gyroscopyГироскопия и навигацияGiroskopiya i Navigatsiya0869-70352075-0927AO «Концерн «ЦНИИ «Электроприбор»UEWJIRgyroscopy-54Research ArticleСтатьиПрименение метода разреженного представления комплексных данных для систем позиционирования и предупреждения о столкновении на железнодорожных путях с использованием радара миллиметрового диапазонаApplication of Sparse Representation of Complex Data in Railway Positioning and Collision Alert Systems Using Millimeter Wave Radarhttps://orcid.org/0000-0001-8680-9510ПанокинН. В.PanokinN. V.Панокин Николай Викторович. Кандидат технических наук, начальник центра перспективных разработок автономных систем, Московский политехнический университетMoscowhttps://orcid.org/0000-0002-9069-9198КостинИ. А.KostinI. A.Костин Иван Александрович. Инженер-исследователь центра перспективных разработок автономных системMoscowАверинА. В.AverinA. V.Аверин Артем Владимирович. Инженер 1 категории центра перспективных разработок автономных системMoscowhttps://orcid.org/0000-0001-7660-3375КарловскийА. В.KarlovskiyA. V.Карловский Александр Васильевич. Научный сотрудник центра перспективных разработок автономных системMoscowОрёлкинаД. И.OrelkinaD. I.Орёлкина Дарья Ивановна. Кандидат технических наук, научный сотрудник центра перспективных разработок автономных системMoscowhttps://orcid.org/0000-0003-2475-4811НаливайкоА. Ю.NalivaikoA. Yu.Наливайко Антон Юрьевич. Кандидат технических наук, проректор по научной работеMoscowМосковский политехнический университетРоссияMoscow Polytechnic UniversityRussian Federation2024180520253218493Copyright © Панокин Н.В., Костин И.А., Аверин А.В., Карловский А.В., Орёлкина Д.И., Наливайко А.Ю., 20252025Панокин Н.В., Костин И.А., Аверин А.В., Карловский А.В., Орёлкина Д.И., Наливайко А.Ю.Panokin N.V., Kostin I.A., Averin A.V., Karlovskiy A.V., Orelkina D.I., Nalivaiko A.Y.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.gyroscopy.ru/jour/article/view/54

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.

 

The article presents the results from the experimental study of a modified artificial neural network MFNN (minimum fuel neural network). Sparse representation of complex data with overcomplete basis and L0/L1 norm optimization is used instead of the classical fast Fourier transform (FFT) algorithm. The results showed a significant enhancement in the abilities of obstacle recognition and autonomous railway control systems to distinguish between close objects, such as trains on adjacent tracks of marshalling yards.

железнодорожный транспортраспознавание препятствийрадаругловое разрешениеискусственная нейронная сетьMFNNизбыточный базиснорма L0норма L1railway transportobstacle recognitionradarangular resolutionartificial neural networkMFNNovercomplete basisL0 normL1 normИсследование выполнено при поддержке министерства науки и высшего образования Российской Федерации, грант FZRR-2023-0008.ReferencesCheng, 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.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.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.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.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.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.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.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.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.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.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.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.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.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.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.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., 2024. 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.Panokin, N.V., Averin, A.V., Kostin, I.A., Karlovskiy, A.V., Orelkina, D.I., and Nalivaiko, A.Yu., 2024. 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.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.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.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.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.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.

The authors declare that there are no conflicts of interest present.