-
TECHNISCHES SACHGEBIET
-
Die
vorliegende Erfindung bezieht sich auf ein System zum Klassifizieren
der Rauigkeit des Meeresbodens unter Verwendung eines Hybrid-Layouts
eines künstlichen,
neuralen Netzwerks (Artificial Neural Network – ANN) anhand von unverarbeiteten, Mehrstrahl-Backscatter-Daten.
Genauer gesagt bezieht sich die vorliegende Erfindung auf ein System für eine Online-Klassifizierung
der Rauigkeit eines Meeresbodens anhand von unverarbeiteten Mehrstrahl-Winkel-Backscatter-Daten
unter Verwenden eines nicht überwachten
Lernens, wie ein Vorprozessor, und eines überwachten Lernens, wie der Schlussfolgerungs-Block,
für eine
verbesserte Klassifizierung, was zu einem hoch effizienten, neuralen Hybrid-Netzwerk-Layout
führt,
um einen nicht klassifizierten Datensatz zu klassifizieren.
-
HINTERGRUND
-
Zuvor
bekannte, neurale Klassifizierer zum Klassifizieren des Meeresbodens
[Z. Michalopoulou, D. Alexandrou, und C. de Moustier, „Application
of Neural and Statistical Classifiers to the Problem of Seaflor
Characterization",
IEEE Journal of Oceanic Engineering, Vol. 20, Seiten 190–197 (1994)]
beschreibt ein Netzwerk mit selbstorganisierender Liste (SOM), das
auf einen Mehrstrahl-Backscatter-Datensatz angewandt wird. Der Nachteil
dieses Systems ist derjenige, dass es nur verarbeitete Daten verwenden kann.
Ein anderer Nachteil ist seine Ungeeignetheit für eine Online-Anwendung.
-
Ein
alternatives System [B. Chakraborty, R. Kaustubha, A. Hedge, A.
Pereira, „Acoustic
Seafloor Sediment Classifiation Using Self Organizing Feature Maps", IEEE Transactions
Geoscience and Remote Sensing, Vol. 39, No. 12, Seiten 2722–2725 (2001)] beschreibt
ein SOM-Netzwerk, bei dem ein Einzelstrahl-Datensatz für die Klassifizierung
des Meeresbodens verwendet wird, und dieses System ist besser für eine Online-Benutzung geeignet.
Allerdings ist eine Einschränkung
dieses Systems diejenige, dass es eine Vorverarbeitung des Zeitfolge-Datensatzes vor
einer Klassifizierung erfordert.
-
In
der US Patentanmeldung No. 09/814,104 haben die Anmelder ein System
beschrieben, das bei der Klassifizierung des Meeresbodens eingesetzt wird.
Dieses System, das in dieser Anmeldung beschrieben ist, schätzt die
akustische Rückstreustärke des
Meeresbodens mit der quadratisch gemittelten (root-mean-square – r.m.s)
Echospannung der Signaldauer für
jeden Strahl ab. Für
dieses System werden Mehrstrahl-Winkel-Backscatter-(Rückstreu)-Daten von den verschiedenen
Bereichen des Meeresbodens um den Indischen Ozean herum unter Verwendung
eines Mehrfach-Strahlakustik-Systems (Hydrosweep), installiert an
Bord des Ocean Research Vessel Sagar Kanya, erhalten. Ein Nachteil des
vorstehend angegebenen Systems ist derjenige, dass es ein großes Zeit-Overhead erfordert,
um die groben Daten für
eine sich auf einen Bereich beziehende Verstärkung einer Meeresboden-Neigung-Korrektur
und eine Insonification-Tiefen-Normierung zu korrigieren.
-
Ein
noch anderes System [B. Chakraborty, H.W. Schenke, V. Kodagali,
und R. Hagen, „Seabottom
Characterization Using Multi-beam Echo-sounder: An Application of
the Composite Roughness Theory",
IEEE Transactions Geoscience and Remote Sensing, Vol. 38, Seiten
2419–2422
(2000)] beschreibt ein System für
eine Klassifizierung des Meeresbodens, wobei beobachtet worden ist,
dass die Parameter für
die Rauigkeit des Meeresbodens (power-law parameters) die idealen
Parameter für
die Klassifizierung sind. Der Nachteil dieses Systems ist, dass
die Klassifizierung des Meeresbodens nur nach Ausführen einer
physikalischen Modelldarstellung der zusammengesetzten Rauigkeitsparameter
ausgeführt
werden kann.
-
AUFGABEN DER
ERFINDUNG
-
Die
Hauptaufgabe der vorliegenden Erfindung ist es, ein neuartiges System
für die
Klassifizierung des Meeresbodens unter Verwendung eines Hybrid-Layouts
eines künstlichen,
neuralen Netzwerks (Artificial Neural Network – ANN) unter Verwendung der
unverarbeiteten Mehrstrahl-Backscatter-Daten zu schaffen.
-
Eine
andere Aufgabe der vorliegenden Erfindung ist es, ein System für eine Online-(d.h. Realzeit)-Klassifizierung
des Meeresbodens unter Verwendung von Backscatter-Daten nach einem
Training des selbst-organisierten, auflistenden (self-organized
mapping – SOM)
Netzwerks und des lernenden Vektor-Quantisierungs-(learning vector
quantization – LVQ)-Netzwerks
zu schaffen.
-
Eine
noch andere Aufgabe der vorliegenden Erfindung ist es, ein System
zu schaffen, das ein Hybrid-Netzwerk unter Verwendung von einem
nicht überwachten
SOM als der erste Block für
eine grobe Klassifizierung der Backscatter-Daten des Meeresbodens und
einer überwachten
LVQ für
eine stark verbesserte Funktionsweise bei dieser Klassifizierung
einsetzt.
-
Eine
noch andere Aufgabe der vorliegenden Erfindung ist es, ein System
zu schaffen, das eine Kombination der zwei Variationen des LVQ-Layouts einsetzt,
um zusammen so zu arbeiten, um die besten Klassifizierungsergebnisse
zu erhalten.
-
ZUSAMMENFASSUNG
DER ERFINDUNG
-
Die
vorliegende Erfindung bezieht sich auf ein System zum Klassifizieren
der Rauigkeit des Meeresbodens unter Verwendung eines Hybrid-Layouts
eines künstlichen,
neuralen Netzwerks (ANN) aus unverarbeiteten Mehrstrahl-Backscatter-Daten. Genauer
gesagt bezieht sich die vorliegende Erfindung auf ein System für die Online-Klassifizierung der
Rauigkeit des Meeresbodens aus unverarbeiteten Mehrstrahl-Winkel-Backscatter-Daten unter Verwendung
eines nicht überwachten
Lernens als ein Vorprozessor und eines überwachten Lernens als der
Schlussfolgerungs-Block für
eine verbesserte Klassifizierung, was zu einem hoch effizienten
Layout eines neuralen Hybrid-Netzwerks führt, um einen nicht klassifizierten
Datensatz zu klassifizieren.
