Geoacoustic model inversion using artificial neural networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
An inversion technique using artificial neural networks (ANNs) is described for estimating geoacoustic model parameters of the ocean bottom and information about the sound source from acoustic field data. The method is applied to transmission loss data from the TRIAL SABLE experiment that was carried out in shallow water off Nova Scotia. The inversion is designed to incorporate the a priori information available for the site in order to improve the estimation accuracy. The inversion scheme involves training feedforward ANNs to estimate the geoacoustic and geometric parameters using simulated input/output training pairs generated with a forward acoustic propagation model. The inputs to the ANNs are the spectral components of the transmission loss at each sensor of a vertical hydrophone array for the two lowest frequencies that were transmitted in the experiment, 35 and 55 Hz. The output is the set of environmental model parameters, both geometric and geoacoustic, corresponding to the received field. In order to decrease the training time, a separate network was trained for each parameter. The errors for the parallel estimation are 10% lower than for those obtained using a single network to estimate all the parameters simultaneously, and the training time is decreased by a factor of six. When the experimental data are presented to the ANNs the geometric parameters, such as source range and depth, are estimated with a high accuracy. Geoacoustic parameters, such as the compressional speed in the sediment and the sediment thickness, are found with a moderate accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle