互動型機器，例如可會話的智能體，是存在有很多問題的。在ICLR 2017會議上，Angeliki Lazaridou等研究者在oral paper論文《Multi-agent cooperation and the emergence of (natural) language》提出一個基於多個智能體的語言學習的架構。研究人員在參考遊戲的環境中研究這種學習方法。在這些遊戲中，一個發送者和一個接收者可以看到一組圖像。