-
DETAILLIERTE
BESCHREIBUNG DER ERFINDUNG
-
Dementsprechend
schafft die vorliegende Erfindung ein System zum Klassifizieren
der Rauigkeit des Meeresbodens unter Verwendung eines Hybrid-Layouts
eines künstlichen,
neuralen Netzwerks (Artifical Neural Network – ANN) aus unverarbeiteten Mehrstrahl-Backscatter-Daten,
wobei das System eine Einrichtung zum Erzeugen von unverarbeiteten, quadratisch
gemittelten (r.m.s.) Mehrstrahl-Backscatter-Daten, verbunden mit
dem Eingang eines Vorprozessors (20) mit selbst-organisierender
Liste (self-organizing map – SOM),
wobei der SOM-Vorprozessor über
eine oder mehrere Learning-Vector-Quantization-(LVQ)-Variante(n) (21 und 23)
mit einem Speicher/Anzeigemodul (22) verbunden ist, aufweist.
-
In
einer Ausführungsform
der vorliegenden Erfindung weisen die Mittel zum Erzeugen von unverarbeiteten,
quadratisch gemittelten Mehrstrahl-Backscatter-Daten eine Mehrstrahl-Akustik-Vorrichtung,
montiert unterhalb eines Schiffsrumpfs und verbunden mit einem Abschätzungsmodul
für den
quadratischen Mittelwert über
ein Strahlformermodul, auf.
-
In
einer anderen Ausführungsform
der vorliegenden Erfindung weisen die Mehrstrahl-Akustik-Vorrichtung
ein lineares Feld aus Wandlern, verbunden mit einem Roll- Pitch-Heave-Sensor
(Schlinger-Stampf-Hebe-Sensor) über
Kabelverbindungskästen,
und ein Feld aus Sende-Empfangs-Systemen auf.
-
In
einer noch anderen Ausführungsform
der vorliegenden Erfindung weist die Mehrstrahl-Akustik-Vorrichtung
zwei identische Felder aus akustischen Wandlern, befestigt unter
rechten Winkeln zueinander, auf.
-
In
einer noch anderen Ausführungsform
der vorliegenden Erfindung ist jedes Feld des akustischen Wandlers
eine Kombination aus mehreren Unterfeldern und jedes Unterfeld besteht
aus einer Vielzahl von Elementen.
-
In
einer weiteren Ausführungsform
der vorliegenden Erfindung bildet jedes Element einen Satz von Kanälen.
-
In
einer weiteren Ausführungsform
der vorliegenden Erfindung können
die Felder entweder für ein
Senden oder für
ein Empfangen von Signalen verwendet werden.
-
In
einer anderen Ausführungsform
der vorliegenden Erfindung ist die Mehrstrahl-Akustik-Vorrichtung mit dem Strahlformermodul über einen
Vorverstärker
und eine zeitvariierende Verstärkungseinstellungsschaltung
verbunden.
-
In
einer Ausführungsform
der vorliegenden Erfindung wird eine Strahlformung unter Verwendung von
geeigneten Verzögerungen
vorgenommen.
-
In
einer anderen Ausführungsform
der vorliegenden Erfindung ist das Strahlformermodul mit dem Abschätzungsmodul
für den
quadratischen Mittelwert über
einen Digital-Analog-Wandler, ein Filter und einen Analog-Digital-Wandler
verbunden.
-
In
einer noch anderen Ausführungsform
der vorliegenden Erfindung ist eine Anzeigeeinrichtung optional
mit dem Analog-Digital-Wandler verbunden.
-
In
einer noch anderen Ausführungsform
der vorliegenden Erfindung ist die Anzeigeeinrichtung mit dem Analog-Digital-Wandler über ein
Bottom-Tracking-Gate (Boden-Führungs-Öffnung)
verbunden.
-
In
einer weiteren Ausführungsform
der vorliegenden Erfindung ist das Ausgangsmuster des Abschätzungsmoduls
für den
quadratischen Mittelwert die Einhüllende einer Signalamplitude
für den
quadratischen Mittelwert gegenüber
einer Strahl-Zahl in einer Kursversatz-Richtung.
-
In
einer noch weiteren Ausführungsform
der vorliegenden Erfindung wird der Prozessor mit selbst-organisierender
Liste (SOM) die Meeresbodendaten in verschiedene Rauigkeits-Typen
klassifizieren und sie als Cluster zusammenfügen.
-
In
einer anderen Ausführungsform
der vorliegenden Erfindung werden die Rauigkeitsparameter basierend
auf einem Kursversatz-Winkel-Mehrstrahl-Signal-Backscatter-Form-Parameter des Schiffs
unterschieden.
-
In
einer Ausführungsform
der vorliegenden Erfindung stellt jedes Cluster; das gebildet ist,
ein eindeutiges Muster der Eingabedaten dar.
-
In
einer anderen Ausführungsform
der vorliegenden Erfindung ist die Anzahl von Clustern, die so gebildet
ist, gleich zu der Anzahl von unterschiedlichen Mustern eines empfangenen
Meeresboden-Datensatzes.
-
In
einer noch anderen Ausführungsform
der vorliegenden Erfindung sind die Cluster mit dem eigenen, nicht überwachten
Lernmerkmal des SOM-Vorprozessors gebildet.
-
In
einer noch anderen Ausführungsform
der vorliegenden Erfindung sind die Cluster ohne irgendeine vorherige
Kenntnis der Anzahl der unterschiedlichen Typen von Eingabemustern
gebildet.
-
In
einer weiteren Ausführungsform
der vorliegenden Erfindung beseitigt die Learning-Vector-Quantization-(LVQ)-Variante
die Unvollkommenheit bei der Klassifizierung, die aus dem Prozess
einer nicht überwachten
Klassifikation, vorgenommen durch einen SOM-Prozessor, entsteht.
-
In
einer weiteren Ausführungsform
der vorliegenden Erfindung werden die Verbesserungen der Meeresboden-Klassifikation
durch ein überwachtes Lernen
erreicht.
