ПРИМЕНЕНИЕ МЕТОДА РАЗРЕЖЕННОГО ПРЕДСТАВЛЕНИЯ КОМПЛЕКСНЫХ ДАННЫХ ДЛЯ СИСТЕМ ПОЗИЦИОНИРОВАНИЯ И ПРЕДУПРЕЖДЕНИЯ О СТОЛКНОВЕНИИ НА ЖЕЛЕЗНОДОРОЖНЫХ ПУТЯХ С ИСПОЛЬЗОВАНИЕМ РАДАРА МИЛЛИМЕТРОВОГО ДИАПАЗОНА (2024)
В статье представлены результаты экспериментального исследования применения модифицированной искусственной нейронной сети MFNN (Minimum Fuel Neural Network). При этом задействуется метод разреженного представления комплексных данных с использованием избыточного базиса с оптимизацией за счет норм L0 /L1 вместо классического алгоритма на основе быстрого преобразования Фурье (БПФ).
Продемонстрировано существенное улучшение способности систем распознавания препятствий и автономного управления железнодорожным транспортом различать близкорасположенные другу к другу объекты, такие как составы на соседних путях сортировочных станций.
Идентификаторы и классификаторы
В связи с постоянным развитием технологий чувствительных элементов, нейронных сетей и распознавания образов оказывается востребованным автономное управление транспортом. Железнодорожный транспорт не является исключением, и решения, позволяющие повысить безопасность движения, становятся все более актуальными.
Успешное применение методов радиолокации для обеспечения функционирования систем контроля и управления в разных отраслях народного хозяйства обусловлено преимуществами радаров, такими как всепогодность, способность функционировать при полном отсутствии освещения, сравнительно невысокая стоимость,
возможность автоматизации и автономность.
Список литературы
- Cheng, P., Wang, X., Zhao, J., and Cheng, J., A Fast and Accurate Compressed Sensing Reconstruction Algorithm for ISAR Imaging, IEEE Access, 2019, vol. 7, pp. 157019–157026, doi: 10.1109/ACCESS.2019.2949756.
- Roy, R., Kailath, T., ESPRIT-estimation of signal parameters via rotational invariance techniques, IEEE Transactions on Acoustics, Speech, and Signal Processing, Jul 1989, vol. 37, no. 7, pp. 984–995, doi: 10.1109/29.32276.
- Souden, M., Benesty, J., Affes, S., On optimal frequency domain multichannel linear filtering for
noise reduction, IEEE Transactions on Audio, Speech, and Language Processing, 2010, vol. 18, no. 2, pp. 260–276, doi: 10.1109/TASL.2009.2025790. - Cichocki, A., Unbehauen, R., Neural networks for solving systems of linear equations – Part II: Minimax and least absolute value problems, IEEE Trans. Circuits Syst., Sept. 1992, vol. 39, pp. 619–633, doi:10.1109/82.193316.
- Neural Networks for Optimization and Signal Processing, Stuttgart, Germany: Teubner-Wiley, 1993.
- Xiong, K., Zhao, G., Shi, G., Wang, Y., A Convex Optimization Algorithm for Compressed Sensing in a Complex Domain: The Complex-Valued Split Bregman Method, Sensors (Basel), 2019, Oct. 18;19(20):4540, doi: 10.3390/s19204540. PMID: 31635423; PMCID: PMC6832202.
- Stanković, L., Sejdić, E., Stanković, S. et al., A Tutorial on Sparse Signal Reconstruction and Its Applications in Signal Processing, Circuits Syst Signal Process, 2019, vol. 38, pp. 1206–1263, doi: 10.1007/s00034-018.9-0909-2.
