Filter by دسته‌ها
chatGTP
ابزارهای هوش مصنوعی
اخبار
گزارش
تیتر یک
چندرسانه ای
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
دانش روز
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
رویدادها
جیتکس
کاربردهای هوش مصنوعی
کتابخانه
اشخاص
شرکت‌های هوش مصنوعی
محصولات و مدل‌های هوش مصنوعی
مفاهیم
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
مقاله
 روشی جدید برای تشخیص انفجار با سیگنال های مصنوعی

روشی جدید برای تشخیص انفجار با سیگنال های مصنوعی

زمان مطالعه: 2 دقیقه

طبق یافته‌های دانشگاه Alaska Fairbanks (UAF)، با آموزش کامپیوترها روی سیگنال های مصنوعی انفجارها، می‌توان انفجارهای هسته‌ای و شیمیایی و فوران آتش‌فشان‌ها را بهتر از قبل تشخیص داد.

پژوهش مذکور، به سرپرستی الکس ویتسیل، پژوهشگر مؤسسه ژئوفیزیک UAF، در ژورنال Geophysical Research Letters منتشر شده است.

ویتسیل و همکارانش کتابخانه‌ای از سیگنال های مصنوعی انفجاری فروصوت ساختند تا به کامپیوترها بیاموزند منبع سیگنال‌های فروصوت را تشخیص دهند. فرکانس امواج فروصوت به قدری پایین است که انسان‌ها قادر به شنیدنش نیستند؛ این امواج از سایر امواج شنیداری که فرکانس بالاتری دارند، مسافت بیشتری را طی می‌کنند.

ویتسیل توضیح می‌دهد: «در این پروژه، با استفاده از نرم‌افزارهای مدلسازی، 28,000 سیگنال مصنوعی فروصوت ساختیم. با وجود استفاده از سیگنال های مصنوعی، میکروفون‌های فروصوتی که صدها کیلومتر دورتر از منبع انفجار قرار گرفته بودند هم توانستند آن‌ها را ثبت کنند.»

سیگنال های مصنوعی

سیگنال های مصنوعی بازتابی از شرایط اتمسفری گوناگون هستند؛ چون این شرایط می‌توانند در سطح ناحیه‌ای یا کلی بر سیگنال‌های انفجار تأثیر بگذارند و امر تشخیص منشأ و نوع انفجار را از راه دور با مشکل روبرو سازند.

شاید از خود بپرسید چرا به جای نمونه‌های واقعی، از صداهای مصنوعی استفاده شده است؛ زیرا تا کنون در تمام نقاط زمین انفجاری رخ نداده است. به علاوه، شرایط جوی هم مدام تغییر می‌کند. به همین دلیل، نمونه‌های واقعی کافی برای آموزش الگوریتم‌های تشخیص‌گر تعمیم‌یافته وجود ندارد.

ویتسیل اضافه می‌کند: «دلیل انتخاب نمونه‌های مصنوعی و سیگنال های مصنوعی این بود که می‌توانیم شرایط جوی مختلف را مدلسازی کنیم. از سوی دیگر، با این‌که برای مثال در کارولاینای شمالی، تا کنون هیچ انفجاری رخ نداده است، کامپیوتر می‌تواند چندین انفجار در این منطقه مدلسازی کند و یک الگوریتم یادگیری ماشینی بسازد که سیگنال‌های انفجاری مربوطه را تشخیص می‌دهد.»

امروزه، الگوریتم‌های تشخیص‌گر عموماً بر آرایه‌های فروصوتی تکیه دارند که از چندین میکروفون نزدیک به هم تشکیل شده‌اند. برای نمونه، سازمان بین‌المللی Comprehensive Test Ban Treaty که مسئول نظارت بر انفجارهاست، آرایه‌های فروصوتی دارد که در سراسر سطح کره‌ زمین تعبیه شده‌اند.

به عقیده‌ ویتسیل، تهیه‌ این آرایه‌ها گران‌قیمت و نگهداری‌شان دشوار است، چون اجزای زیادی در این میان وجود دارند که ممکن است خراب شده و یا از کار بیفتند.

روش پیشنهادی ویتسیل و سیگنال های مصنوعی فرآیند تشخیص را ارتقا می‌دهند، چون در این روش از صدها میکروفون فروصوتی تک‌مؤلفه‌ای استفاده می‌کند که از قبل، در نقاط مختلف دنیا جای‌گذاری شده‌اند. بدین ترتیب، امر تشخیص از نظر اقتصادی به‌ صرفه‌تر می‌شود.

فناوری یادگیری ماشینی میزان کارآمدی میکروفون‌های فروصوت تک‌مؤلفه‌ای را افزایش می‌دهد، چون آن‌ها را قادر می‌سازد سیگنال‌های نهان‌تر (ضعیف‌تر) را به صورت لحظه‌ای شناسایی کنند. در حال حاضر، میکروفون‌های تک‌مؤلفه‌ای تنها برای تحلیل سیگنال‌های قوی و شناخته‌شده، بعد از وقوع رویداد، استفاده می‌شوند. برای مثال می‌توان به فوران آتش‌فشان تونگا در ماه ژانویه اشاره کرد.

رویکرد ویتسیل را می‌توان در بافت عملیاتی برای دفاع ملی یا کاهش خطرات ملی به کار برد. این پروژه از سوی آژانس کاهش تهدیدهای دفاعی پشتیبانی شده است.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
[wpforms id="48325"]