-
In
einer anderen Ausführungsform
der vorliegenden Erfindung wird das überwachte Lernen in Bezug auf
die LVQ durch eine Interpretation einer Person, basierend auf dem
Grund-Wahrheits-Datensatz, vorgenommen.
-
In
einer Ausführungsform
der vorliegenden Erfindung setzt das System eine LVQ ein, ausgelegt so,
um eine Fehlklassifikation an dem zentralen Bereich der Gewichtungs-Verteilung jedes
Clusters, oder eine LVQ, ausgelegt so, um die überlappenden Enden der Gewichtungs-Verteilung
von angrenzenden Clustern, oder eine Kombination beider, zu unterscheiden,
zu vermeiden.
-
In
einer anderen Ausführungsform
der vorliegenden Erfindung basiert die LVQ, ausgelegt so, um eine
Fehlklassifikation an dem zentralen Bereich zu vermeiden, auf einem „reward-punishment" Kriterium.
-
In
einer noch anderen Ausführungsform
der vorliegenden Erfindung bewegt die LVQ den Gewichtungsvektor
von der Eingabe, wenn er falsch repräsentiert ist, und der Gewichtungsvektor
wird so gestaltet, um die Eingabe enger anzupassen, wenn er korrekt
dargestellt ist.
-
In
einer noch anderen Ausführungsform
der vorliegenden Erfindung setzt die LVQ, ausgelegt so, um das Überlappen
der Enden zu unterscheiden, die Technik einer Umverteilung der Gewichtungen
des überlappenden
Bereichs der benachbarten Cluster zu den jeweiligen Haupt-Clustern
ein.
-
In
einer weiteren Ausführungsform
der vorliegenden Erfindung macht eine Interpretation einer Person
von den Ergebnissen, angezeigt auf der Anzeigevorrichtung, Gebrauch,
um weitere Beurteilungen über
die Qualität
der Klassifikation vorzunehmen.
-
Die
vorliegende Erfindung schafft vorzugsweise ein neuartiges System
für die
Klassifizierung eines Meeresbodens unter Verwendung eines Hybrid-Layout
eines künstlichen,
neuralen Netzwerks (ANN) aus unverarbeiteten Mehrfach-Backscatter-Daten,
das ein künstliches,
neurales Netzwerksystem aufweist, das aus einem Prozessor [20]
mit selbstorganisierender Liste (SOM), lernenden Vektor-Quantisierungs-Varianten
LVQ1 [21] und LVQ2 [23] und dem Speicher-Anzeige-Modul
[22] besteht, wobei der Eingang des SOM-Netzwerks [20] von einem Ausgang
eines Abschätzungsmoduls
[19] für den
quadratischen Mittelwert abgeleitet ist, das seinen Eingang von
einem A/D-Wandler [19] empfängt, der wiederum seinen Eingang
von einem Strahlformer [13], verbunden mit zwei identischen,
senkrecht orientierten Feldern [7] und [8] einer
Mehrstrahl-Akustik-Vorrichtung der 3, erhält, mit
dem Signal, nachdem es zu einem analogen Format gestaltet und unter
der Verwendung einer geeigneten, elektronischen Hardware-Schaltung
[14] und [15] jeweils gefiltert ist; wobei das
SOM-Netzwerk [20] die unverarbeiteten Mehrstrahl-Backscatter-Daten des quadratischen
Mittelwerts (r.m.s.), abgeleitet von den unterschiedlichen, vorgeformten
Strahlen, empfängt und
die Meeresbodendaten in verschiedene Rauigkeits-Typen klassifiziert, die, basierend
auf dem Kursversatz-Winkel-Mehrstrahl-Signal-Backscatter-Form-Parameter des Schiffs,
unterschieden werden, wobei ein eindeutiger Cluster gebildet wird,
um ein spezifisches Muster der Eingangsdaten darzustellen; wobei
die Anzahl von Clustern, die so gebildet ist, gleich zu der Anzahl
von unterschiedlichen Mustern des empfangenen Meeresboden-Datensatzes
ist; wobei die Cluster ohne irgendeine vorherige Kenntnis der Anzahl
von unterschiedlichen Typen von Eingangsmustern gebildet worden
sind; wobei die Cluster des Datensatzes darauffolgend zu der LVQ1
[21] eingegeben werden; wobei die Nichtperfektion in der
Klassifizierung von dem Prozess ei nes nicht überwachten Lernens ohne irgendeine
Hintergrundkenntnis entsteht, die teilweise durch das LVQ1-Netzwerk
[21], wie in 5, beseitigt wird; wobei die
Verbesserung in der Meeresboden-Klassifikation durch ein überwachtes
Lernen, basierend auf der Rückführung, bereitgestellt
zu dem LVQ1-Netzwerk [21], durch die Interpretation einer
Person, basierend auf dem Grund-Wahrheits-Datensatz unter Verwendung
eines geeigneten Gewichtungs-Aktualisierungs-Kriteriums, erreichbar
ist, wobei ein korrekt darstellender Gewichtungsvektor so gestaltet
worden ist, um den Eingang stärker
anzupassen, während ein
schlecht darstellender Gewichtungsvektor von dem Eingang weg bewegt
worden ist, um so eine Fehlklassifikation an dem zentralen Bereich
der Gewichtungs-Verteilung jedes Clusters zu vermeiden; wobei die
Ausgänge
des LVQ1 [21] darauffolgend zu dem Speicher- und Anzeigemodul
[22] eingegeben werden, wobei die Ergebnisse dadurch angezeigt werden,
die den Nutzen für
eine Interpretation durch eine Person haben, um so vorgenommen zu
werden, um die Qualität
der Klassifikation zu erhöhen;
wobei das System der vorliegenden Erfindung die Fähigkeit hat,
ein alternierendes Hybrid-Layout einzusetzen, wobei das LVQ1-[21]-Modul
durch ein anderes, überwachbares
Modul LVQ2 [23], wie in 6, ersetzt werden
könnte,
das die alternierende Funktion eines Unterscheidens der überlappenden
Enden der Gewichtungs-Verteilung von benachbarten Clustern durchführt, um
eine Meeresboden-Klassifikation mit einem minimalen Fehler durchzuführen; wobei
das System eine zusätzliche
Fähigkeit
hat, ein verbessertes Hybrid-Layout einzusetzen, wobei das Layout den
Vorteil einer Ausführung
einer Meeresboden-Klassifikation, basierend auf den unterschiedlichen
Fähigkeiten
der LVQ1 [21] und der LVQ2 [23], wie in 7,
besitzt, um dadurch die beste, mögliche Klassifikation
bereitzustellen, unter Berücksichtigung der
zentralen ebenso wie der Endbereiche der Gewichtungs-Verteilungen
in dem Vorgang einer Klassifikation.