- Changhao Yi, Cunlu Zhou, Jun Takahashi, Quantum Phase Estimation by Compressed Sensing,
https://doi.org/10.48550/arXiv.2306.07008. - Bandler, J.W., Kellerman, W., Madsen, K., A nonlinear L1 optimization algorithm for design,
modeling, and diagnosis of networks, IEEE Trans. Circuits Syst., Feb. 1987, vol. 34, pp. 174–18.91,
doi: 10.1109/TCS.1987.1086100. - Zhang, Y., Xiao, S., Huang, D., Sun, D., Liu, L., Cui, H., L0-norm penalised shrinkage linear and
widely linear LMS algorithms for sparse system identification, IET Signal Process, 2017, vol. 11,
pp. 86–94, doi: 10.1049/iet-spr.2015.0218. - Ishii, Y., Koide, S., Hayakawa, K., L0-norm Constrained Autoencoders for Unsupervised Outlier Detection, Lauw, H., Wong, RW., Ntoulas, A., Lim, EP., Ng, SK., Pan, S. (eds) Advances in Knowledge Discovery and Data Mining. PAKDD 2020. Lecture Notes in Computer Science, vol. 12085, Springer, Cham., doi: 10.1007/978-3-030-47436-2_51.
- Rajko, R., Studies on the adaptability of different Borgen norms applied in selfmodeling curve resolution (SMCR) method, Journal of Chemometrics, 2009, vol. 23(6), pp. 265–274, doi: 10.1002/cem.1221.
- Jahan, K., Niemeijer, J., Kornfeld, N., Roth, M., Deep Neural Networks for Railway Switch Detection and Classification Using Onboard Camera, IEEE Symposium Series on Computational Intelligence, October 2021, doi:10.1109/SSCI50451.2021. 9659983.
- Malioutov, D.M., Cetin, M., Willsky, A.S., Optimal sparse representations in general overcomplete bases, Proceedings of the 2004 IEEE International Conference on Acoustics, Speech, and Signal Processing, Montreal, QC, Canada, 2004, pp. ii-793, doi: 10.1109/ICASSP.2004.1326377.
- Wang, Z.S., Cheung, J.Y., Xia, Y.S., Chen, J.D.Z., Minimum fuel neural networks and their applications to overcomplete signal representations, IEEE Transactions on Circuits and Systems I Fundamental Theory and Applications, 2000, vol. 47(8), pp. 1146–1159, doi: 10.1109/81.873870.
- Panokin, N.V., Averin, A.V., Kostin, I.A., Karlovskiy, A.V., Orelkina, D.I., and Nalivaiko, A.Yu.,
- Method for Sparse Representation of Complex Data Based on Overcomplete Basis, l1 Norm, and Neural MFNN-like Network Applied Sciences 14, no. 5: 1959. https://doi.org/10.3390/app14051959.
- Охотников А.Л. Алгоритм выбора оборудования для систем технического зрения на железнодорожном транспорте // Наука и технологии железных дорог. 2021. Т. 5, № 1 (17). С. 65–74. EDN: TWRACV.
- Хатламаджиян A.E., Орлов В.В., Николаев И.С. Повышение безопасности движения поездов с помощью бортовой системы технического зрения // Эксплуатационная надежность локомотивного парка и повышение эффективности тяги поездов: материалы VII Всероссийской научно-технической конференции с международным участием. Омск: ОмГУПС, 2022. С. 328–334. EDN: JTLVDQ.
- Мащенко П.Е., Шутилов К.В. Анализ сенсоров систем технического зрения для нужд промышленного железнодорожного транспорта // Вестник Института проблем естественных монополий: Техника железных дорог. 2021. № 1 (53). С. 40–45. EDN: FEUABX.
Гироскопия и навигация. Том 32. №1 (124), 2024 93 Применение метода разреженного представления комплексных данных для систем позиционирования… - Magaz, B., Belouchrani, A., Hamadouche, M., Automatic Threshold Selection in Os-Cfar Radar
Detection Using Information Theoretic Criteria, Progress In Electromagnetics Research B, 2011, 30, 157–175, doi:10.2528/PIERB10122502.
Выпуск
Другие статьи выпуска
В статье представлен краткий обзор истории развития современных научных периодических изданий, посвященных вопросам теории, разработки и применения навигационных приборов морского назначения, а также их анализ.
