מושגי ליבה
条件付き畳み込みニューラルネットワークを用いて、海底地形の変化に応じた水中放射雑音の遠距離伝搬損失を効率的に予測する。
תקציר
本研究では、水中放射雑音の遠距離伝搬損失を予測するための新しい手法として、範囲依存型条件付き畳み込みニューラルネットワーク(RC-CAN)を提案している。
- RC-CANは、海底地形情報を入力として受け取り、単一ステップで遠距離伝搬損失を出力する。
- 連続学習フレームワークを導入し、様々な海底地形条件に順次適応できるようにしている。
- 理想的な海山プロファイル、傾斜海底プロファイル、実在のディッキンズ海山プロファイルなどを用いて、RC-CANの予測精度を検証した。
- 構造類似性指標(SSIM)で90%以上の高精度な予測が可能であり、従来手法に比べて大幅な計算時間の短縮を実現した。
- この手法は、海洋環境への影響を最小限に抑えるための船舶運航最適化などの用途に活用できる。
סטטיסטיקה
海底地形の変化に伴い、遠距離伝搬損失は大きく変動する。
理想的な海山の場合、ピーク深度が1650mの場合の伝搬損失予測とシミュレーション結果の一致率は89%である。
ピーク深度が450mの場合の一致率は91%である。
海山の基底幅が変化する場合の一致率は96%である。
ディッキンズ海山の実在プロファイルに対する一致率は94%である。
ציטוטים
"RC-CANモデルは、海底地形の変化に応じた水中放射雑音の遠距離伝搬損失を効率的に予測できる。"
"RC-CANモデルは、従来手法に比べて大幅な計算時間の短縮を実現した。"
"この手法は、海洋環境への影響を最小限に抑えるための船舶運航最適化などの用途に活用できる。"