-
In
einer Ausführungsform
der vorliegenden Erfindung ist das Layout des neuralen Netzwerks
ein modell-unabhängiges
System, das die Fähigkeit
bereitstellen würde,
die unverarbeiteten Backscatter-Daten von dem Meeresboden für den Zweck
einer Klassifikation zu verwenden.
-
In
einer anderen Ausführungsform
der vorliegenden Erfindung ist eine Online-Meeresboden-Klassifikation auf die Trainingsphase
des Netzwerks hin möglich,
um dadurch ein kosteneffektives System bereitzustellen, das die
Fähigkeit
besitzt, das Erfordernis einer Vorverarbeitung der groben Daten zu
umgehen.
-
In
einer noch anderen Ausführungsform
der vorliegenden Erfindung wird eine eindimensionale (d.h. Balkenausdruck)
Präsentation
einer Vielzahl von selbstorganisierenden Clustern eines unverarbeiteten
(d.h. rohen) Eingangsdatensatzes und einer darauffolgenden Klassifikation
für die
Interpretation einer Person für
eine weitere Beurteilung der Qualität einer Klassifikation und
eine zusätzliche
Fähigkeit
einer Visualisierung der empfangen Eingangsvektoren in einer Realzeit,
bereitgestellt.
-
In
einer noch weiteren Ausführungsform
der vorliegenden Erfindung sind die Fähigkeiten auf die verarbeiteten
Backscatter-Daten ebenso erweiterbar.
-
In
einer weiteren Ausführungsform
der vorliegenden Erfindung ist das System dazu geeignet, in einer
Realzeit Kursversatz-Mehrstrahl-Winkel-Backscatter-Daten, aufgenommen
von einem Echolot, installiert außenbords des Schiffs/AUV, zu einer
entfernten Datenbank umzuleiten.
-
In
einer weiteren Ausführungsform
der vorliegenden Erfindung ist die Umleitung durch eine Darstellung
eines umfangreichen Datensatzes durch ein paar Cluster-Einheiten, wie sie
in dem System-Layout auf einer Basis Ping für Ping gebildet ist, ausgeführt.
-
NEUHEIT UND
ERFINDERISCHE TÄTIGKEIT
-
Die
Neuheit und die erfinderische Tätigkeit der
vorliegenden Erfindung liegen in einem genialen System zum Klassifizieren
des Meeresbodens unter Verwendung eines Hybrid-Layouts eines künstlichen, neuralen
Netzwerks (ANN) unter der Verwendung von unverarbeiteten Mehrfachstrahl-Backscatter-Daten,
um dadurch das Erfordernis nach der herkömmlichen, arbeitsintensiven
und zeitaufwändigen
Vorverarbeitungsaufgabe zu umgehen, die ansonsten erforderlich gewesen
wäre. Das
System der vorliegenden Erfindung ermöglicht eine Online-(d.h. Realzeit)-Klassifizierung
des Meeresbodens unter Verwendung von Backscatter-Daten nach einem
Training des selbst-organisierten, auflistenden (self-organized
mapping – SOM)
Netzwerks und des lernenden Vektor-Quantisierungs-(learning vector
quantization – LVQ)-Netzwerks.
Weiterhin besitzt das System der vorliegenden Erfindung die einzigartige
Fähigkeit der
kombinierten Anwendung der nicht überwachten SOM, gefolgt durch
eine überwachte
LVQ, um eine stark verbesserte Funktionsweise in der Klassifizierung
zu erreichen, die zuvor nicht existent war. Das System der vorliegenden
Erfindung besitzt die zusätzliche
Fähigkeit,
eine Kombination aus zwei Va riationen des LVQ-Layouts zu verwenden,
um so zusammen zu arbeiten, um die besten Ergebnisse bei der Klassifizierung
des Meeresbodens zu erreichen.
-
Das
neuartige System zum Klassifizieren des Meeresbodens unter Verwendung
des Hybrid-Layouts eines künstlichen,
neuralen Netzwerks (ANN) liefert das Folgende:
- 1.
Die Fähigkeit,
unverarbeitete Mehrfachstrahl-Backscatter-Daten zu verwenden, um
dadurch das Erfordernis der herkömmlichen,
arbeitsintensiven und zeitaufwändigen
Vorverarbeitungsaufgabe zu umgehen, die ansonsten erforderlich gewesen
wäre.
- 2. Die Fähigkeit
für eine
Online-(d.h. Realzeit)-Meeresboden-Klassifizierung nach einem Training
des selbst-organisierten, auflistenden (SOM)-Netzwerks und des lernenden
Vektor-Quantisierungs-(LVQ)-Netzwerks unter Verwendung eines großen Zeitserien-Datensatzes ohne
das Vorhandensein von Hintergrundinformationen.
- 3. Die einzigartige Fähigkeit
der kombinierten Benutzung einer nicht überwachten SOM gefolgt durch
eine überwachte
LVQ, um eine stark verbesserte Funktionsweise bei der Klassifizierung des
Meeresbodens zu erreichen, die zuvor nicht vorhanden war.
- 4. Die Mittel für
die Verwendung einer Kombination der zwei Varianten des LVQ-Layouts,
nämlich LVQ1
(das eine Fehlklassifizierung minimiert) und LVQ2 (das überlappende
Gewichtungen von benachbarten Clustern einstellt), um zusammen so zu
arbeiten, um die besten Ergebnisse zum Klassifizieren des Meeresbodens
zu erreichen.
-
KURZE BESCHREIBUNG DER
BEIGEFÜGTEN ZEICHNUNGEN
-
In
den Zeichnungen, die diese Beschreibung begleiten:
-
1 stellt
die Schematik eines Einzelstrahl-Echolots dar, das herkömmlich für die Kartografierung
des Meeresbodens verwendet wird.
-
2 stellt
die Schematik eines Mehrfachstrahl-Echolots dar, das zum Auflisten
des Meeresbodens über
einen größeren Bereich
unter der Verwendung eines Felds aus akustischen Strahlen verwendet
wird.
-
3 zeigt
die Geometrie an, die in dem Mehrfachstahl-Echogerät zum Sammeln
akustischer Backscatter-Daten von dem Meeresboden verwendet wird.
-
4.
stellt eine schematische Blockansicht der Signalverarbeitungs-Hardware
dar, die für
eine Strahlformung der zurückgestreuten
Signaldatenfolge verwendet ist.