Описываются пять ведущих мировых журналов, специализирующихся в этой научной области. Рассмотрена тематика их публикаций и приведены рейтинги по данным базы Scopus. В базе данных Российского индекса научного цитирования по ключевым
словам найдены десять периодических изданий, в которых публикуется наибольшее количество статей по навигационному приборостроению в России. Перечислены некоторые особенности этих журналов и предложены пути их дальнейшего развития.
В статье рассматриваются проблемы использования за рубежом глобальной навигационной спутниковой системы (ГНСС) GPS (США) и технологии, парирующие ее недостатки. Обсуждаются возможности применения сигналов космических аппаратов,
размещенных на низких околоземных орбитах, радионавигационной системы eLoran и подходов, не имеющих на сегодня аналогов.
В статье рассматривается алгоритм обнаружения дипольного сигнала на фоне помех при произвольном движении носителя магнитометра. Построенная математическая модель диполя в виде разложения в ряд из шести базисных функций позволяет с одного факта обнаружения диполя произвести как обнаружение, так и оценку местоположения источника. Приведены результаты полунатурного моделирования.
Модель погрешностей звездного датчика ориентации представлена в виде разложения на флуктуационную и систематическую составляющие. Флуктуационная погрешность возникает при вычислении координат яркостного центра цифрового изображения
звезды и обусловлена дискретной структурой сигнала в матричном фотоприемнике. Если наблюдение звезд выполняется через атмосферу, у флуктуационной погрешности появляется дополнительная внешняя компонента, связанная с «дрожанием» изображений
звезд из-за атмосферной турбулентности. Систематическая погрешность возникает из-за погрешностей калибровки элементов внутреннего ориентирования цифровой камеры. Для всех составляющих погрешности ориентации получены линеаризованные аналитические выражения и ковариационные матрицы, зависящие от конфигурации наблюдаемого созвездия. Модель погрешностей легко переписывается в форме уравнения наблюдения за погрешностями оценки элементов внутреннего ориентирования камеры в сильносвязанной комплексированной астронавигационной системе. Приведены результаты экспериментальной проверки разработанной модели погрешностей. Численные значения погрешностей, полученные в эксперименте, наглядно показывают, что элементы внутреннего ориентирования цифровой камеры звездного датчика
необходимо регулярно калибровать в процессе эксплуатации.
В работе предложен алгоритм определения в полете угла крена быстровращающегося вокруг продольной оси летательного аппарата с использованием данных триады микромеханических датчиков угловой скорости при движении на неуправляемом
участке траектории. Угол крена оценивается при помощи фазового детектора путем демодуляции сигналов поперечных датчиков угловой скорости с последующей обработкой, которая выполняется методом наименьших квадратов.
В статье исследуются взаимосвязь, отличия и особенности алгоритмов обработки результатов морской скалярной гравиметрической съемки, синтезируемых в рамках калмановского и винеровского подходов. Анализируются их достоинства и недостатки при решении задач фильтрации и сглаживания. Приводятся и сопоставляются результаты, полученные с использованием различных рекуррентных фильтров путем моделирования
и при обработке реальных данных. Обсуждаются проблемы состоятельности фильтров и возможности построения их адаптивных вариантов, предполагающих в том числе идентификацию моделей сигналов и помех.
На примере навигации прослеживается выдающаяся роль Российской академии наук в становлении и развитии науки в стране.
Издательство
- Издательство
- ЭЛЕКТРОПРИБОР
- Регион
- Россия, Санкт-Петербург
- Почтовый адрес
- 197046, Санкт -Петербург, ул. Малая Посадская, 30
- Юр. адрес
- 197046, Санкт -Петербург, ул. Малая Посадская, 30
- ФИО
- СОКОЛОВ АЛЕКСАНДР ВЯЧЕСЛАВОВИЧ (ГЕНЕРАЛЬНЫЙ ДИРЕКТОР)
- E-mail адрес
- office@eprib.ru
- Контактный телефон
- +8 (122) 3259158