Çok Ölçekli Özellik Entegrasyonuna Sahip Hafif Hibrit Dikkat Ağı ile Sualtı Akustik Hedeflerinin Akıllı Tanınması

Dalgaların Altındaki Gemileri Dinlemek

Okyanuslar gemilerden, hayvanlardan ve doğal etkenlerden gelen seslerle doludur; hangi sesin kimden geldiğini ayırt etmek güvenlik, savunma ve deniz yaşamının korunması için hayati öneme sahiptir. Bu çalışma, yalnızca sualtı ses imzalarını kullanarak farklı gemi türlerini ayırt edebilen akıllı ama kompakt bir dinleme sistemi sunar. Bilgisayarın bu sinyalleri nasıl duyup işlediğini dikkatle şekillendirerek, yazarlar çok az hesaplama gücü kullanarak yüksek doğrulukla gemi tanımanın mümkün olduğunu gösteriyor; bu da yaygın, düşük maliyetli sualtı izlemenin önünü açıyor.

Gemi Seslerinin Neden Önemli Olduğu

Modern okyanuslar yoğun trafik yollarıdır ve motorların ve pervanelerin düşük uğultusu su altında uzun mesafelere yayılır. Hangi geminin nerede olduğunu tanımak navigasyon, arama-kurtarma ve gözetim açısından yardımcı olur; ayrıca insan kaynaklı gürültünün balinalar, balıklar ve hassas habitatlar üzerindeki etkisini izlemeyi sağlar. Geleneksel sonar sistemleri dalgalar, akıntılar ve yankılar nedeniyle sualtı sesinin kolayca bozulması ve sinyallerin doğal arka plan gürültüsüyle karışması yüzünden zorlanır. Eski tanıma yöntemleri ayrıca büyük ölçüde insan uzmanlara veya elle ayarlanmış kurallara dayanıyordu; bu yaklaşımlar değişime yavaş uyum sağlar ve sensörlerin şimdi topladığı büyük veri hacimlerine ölçeklenmez.

Makinelere Sualtıyı Dinlemeyi Öğretmek

Bu zorlukları aşmak için araştırmacılar ham sesi ana öğrenme motoruna ulaşmadan önce kompakt bir tanıma betimine dönüştüren bir dinleme hattı kurdular. Önce, iki gerçek dünya gemi gürültüsü arşivinden alınan kayıtların hepsi ortak bir örnekleme hızına yeniden örneklenir ve beş saniyelik parçalara ayrılır. Her parçanın üç kopyası oluşturulup hafifçe değiştirilir: Doppler etkilerini taklit etmek için perde küçük bir aralıkta kaydırılır, gemi hareketindeki değişimleri canlandırmak için hız gerilir veya sıkıştırılır ve okyanus arka plan uğultusunu benzetmek için gerçekçi renkli gürültü eklenir. Bu adımlar eğitim verisini üçe katlar ve sistemi aynı geminin birçok olası versiyonuna maruz bırakarak kaydın alınışındaki küçük değişimlere karşı daha dayanıklı hale getirir. Her segmentten sistem, sıfır geçişleri, toplam enerji, insan işitme ölçeklerine benzeyen spektral yapılar ve tonların perde sınıfları arasındaki dağılımı gibi sesin ne kadar güçlü, ne kadar kaba ve ne kadar tonlu olduğunu yakalayan basit, hızlı özellikler çıkarır ve sabit uzunlukta sayısal bir parmak izi oluşturur.

Sese Dair Kompakt Bir Beyin

Yöntemin kalbinde, hem isabetli hem de hafif olacak biçimde tasarlanmış Depthwise Separable Convolutional Adaptive Transformer adı verilen bir model yer alıyor. Model, özellik dizisinde kısa sürelik desenleri dinleyen çok sayıda küçük filtre gibi davranan özel evrişim bloklarıyla başlar; bunlar pervanelerin ritmik darbeleri veya tekrarlayan motor döngüleri gibi desenleri yakalarken hesaplama miktarını düşük tutar. Bunun üzerine model, her biri farklı ayrıntı seviyelerinde ses parmak izinin uzun aralıklarına bakacak şekilde paralel çalışan iki transformer dalı yürütür. Bu dallar, hangi dizin kısımlarının en önemli olduğuna karar vermek için dikkat mekanizmalarını kullanır ve bulgularını genel davranışı özetleyen toplama işlemleriyle damıtır. Uyarlanabilir bir birleştirme aşaması, her giriş için iki dalı farklı şekilde ağırlıklandırmayı öğrenir — yerel ince detayların önemli olduğu durumlarda birini, uzun menzilli yapının daha fazla bilgi taşıdığı durumlarda diğerini tercih eder — ve ardından en olası gemi sınıfını veren son sınıflandırıcıya kompakt bir özet iletir.

Sistemi Teste Sokmak

Yazarlar tasarımlarını iki iyi bilinen sualtı gemi gürültüsü koleksiyonunda değerlendirdiler: biri Kanada açıklarında uzun süreli kaydedilen bir veri seti, diğeri İspanya kıyılarından alınmış bir koleksiyon. Her iki durumda da model yalnızca beş saniyelik parçaları gördü ve bunları yük gemisi, yolcu gemisi, tanker, römorkör veya boyuta göre gruplar gibi geniş gemi kategorilerine atamak zorundaydı. Sistem birinci veri setinde yaklaşık %98,8 doğruluk ve ikincisinde %99,2 doğruluk elde etti; buna karşın yalnızca yarım milyon civarında eğitilebilir parametre ve tahmin başına birkaç milyon temel işlem kullandı. Bu, onu birçok güncel derin öğrenme modelinden çok daha küçük ve hızlı kılıyor, ancak yine de doğruluk açısından onlarla eşleşti veya onları aştı. Modelin iç temsilinin görsel analizleri, farklı gemi türlerinden alınan parçaların iyi ayrılmış kümeler oluşturduğunu gösterdi ve precision, recall ile alıcı işletim eğrileri gibi standart ölçümler sistemin nadiren bir sınıfı diğerine karıştırdığını doğruladı.

Okyanuslar İçin Anlamı Nedir

Daha basit bir ifadeyle, bu çalışma küçük, dikkatle tasarlanmış bir dinleme sisteminin gürültülü, gerçek okyanus ortamlarında gemi türlerini güvenilir şekilde ayırt edebileceğini ve neredeyse gerçek zamanlı kullanım için yeterince hızlı çalışabileceğini gösteriyor. Basit ama bilgilendirici ses özelliklerini yerel detaylarla uzun dönem desenleri dengeleyen hibrit bir modelle eşleştirerek yazarlar, şamandıralarda, robotlarda veya iskele istasyonlarında çalışabilecek geleceğin sualtı izleme sistemleri için pratik bir taslak sunuyor. Bu tür araçlar, deniz yolu yönetimine yardımcı olabilir, gürültü kirliliğinin çevresel çalışmalarını destekleyebilir ve otonom sonar sistemlerini iyileştirebilir; tüm bunlar mütevazı donanıma sığacak kadar düşük hesaplama gereksinimleri koruyarak yapılabilir.

Atıf: Mahmud, NA., Zhang, T., Iqbal, Y. et al. A lightweight hybrid attention network with multi-scale feature integration for intelligent recognition of underwater acoustic targets. Sci Rep 16, 16388 (2026). https://doi.org/10.1038/s41598-026-47540-4

Anahtar kelimeler: sualtı akustiği, gemi gürültüsü, sonar tanıma, derin öğrenme, deniz izleme