-
5 stellt
das schematische Blockdiagramm eines Hybrid-ANN-Layouts unter Verwendung
eines SOM als Vorprozessor und der LVQ1 für eine verbesserte Klassifizierung
dar.
-
6 zeigt
eine schematische Blockdarstellung eines alternativen Hybrid-ANN-Layouts, das ein SOM-Netzwerk,
gefolgt durch LVQ2 für
eine Feinabstimmung der Cluster-Grenzen, verwendet.
-
7 stellt
das schematische Blockdiagramm des optimalen Hybrid-Netz-Layouts
einer SOM, einer LVQ1 und einer LVQ2 dar, um die besten Ergebnisse
der Klassifizierung des Meeresbodens zu erreichen.
-
8 stellt
das Clustern der nicht verarbeiteten Datenvektoren dar, die dem
SOM-Netzwerk präsentiert
werden, um verbesserte Klassifizierungsergebnisse unter Verwendung
der Merkmale eines überwachten
Lernens von LVQ1 und LVQ2, beide unabhängig voneinander und kombiniert,
zu erreichen.
-
9 stellt
die Tabelle der Ergebnisse einer Klassifizierung des Meeresbodens,
basierend auf SOM, LVQ1 und LVQ2 Layouts, dar.
-
Die
vorliegende Erfindung wird nun im Detail unter Bezugnahme auf die
beigefügten
Zeichnungen beschrieben, die zur Erläuterung der vorliegenden Erfindung
in einer deutlicheren Art und Weise gezeigt sind, und deshalb nicht
dahingehend ausgelegt werden sollten, den Schutzumfang der vorliegenden
Erfindung in irgendeiner Weise zu beschränken.
-
DETAILLIERTE
BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
-
1 stellt
die Schematik eines Einzelstrahl-Echolots dar, bei dem ein akustischer
Wandler [1], montiert unterhalb eines Untersuchungsschiffs [2],
akustische Impulse zu dem Meeresboden in einer Richtung senkrecht
zu dem Meeresspiegel sendet und das Echo empfängt, das von dem Meeresboden zurückgestreut
ist. Das Schiff bewegt sich entlang eines gegebenen, vorgeplanten
Wegs, wobei eine Folge von aufeinanderfolgenden Echos, die von aufeinanderfolgenden
Segmenten auf dem Meeresboden zurückgestreut sind, durch eine
sich an Bord befindliche Empfänger-Hardware
empfangen wird und in deren Datenspeichermodul als ein Zeitfolge-Datensatz
aufgezeichnet wird. Ein Nachteil dieses Einzelstrahl-Echolots ist
derjenige, dass der Überdeckungsbereich
des Meeresbodens, der auf diese Art und Weise erreichbar ist, auf
den Abdruck bzw. die Auftrefffläche (footprint)
eines einzelnen, akustischen Strahls, der auf den Meeresboden auftrifft,
begrenzt ist.
-
2 stellt
die Schematik eines Mehrfachstrahl-Echolots [3] dar, das
für eine
gleichzeitige Kartografierung des Meeresbodens über große Bereiche verwendet wird.
In dieser Geometrie sind die Wandler in einer solchen Art und Weise
beabstandet, dass eine überlappende
Meeresbodenüberdeckung
erhalten wird. Das gebläsestrahlartige,
akustische System besteht aus einem linearem Feld aus Wandlern,
die unterhalb des Schiffsrumpfs [4] montiert sind. Dieses lüfterstrahl-ähnliche
Echolotsystem besteht im Wesentlichen aus zwei Hauptuntersystemen,
nämlich
einem akustischen Untersystem [5] und einem Datenverarbeitungsuntersystem
[6]. Das akustische Untersystem weist ein lineares Feld
aus Wandlern, die unter einer bestimmten, geeigneten, winkelmäßigen Trennung
installiert sind, Kabelverbindungskästen, ein Feld aus Sende-Empfangs-Systemen
für das
jeweilige Wandlerfeld und gewöhnlich
einen Schlinger-Stampf-Hebe-Sensor für eine Eingabe zu dem Online-Verarbeitungssystem
auf. Das Datenverarbeitungs-Steuersystem setzt einen Schiffscomputer, Datenspeichervorrichtungen,
usw. ein. Das Mehrfachstrahl-Echolot
ist eine Vorrichtung, die eine Kartografierung des Seebetts mit
höherer
Auflösung
liefert. Dieses System ist dazu geeignet, eine größere Überdeckung
zu erreichen, ebenso wie eine Karte mit hoher Präzision zu erzeugen. Die Verwendung des
Mehrfachstrahl-Echolot-Systems
führt zu
der Erzeugung von Meeresboden-Profilen, die zu einer einzelnen,
zentralen Spur korreliert sind, und ermöglicht eine zuverlässigere
Korrelation von sich schneidenden Spuren.
-
3 zeigt
eine schematische Darstellung der Strahl-Konfiguration des Mehrfachstrahl-Echolots,
verwendet als Teil des neuartigen Systems der vorliegenden Erfindung,
für eine
Klassifizierung des Meeresbodens unter Verwendung eines Hybrid-Layouts
eines künstlichen,
neuralen Netzwerks (ANN) unter Verwendung von unverarbeiteten Mehrfachstrahl-Backscatter-Daten,
das in erster Linie aus zwei identischen Feldern [7] und
[8] akustischer Wandler, montiert unter rechten Winkeln
zueinander, besteht. Jedes Feld ist eine Kombination aus mehreren
Unterfeldern [7.1], ... [7.n] und [8.1],
... [8.n], jeweils, wobei jedes aus einer Vielzahl von
Elementen besteht. Diese Elemente bilden einen Satz von Kanälen [9.1], [9.2],
... [9.n], wobei jeder Kanal aus einer Gruppe von Elementen
in Serie besteht. Ähnlich
sind, für
ein anderes Gegenstück-Wandler-Feld,
die Empfangskanäle [10.1],
[10.2], ... [10.n]. Da beide Felder identisch
sind, können
sie für
entweder ein Senden oder ein Empfang verwendet werden. In dem Empfangsmodus
werden Signale von unterschiedlichen Kanälen vorverstärkt, für eine Dämpfung korrigiert
und danach wird eine Strahlform unter Verwendung von geeigneten
Verzögerungen
durchgeführt.
Insgesamt ist eine festgelegte Anzahl von vorgeformten Stahlen (p.f.b)
innerhalb eines Streifens von 90° gebildet.
