فريق بحثي من جامعة هواتشونغ للعلوم والتكنولوجيا في الصين يطرح إطار SID-HGNN لتحسين دقة تشخيص أعطال الطائرات بدون طيار

أخبار ar.wedoany.com، طرح فريق بحثي مشترك من جامعة هواتشونغ للعلوم والتكنولوجيا وأكاديمية الهندسة العسكرية البرية إطاراً مبتكراً يعرف باسم "الشبكة العصبية الفائقة الديناميكية القائمة على التأثير البنيوي" (SID-HGNN)، والذي أدى إلى تحسين ملحوظ في أداء التصنيف في مهام تشخيص أعطال الطائرات بدون طيار ذات الأجنحة الثابتة. ولمواجهة التحدي المتمثل في "مشكلة عدم التجانس" التي تعاني منها الرسوم البيانية الفائقة التقليدية أثناء التصنيف شبه الخاضع للإشراف للعقد، بدأ الفريق من الجذور النظرية، وكشف عن النمط المتزايد لتأثير عدم التجانس على آلات الإدراك متعددة الطبقات والرسوم البيانية منخفضة الرتبة والرسوم البيانية الفائقة. وبناءً على ذلك، صمم الفريق وحدة دمج الميزات البنيوية والموضعية (SLF) ووحدة البنية الديناميكية القائمة على تأثير التسميات (LDS). وقد نُشرت الورقة البحثية ذات الصلة تحت عنوان "Structural influence-based dynamic hypergraph for semi-supervised classification" في النسخة الإنجليزية من مجلة "Science China Information Sciences".

قام الفريق البحثي أولاً بتحديد قوانين التأثير المتبادل بين العقد في الرسم البياني الفائق من خلال نظرية مجال التأثير ونظرية تدرج التأثير، مشيراً إلى أن البنية الثابتة للرسوم البيانية الفائقة التقليدية هي العامل الرئيسي الذي يجعل من الصعب التعامل مع عدم التجانس. وبناءً على ذلك، تضيف وحدة SLF التأثير التراكمي للتسميات على العقد في الرسم البياني الفائق كميزة بنيوية إلى الوصف، مما يعزز قدرة تمثيل الميزات. أما وحدة LDS فتمكن العقد من تعديل قوة الاتصال ديناميكياً بناءً على التوزيع المحلي للتسميات، مما يقلل من التداخل بين الفئات المختلفة. يتم دمج الوحدتين في إطار موحد لـ SID-HGNN، مما يحقق تصنيفاً دقيقاً للميزات من خلال التحديث التكراري.

أُجريت التجارب على مجموعتي بيانات حقيقيتين لأعطال الطائرات بدون طيار ذات الأجنحة الثابتة: مجموعة بيانات ALFA العامة التي جمعها معهد الروبوتات بجامعة كارنيجي ميلون الأمريكية، وتحتوي على 1325 عينة و6 أبعاد للميزات، وتغطي 7 أنواع من أعطال الطائرات بدون طيار؛ ومجموعة بيانات S-FWUAV التي جمعها الفريق بنفسها والمزودة بأجهزة استشعار متعددة، وتحتوي على 2948 عينة و9 أبعاد للميزات، وتغطي 6 أنواع من الأعطال. أظهرت النتائج أن إطار SID-HGNN حقق درجة F1 بلغت 88.83% على مجموعة بيانات ALFA، متجاوزاً طرق الرسوم البيانية الفائقة الأخرى بنسبة لا تقل عن 4.4 نقطة مئوية؛ وبلغت درجة F1 على مجموعة بيانات S-FWUAV 89.09%، متجاوزاً الطرق الأخرى بنسبة لا تقل عن 7.79 نقطة مئوية. أظهرت تجارب الإزالة أن استخدام وحدتي SLF وLDS بشكل منفصل يمكن أن يحسن الأداء، وأن الجمع بينهما يحقق أفضل النتائج. أظهر تحليل حساسية المعلمات أن الإطار يتمتع بأداء مستقر في نطاق عدد الجيران k من 3 إلى 30 وعدد التكرارات l من 2 إلى 10، مما يدل على متانة وقابلية تكيف قوية. كشف التحليل البصري أن البنية الديناميكية يمكن أن تقلل بشكل فعال من الاتصالات الزائدة بين العقد عبر الفئات، وتعزز الارتباط بين العقد من نفس الفئة، مما يخفف من مشكلة عدم التجانس بشكل جوهري.

شارك في هذا البحث كل من ليانغ شاوجون، ووانغ تشيوي، وسو هوشينغ من جامعة هواتشونغ للعلوم والتكنولوجيا، وتشنغ ينغ من جامعة هواتشونغ للعلوم والتكنولوجيا ومعهد شنتشن لجامعة هواتشونغ للعلوم والتكنولوجيا، بالإضافة إلى يانغ يي من أكاديمية الهندسة العسكرية البرية. وأشار الفريق البحثي إلى أن إطار SID-HGNN لا يظهر أداءً متميزاً في تشخيص أعطال الطائرات بدون طيار ذات الأجنحة الثابتة فحسب، بل يمكن أيضاً تعميم نظرياته وأساليبه على مهام تعلم الرسوم البيانية الأخرى، مما يوفر نهجاً جديداً لحل مشكلة عدم التجانس، ويضفي زخماً جديداً لتطبيقات الذكاء الاصطناعي في مجالات مثل تشخيص الأعطال الصناعية وتصنيف البيانات المعقدة.