இயந்திரவியல் பழுது கண்டறிதல் துறையில் ஒரு குறிப்பிடத்தக்க முன்னேற்றமாக, மாடுலேஷன் சிக்னல் பைஸ்பெக்ட்ரம் (MSB) முறையை கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகளுடன் (CNN) இணைப்பதன் செயல்திறனை ஒரு புதிய ஆய்வு நிரூபித்துள்ளது.சுழல் சரிவு பற்சக்கரங்கள்இந்த புதுமையான அணுகுமுறை, உயர் செயல்திறன் கொண்ட கியர்பாக்ஸ்களில் பயன்படுத்தப்படும்போது, ​​மேம்பட்ட துல்லியம், வேகமான கண்டறிதல் மற்றும் மிகவும் அறிவார்ந்த கண்டறியும் அமைப்பு ஆகியவற்றை உறுதியளிக்கிறது.விண்வெளி, தானியங்கி மற்றும் தொழில்துறை பயன்பாடுகள்.

சுழல்பெவல் கியர்கள்அதிக முறுக்குவிசை கொண்ட இயந்திரங்கள், ஹெலிகாப்டர்கள், கடல்சார் உந்துவிசை அமைப்புகள் மற்றும் கனரக தொழில்துறை ரிடூசர்களில் காணப்படும் முக்கியமான செலுத்துகைக் கூறுகளே கியர்கள் ஆகும். அவற்றின் சிக்கலான வடிவியல் மற்றும் செயல்பாட்டு நிலைமைகள் காரணமாக, குழி அரிப்பு, தேய்மானம் மற்றும் பல் உடைதல் போன்ற கியர் கோளாறுகளை முன்கூட்டியே கண்டறிவது ஒரு தொழில்நுட்பச் சவாலாகவே உள்ளது. பாரம்பரிய சிக்னல் செயலாக்க நுட்பங்கள், இரைச்சல் குறுக்கீடு மற்றும் நேரியல் அல்லாத கோளாறுப் பண்புகளால் பெரும்பாலும் சிரமப்படுகின்றன.

இந்தப் புதிய முறை, இரண்டு கட்டப் பழுது கண்டறியும் கட்டமைப்பை அறிமுகப்படுத்துகிறது. முதலில், இயங்கும் பற்சக்கர அமைப்பால் உருவாக்கப்படும் அதிர்வு சமிக்ஞைகள், மாடுலேஷன் சிக்னல் பைஸ்பெக்ட்ரம் (MSB) எனப்படும் ஒரு உயர்நிலை நிறமாலைப் பகுப்பாய்வு நுட்பத்தைப் பயன்படுத்திப் பகுப்பாய்வு செய்யப்படுகின்றன. இந்த நுட்பம், சமிக்ஞையின் நேரியல் அல்லாத மற்றும் காஸியன் அல்லாத அம்சங்களைத் திறம்படப் படம்பிடிக்கிறது. வழக்கமான அதிர்வெண் நிறமாலைகளில் பொதுவாக மறைந்திருக்கும் நுட்பமான, மாடுலேட் செய்யப்பட்ட பழுதுப் பண்புகளை வெளிப்படுத்த MSB உதவுகிறது.

அடுத்து, பதப்படுத்தப்பட்ட சிக்னல் தரவு, நேர அதிர்வெண் படங்களாக மாற்றப்பட்டு, ஒரு கன்வல்யூஷனல் நியூரல் நெட்வொர்க்கிற்கு (CNN) உள்ளீடாக வழங்கப்படுகிறது. இது, உயர் மட்டப் பழுது அம்சங்களைத் தானாகவே பிரித்தெடுக்கவும், பற்சக்கரங்களின் நிலைகளை வகைப்படுத்தவும் திறன் கொண்ட ஒரு ஆழ்நிலைக் கற்றல் மாதிரி ஆகும். இந்த CNN மாதிரியானது, வெவ்வேறு சுமை மற்றும் வேக நிலைகளில், பழுதற்ற பற்சக்கரங்கள், சிறிய பழுதுகள் மற்றும் கடுமையான சேதங்களுக்கு இடையே வேறுபடுத்தி அறியப் பயிற்சி அளிக்கப்படுகிறது.

பிரத்யேகமாக வடிவமைக்கப்பட்ட சுழல் சரிவு பற்சக்கர சோதனை அமைப்பில் மேற்கொள்ளப்பட்ட சோதனை முடிவுகள், MSB CNN அணுகுமுறையானது 97%-க்கும் அதிகமான வகைப்படுத்தல் துல்லியத்தை அடைவதைக் காட்டுகின்றன. இது FFT அடிப்படையிலான பகுப்பாய்வு போன்ற பாரம்பரிய முறைகளையும், மூல அதிர்வுத் தரவுகளைச் சார்ந்திருக்கும் மற்ற ஆழ்நிலை கற்றல் நுட்பங்களையும் விஞ்சுகிறது. மேலும், இந்த கலப்பின மாதிரியானது பின்னணி இரைச்சலுக்கு எதிராக வலுவான உறுதித்தன்மையைக் கொண்டிருப்பதால், இது நிஜ உலகத் தொழில்துறை பயன்பாடுகளுக்கு ஏற்றதாக அமைகிறது.

மாடுலேஷன் சிக்னல் பைஸ்பெக்ட்ரத்தை CNN உடன் ஒருங்கிணைப்பது, பிழை கண்டறிதல் செயல்திறனை மேம்படுத்துவது மட்டுமின்றி, பாரம்பரியமாக அதிக நேரம் எடுக்கும் மற்றும் நிபுணத்துவம் சார்ந்த செயல்முறையாக இருந்த கைமுறை அம்சப் பொறியியலைச் சார்ந்திருப்பதையும் குறைக்கிறது. இந்த முறையானது விரிவாக்கக்கூடியது மற்றும் பேரிங்குகள் போன்ற மற்ற சுழலும் இயந்திரக் கூறுகளுக்கும் பயன்படுத்தப்படலாம்.கோள் கியர்கள்.

இந்த ஆராய்ச்சி, தொழிற்துறை 4.0 மற்றும் பரந்த அளவிலான திறன்மிகு உற்பத்தித் துறைக்கான நுண்ணறிவுப் பழுது கண்டறியும் அமைப்புகளின் வளர்ச்சியில் ஒரு முன்னேற்றப் படியைக் குறிக்கிறது. தானியக்கமும் இயந்திர நம்பகத்தன்மையும் பெருகிய முறையில் இன்றியமையாததாகி வருவதால்,