Die Strahlen sind gleichmäßig beabstandet
(~1,5°),
wobei die durchschnittlichen Strahlbreiten von 1,5° bis 2,3° für Tiefseeuntersuchungen
variieren. Die Strahlbreite mit halber Leistung wird ungefähr das Doppelte,
wenn das System in einem Modus für
flaches Wasser betrieben wird. Die strahlgeformten Ausgänge werden
an dem Boden-Echo-Modul abgegriffen, um die Tiefe entsprechend zu
den Strahlen von unterschiedlichen Richtungen abzuschätzen. Um
eine gleichförmige
Insonifikation über
einen Streifen von 90° zu
erreichen, ist das System so ausgelegt, um in einem Streifenmode
(Swath mode) zu arbeiten.
-
4 zeigt
eine schematische Blockdarstellung der Signalverarbeitungs-Hardware,
die für
eine Stahlformung der zurückgestreuten
Signalfolge verwendet ist, die in erster Linie aus einem Vorverstärker [11],
einer zeitvariierenden Verstärkungseinstellungsschaltung
[12], einem Strahlformer [13], einem Digital-Analog-Wandler
[14], einem Filter [15], einem Analog-Digital-(A/D)-Wandler
[16], einem Boden-Tracking-Gate (Boden-Führungs-Öffnung) [17], einer Anzeige
[18] besteht. Die digitalen Daten, die für eine Klassifizierung
des Meeresbodens verwendet werden, werden von dem Ausgangskanal
des A/D-Wandlers
[16] abgeleitet. Dieses Signal wird zu einem r.m.s-Abschätzungs-Modul
[19] eingegeben, dessen Ausgänge als die Eingangsvektoren
für eine weitere
Verarbeitung verwendet werden.
-
5 stellt
das schematische Blockdiagramm des Hybrid-ANN-Layouts, verwendet
in dem System der vorliegenden Erfindung, dar. Dieses Layout besteht
aus einem selbstorganisierenden Karten-SOM-Netzwerk [20],
einer lernenden Vektor-Quantisierungs-Varianten 1 (LVQ1) [21] und
dem Speicher/Anzeigemodul [22]. Der Eingang zu dem SOM-Netzwerk
[20] wird von dem Ausgang des r.m.s. Abschätzungsmoduls
[19] abgeleitet. In dem System der vorliegenden Erfindung
empfängt
das SOM-Netzwerk [20] die unverarbeiteten Mehrfachstrahl-Backscatter-r.m.s.-Daten
(dessen Muster die einhüllende
r.m.s.-Signalamplitude gegenüber
der Strahl-Zahl in der Quer-Spur-Richtung ist), erhalten von den
unterschiedlichen, vorgeformten Strahlen, und klassifiziert die
Meeresboden- Daten
in verschiedene Rauigkeits-Typen. Die unterschiedlichen Rauigkeits-Typen
werden basierend auf dem Fahrspur-Winkel-Mehrstrahl-Signal-Backscatter-Form-Parameter
des Schiffs unterschieden. Jedes Cluster, das so gebildet ist, stellt
ein eindeutiges Muster der Eingangsdaten dar. Dementsprechend ist die
Anzahl von Clustern, die gebildet ist, gleich zu der Zahl von sich
unterscheidenden Mustern des empfangenen Meeresboden-Datensatzes. Diese
Cluster werden mit dem eigenen, nicht überwachten Lernmerkmal des
SOM-Netzwerks ohne irgendeine vorherige Kenntnis der Anzahl der
unterschiedlichen Typen von Eingangsmustern gebildet. Die Cluster
des Datensatzes, die durch das SOM [20] gebildet sind, werden
zu dem LVQ1 [21] eingegeben. Die nicht perfekte Klassifikation,
die dem SOM-Netzwerk [20] aufgrund der Art des nicht überwachten
Lernens, ohne irgendeine Hintergrundkenntnis (der Eingangs-Daten-Typen)
eigen ist, wird teilweise durch das LVQ1-Netzwerk [21]
beseitigt. Diese Verbesserung in der Klassifizierung des Meeresbodens
ergibt sich aus dem überwachten
Lernen, basierend auf der Rückführung, die
zu dem LVQ1-Netzwerk [21] durch den Interpretierer in Form
einer Person geliefert wird, unter Beurteilung von dem Boden-Wahrheits-Datensatz.
Die Verbesserung basiert auf dem „reward-punishment"-Kriterium, bei dem
ein korrekt darstellender Gewichtungsvektor erstellt wird, um den
Eingang- besser anzupassen, während
ein falsch darstellender Gewichtungsvektor von dem Eingang weg bewegt
wird, so dass er eine Fehlklassifikation in zukünftigen Vergleichen vermeiden
wird. Das LVQ1 [21] arbeitet effizienter an dem zentralen
Bereich der Gewichtungsverteilung jedes Clusters, gebildet in dem SOM
[20], als der Endbereich der Verteilung, und zwar aufgrund
der Unfähigkeit
der LVQ1 [21], um die überlappenden
Enden benachbarter Cluster zu unterscheiden. Die Ausgänge der
LVQ1 [21] werden darauffolgend zu dem Speicher- und Anzeige-Modul [22]
eingegeben, wo ein Interpretierer in Form einer Person von den Ergebnissen
Gebrauch machen kann, die dazu angezeigt werden, weitere Beurteilungen über die
Qualität
einer Klassifizierung vorzunehmen.
-
6 stellt
das schematische Blockdiagramm eines alternativen Hybrid-ANN-Layouts dar, das
in dem System der vorliegenden Erfindung zusammen mit dem Layout,
das in 5 dargestellt ist, verwendet wird. Dieses Layout
ist ähnlich
zu demjenigen, das in 5 angegeben ist, wobei der einzige Unterschied
derjenige ist, dass, während
die LVQ1 [21] eine Fehlklassifikation in einem größeren Umfang
an dem zentralen Bereich der Gewichtungsverteilung jedes Clusters,
gebildet in dem SOM [20], als an dem hinteren Bereich der
Verteilung vermeidet, sich das LVQ2 Netzwerk auf ein Minimieren
der Fehlklassifizierung (die in SOM entsteht) als eine Folge der
Fähigkeit
konzentriert, die überlappenden
Enden der Gewichtungsverteilung benachbarter Cluster zu unterscheiden.
Der LVQ2 [23] setzt eine Technik zum Umverteilen der Gewichtungen
der überlappenden Bereiche
der benachbarten Cluster zu den jeweiligen Parent-Clustern ein.
