مواد تهیه شده توسط دانشگاه آلاسکا فیربنکس. نوشته اصلی توسط راد بویس. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.
روش جدید می تواند تشخیص انفجار را بهبود بخشد — ScienceDaily
این کار که توسط محقق فوق دکتری موسسه ژئوفیزیک UAF رهبری می شود، الکس ویتسیل، اخیراً در مجله منتشر شده است. نامه های تحقیقاتی ژئوفیزیک.
روش Witsil با استفاده از صدها میکروفن مادون صوت تک عنصری در حال حاضر در سراسر جهان، تشخیص را بهبود می بخشد. که تشخیص را مقرون به صرفه تر می کند.
امروزه، الگوریتم‌های تشخیص عموماً به آرایه‌های فروصوت متشکل از چندین میکروفون نزدیک به یکدیگر متکی هستند. برای مثال، سازمان بین‌المللی معاهده منع جامع آزمایش، که بر انفجارهای هسته‌ای نظارت می‌کند، آرایه‌های مادون‌صوت را در سرتاسر جهان مستقر کرده است.
منبع داستان:
چرا به جای استفاده از نمونه های واقعی، صداهای مصنوعی انفجار ایجاد می کنیم؟ از آنجایی که انفجارها در هر نقطه از سیاره زمین اتفاق نیفتاده است و جو دائماً تغییر می کند، نمونه های واقعی کافی برای آموزش الگوریتم های تشخیص یادگیری ماشینی تعمیم یافته وجود ندارد.
ویتسیل گفت: «ما از نرم‌افزار مدل‌سازی برای تولید 28000 سیگنال مادون صوت مصنوعی استفاده کردیم که اگرچه در رایانه تولید می‌شوند، اما به طور فرضی می‌توان آن‌ها را توسط میکروفون‌های فروصوت که صدها کیلومتر از یک انفجار بزرگ مستقر شده‌اند، ضبط کرد.
سیگنال‌های مصنوعی تغییرات در شرایط جوی را منعکس می‌کنند که می‌تواند سیگنال انفجار را در سطح منطقه‌ای یا جهانی با انتشار امواج صوتی تغییر دهد. این تغییرات می تواند تشخیص منشاء و نوع انفجار را از فاصله دور دشوار کند.
ویتسیل، در مرکز فنی ویلسون آلاسکا در موسسه ژئوفیزیک، و همکارانش کتابخانه ای از سیگنال های انفجار مادون صوت مصنوعی ایجاد کردند تا کامپیوترها را در تشخیص منبع سیگنال فروصوت آموزش دهند. فرکانس مادون صوت بسیار کم است که توسط انسان شنیده نمی شود و از امواج شنیداری با فرکانس بالا دورتر حرکت می کند.
روش Witsil می تواند در یک محیط عملیاتی برای دفاع ملی یا کاهش خطرات طبیعی به کار گرفته شود.
ویتسیل گفت: «ما تصمیم گرفتیم از مواد مصنوعی استفاده کنیم، زیرا می‌توانیم انواع مختلفی از جوها را مدل‌سازی کنیم که سیگنال‌ها از طریق آن منتشر می‌شوند. بنابراین حتی اگر به هیچ انفجاری که در کارولینای شمالی رخ داده است دسترسی نداریم، من می‌توانم از رایانه خود برای مدل‌سازی انفجارهای کارولینای شمالی استفاده کنم و یک الگوریتم یادگیری ماشینی برای تشخیص سیگنال‌های انفجار در آنجا بسازم.»
بر اساس روش جدیدی که توسط دانشمند فیربنکس دانشگاه آلاسکا ابداع شده است، می توان با یادگیری از سیگنال های انفجار مصنوعی، رایانه ها را برای تشخیص بهتر انفجارهای هسته ای دوردست، انفجارهای شیمیایی و فوران های آتشفشانی آموزش داد.
این کار توسط آژانس کاهش تهدیدات دفاعی تامین مالی شده است.
ویتسیل می‌گوید: «این گران است، نگهداری از آن سخت است و چیزهای بیشتری ممکن است خراب شوند.
روش یادگیری ماشینی، مفید بودن میکروفن‌های مادون‌صوت تک عنصری را با توانایی تشخیص سیگنال‌های انفجاری دقیق‌تر در زمان واقعی، گسترش می‌دهد. میکروفون‌های تک عنصری در حال حاضر تنها برای تجزیه و تحلیل عطف به گذشته سیگنال‌های شناخته‌شده و معمولاً با دامنه بالا مفید هستند، همانطور که با فوران عظیم آتشفشان تونگا در ژانویه انجام دادند.