Die Ausgänge
der LVQ2 [23] werden darauffolgend zu dem Speicher- und
Anzeigemodul [22] eingegeben, wo die Ergebnisse angezeigt
und gespeichert werden, um einem Interpretierer in Form einer Person
zu ermöglichen,
weitere Beurteilungen über
die Qualität
der Klassifizierung vorzunehmen.
-
7 stellt
das schematische Blockdiagramm eines verbesserten Hybrid-ANN-Layouts dar, das
in dem System der vorliegenden Erfindung zusammen mit dem Layout,
das in den 5 und 6 dargestellt
ist, verwendet ist. Dieses Layout besitzt den Vorteil einer Ausführung einer
Klassifizierung des Meeresbodens basierend auf den unterschiedlichen
Fähigkeiten
von LVQ1 [21] und LVQ2 [23], um dadurch die bestmögliche Klassifizierung
zu erzielen, unter Berücksichtigung
des zentralen ebenso wie des hinteren Bereichs der Gewichtungsverteilungen in
dem Vorgang der Klassifizierung.
-
8 stellt
die Clusterbildung der Vektoren der nicht verarbeiteten Daten, die
zu dem vorstehend angegebenen SOM-Netzwerk [20] geführt werden, und
die Merkmale eines überwachten
Lernens von LVQ1 [21] und LVQ2 [23], beide unabhängig und kombiniert
miteinander, dar. In dieser Darstellung sind zwei Gewichtungsvektoren,
angeordnet auf jeder Seite der Grenze (dargestellt als eine dicke,
vertikale Linie), so angegeben worden, dass sie innerhalb des überlappenden
Bereichs benachbarter Cluster liegen. In der Darstellung der 8 stellen die
Segmente [24.1], [24.2] und [24.3] drei
aufeinanderfolgende Gewichtungs-Verteilungs-Muster [24] dar,
die durch die nicht überwachte
SOM [20] gebildet sind, wobei die Symbole (•), (|) und
(/) drei unterschiedliche Klassen von Parametern der Rauigkeit des
Meeresbodens anzeigen. Als ein repräsentatives Beispiel zeigt das
Gewichtungs-Verteilungs-Muster [25] an dem Ausgang der
LVQ1 [21] der überwachten Architektur
deutlich das Entfernen der zentralen, fehlklassifizierten Bereiche
(•) von
[24.1] und [24.2], und deren Weiterentwicklung
in das Parent-Cluster, dargestellt durch das Segment [24.3],
an, um dadurch eine bessere Umverteilung in Segmenten [25.1], [25.2]
und [25.3] des vollen Gewichtungs-Verteilungs-Musters [25]
zu erzielen. Das Gewichtungs-Verteilungs-Muster [26] stellt
die Effektivität der
LVQ2 [23] des überwachten
Layouts dar, wobei die Segmente [26.1], [26.2]
und [26.3] das Entfernen des Vektors (/) der fehlklassifizierten
Daten von den hinteren Bereichen von [24.1] und [24.3]
des SOM-Ausgangs
[24] und deren Weiterentwicklung zu deren Parent-Segment
[24.2] anzeigen, wie dies in [26] angezeigt ist,
während
der Klassifizierungsfehler in den zentralen Bereichen des Gewichtungs-Verteilungs-Musters
in [26.1], angezeigt durch (•), ignoriert wird. Das Gewichtungs-Verteilungs-Muster
[27] stellt die Effektivität einer Klassifizierung mit
der kombinierten Benutzung von LVQ1 [21] und LVQ2 [23]
dar, wobei die Fehlklassifizierungen, die sowohl in dem zentralen
als auch in dem hinteren Bereich von [24] gefunden sind,
so korrigiert werden, um ein vollständig korrigiertes Gewichtungs-Verteilungs-Muster
[27] zu erhalten.
-
9 stellt
eine Tabelle von Rauigkeits-Parametern und Klassifizierungs-Ergebnissen (in Prozentsätzen) für drei Bereiche
eines Meeresbodens, geprüft
unter Verwendung von LVQ1, LVQ2, und eine Kombination von beiden
der vorstehend überwachten
Layouts, unter Verwendung von SOM als den Vorprozessor in jedem
Fall, dar.
-
Allgemein
sind in dem Hydrosweep Mehrstrahl-Echolot-System die zwei äußeren Strahlwerte an
der Backbordseite und der Steuerbordseite fehlerhaft und werden
vernachlässigt.
Demzufolge wird der originale Strahleingangsvektor von 59 ein Feld
aus 55 Strahlwerten von einem Winkel –45° zu +45°. In dieser Ausführungsform
wird jeder der 55 Strahlwerte für
5 Eingangsvektoren zu einem Zeitpunkt für eine Glättung des Eingangsvektors gemittelt.
Durch Verringern von Variationen in den Eingangsmustern von demselben
Meeresbodenbereich kann man eine gering verbesserte Klassifizierungs-Funktionsweise, wenngleich
auf Kosten der Berechnungszeit, erhalten.
-
Der
Vorprozessor-Block verwendet ein nicht überwachtes Lernen, um eine
selbst organisierte Kartografierung von 100 Eingangsvektoren von
verschiedenen Meeresböden
zu bilden. Die Eingangsdatenvektoren werden von der Dezibel-Skala
zu deren natürlichen
Werten umgewandelt. Jeder Vektor wird dann normiert, um den Bereich
der Gewichtungen anzupassen. Die Daten sind noch in dem Sinne unverarbeitet,
dass kein Vorverarbeitungsalgorithmus (PROBASI) darauf angewandt
worden ist. Von jedem Meeresbodenbereich wird ein jeweiliger Backscatter-Datensatz
für das
Training des SOM-Netzwerks ausgewählt. In dieser Architektur treten
benachbarte Entities, bezeichnet als Neuronen, zueinander durch
die gegenseitige, seitliche Wechselwirkung deren Gewichtungen in
Konkurrenz. Die Gewichtungen in der Nachbarschaft des am nächsten liegenden,
passenden Neurons zu dem Eingangsvektor, die angegeben sind, werden
von einer Anfangs-Zufalls-Verteilung
aktualisiert, um sie so näher
zu diesem Eingangsvektor zu bringen. Dies führt zu der Bildung lokaler
Nachbarschaften, eine bestimmte Klasse anzeigend. Die Lernrate ist
eine exponentiell abfallende Funktion 0,5/(t0,2),
wobei t die Anzahl von Iterationen ist, was demzufolge bewirkt, dass
die Rate der Gewichtung so aktualisiert wird, dass sie zu Anfang
hoch ist, und darauf folgend stufenweise für eine feinere Abstimmung in
darauf folgenden Iterationen abnimmt, bis schließlich nur ein Neuron in Abhängigkeit
einer Eingabe, die geliefert wird, hervortritt. An dem Ende der
Ausführung
des SOM-Algorithmus ordnet sich der Eingaberaum in grobe Cluster
an, wobei jeder ein eindeutiges Eingangsmuster, ohne irgendeine
a priori Information, darstellt. Zukünftige Eingangsvektoren, die
in der Testphase bereitgestellt werden, werden zu einem Cluster
in dem Ausgangsraum zugeordnet, das am besten den Eingangsvektor
anpasst. Die Power-Law-Parameter (Gamma und Beta) für die unterschiedlichen
Meeresbodenbereiche, erhalten durch die physikalische Modellgestaltung,
werden dazu verwendet, die erhaltenen Ergebnisse zu korrelieren.
-
Die
trainierte Gewichtungs-Matrix wird, nach Einsetzen des SOM-Netzwerks,
als die Eingänge
für ein überwachtes,
lernendes Netzwerk, nämlich
LVQ, verwendet. Hierbei wird ein Training und ein Testen gleichzeitig
für ein
paar Iterationen durchgeführt,
bis die Netzwerkgewichtungen, die zu jedem Cluster gehören, wirklich
für dieses
Cluster repräsentativ
sind. Die Lernrate ist noch exponentiell, allerdings mit einem viel
kleineren Anfangswert, um eine feine Abstimmung von Neuron-Gewichtungen
zu ermöglichen.
In LVQ1 wird, unter der Kontrolle des Benutzers, für 3–4 Eingangsvektoren
von jeder Klasse, der fehlerhaft klassifizierte Gewichtungsvektor
von dem Eingang weg bewegt. Wenn die Klassifizierung korrekt ist,
wird der Gewichtungsvektor zu dem Eingang hin verstärkt und
eine letztendliche Fehlklassifikation wird bei dem weiteren Testen
vermieden. LVQ2 geht einen Schritt weiter, um die überlappenden
Gewichtungs-Vorspannungen in Bereichen einer Überkreuzung von benachbarten
Clustern durch Anwenden der Fensterfunktion an deren Grenze für eine Korrektur
auf 1–2
Neuronen zu überwinden.
Das Fenster wird in die Hälfte
unterteilt und Korrekturen werden nur dann vorgenommen, wenn das
hervorgehobene Neuron auf die falsche Seite der Mittelebene fällt, und zwar
durch Bewegen des Vektors von dem Eingang weg und durch gleichzeitiges
Bringen des Neurons in die korrekte Hälfte des Fensters näher dazu.
Ein Ausdruck wird von der Wahrscheinlichkeits-Dichte-Funktion (pdf)
des hervorgehobenen bzw. erregten Neurons gegenüber der Frequenz der Erregung
vorgenommen.
-
Insbesondere
werden drei Meeresbodenbereiche A, B und C für die Vergleichsstudie hier
verwendet. Die Ergebnisse der Klassifizierung sind tabellarisch
in 9 für
SOM, LVQ1 und LVQ2 für
nicht verarbeitete Backscatter-Daten angegeben.
-
Unter
einem Vergleich der tabellarisch angegebenen Power-Law-Parameter
(Gamma und Beta), die als ein Indikator für die Meeresboden-Grenzflächen-Rauigkeit
wirken, und zwar mit selbst-organisierten Clustern nach einem Training
durch SOM, hat man festgestellt, dass die Bereiche A und C von demselben
Typ eines Meeresbodens sind. Zwischen den zwei haben die Klassifizierungsergebnisse
eine erhöhte
Funktionsweise mit LVQ für
den Bereich C angezeigt, der rauer ist, wie durch dessen höheren Chrα Wert (rms-Rauigkeit zwischen
zwei Punkten, getrennt durch einen Abstand von 100 m) angezeigt
ist. Der signifikanteste Beitrag dieser Erfindung ist die Fähigkeit
des Netzwerks, ein ausgezeichnetes Ansprechverhalten auf nicht verarbeitete
Daten zu liefern, um dadurch das Erfordernis nach einer langwierigen
Vorverarbeitung der Mehrfachstrahl-Backscatter-Daten für die Theorie
der Meeresbodenrauigkeit zu beseitigen, um dadurch eine Online-Anzeige
der Rauigkeit, gerade unter Verwendung von groben Daten, zu liefern.
-
VORTEILE DER VORLIEGENDEN
ERFINDUNG
-
Die
Hauptvorteile der vorliegenden Erfindung sind:
- 1.
Sie liefert die Fähigkeit
einer kombinierten Benutzung der zwei Varianten des lernenden Vektor-Quantisierungs-(LVQ)-Netzwerks,
um die beste Klassifizierung der Charakteristika des Meeresbodens
zu erreichen, was eine Fähigkeit
ist, die zuvor nicht vorhanden war.
- 2. Sie liefert eine Selbstorganisation von Mehrfachstrahl-Eingangsdaten-Vektoren in grobe Cluster
in dem Ausgaberaum ohne irgendwelche a priori Informationen.
- 3. Sie liefert die Fähigkeit,
einen groben Datensatz als Eingangsvektoren zu dem Klassifizierungsnetzwerk
zu verwenden.
- 4. Sie verringert ein Rechenzeit-Overhead, was eine Fähigkeit
ist, die nicht mit zuvor bekannten, physikalischen Modellen verfügbar ist.
- 5. Sie schafft Mittel für
eine Online-Meeresboden-Klassifikation unter Verwendung von groben Backscatter-Daten,
auf ein geeignetes Training des Netzwerks folgend.
- 6. Sie liefert eine hohe Netzwerk-Funktionsweise durch deren
Fähigkeit
für die
aufeinander folgende Anwendung einer Dualität von Mitteln zum Vermeiden
einer Fehlklassifikation und der Fähigkeit, überlappte Informationen wiederherzustellen.
- 7. Sie liefert die Fähigkeit
einer einfachen Übertragung
von entfernten Daten, empfangen durch das Echolot an Bord des Schiffs/eines
autonomen Unterwasserfahrzeugs (autonomous underwater vehicle – AUV),
zu der entfernten Datenbank, und zwar in einer Realzeit; die Übertragung,
die durch die Darstellung eines gesamten Datensatzes von Cross-Track-(Kreuz-Spur)-Mehrstrahl-Winkel-Backscatter-Informationen
durch ein paar Cluster-Einheiten,
gebildet in dem System auf einer Basis Ping für Ping, ausgeführt worden
ist.