Применение метода разреженного представления комплексных данных для систем позиционирования и предупреждения о столкновении на железнодорожных путях с использованием радара миллиметрового диапазона
EDN: UEWJIR
Аннотация
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.
Ключевые слова
железнодорожный транспорт,
распознавание препятствий,
радар,
угловое разрешение,
искусственная нейронная сеть,
MFNN,
избыточный базис,
норма L0,
норма L1
При поддержке: Исследование выполнено при поддержке министерства науки и высшего образования Российской Федерации, грант FZRR-2023-0008.
Об авторах
Н. В. Панокин
Московский политехнический университет
Россия
Панокин Николай Викторович. Кандидат технических наук, начальник центра перспективных разработок автономных систем, Московский политехнический университет
Россия
Панокин Николай Викторович. Кандидат технических наук, начальник центра перспективных разработок автономных систем, Московский политехнический университет
И. А. Костин
Московский политехнический университет
Россия
Костин Иван Александрович. Инженер-исследователь центра перспективных разработок автономных систем
Россия
Костин Иван Александрович. Инженер-исследователь центра перспективных разработок автономных систем
А. В. Аверин
Московский политехнический университет
Россия
Аверин Артем Владимирович. Инженер 1 категории центра перспективных разработок автономных систем
Россия
Аверин Артем Владимирович. Инженер 1 категории центра перспективных разработок автономных систем
А. В. Карловский
Московский политехнический университет
Россия
Карловский Александр Васильевич. Научный сотрудник центра перспективных разработок автономных систем
Россия
Карловский Александр Васильевич. Научный сотрудник центра перспективных разработок автономных систем
Д. И. Орёлкина
Московский политехнический университет
Россия
Орёлкина Дарья Ивановна. Кандидат технических наук, научный сотрудник центра перспективных разработок автономных систем
Россия
Орёлкина Дарья Ивановна. Кандидат технических наук, научный сотрудник центра перспективных разработок автономных систем
А. Ю. Наливайко
Московский политехнический университет
Россия
Наливайко Антон Юрьевич. Кандидат технических наук, проректор по научной работе
Россия
Наливайко Антон Юрьевич. Кандидат технических наук, проректор по научной работе
Список литературы
1. 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.
2. 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.
3. 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.
4. 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.
5. Neural Networks for Optimization and Signal Processing, Stuttgart, Germany: Teubner-Wiley, 1993.
6. 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.
7. 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.
8. Changhao Yi, Cunlu Zhou, Jun Takahashi, Quantum Phase Estimation by Compressed Sensing, https://doi.org/10.48550/arXiv.2306.07008.
9. 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.
10. 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.
11. 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.
12. 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.
13. 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.
14. 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.
15. 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.
16. 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.
17. 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.
18. 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.
19. 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.
20. 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.
Рецензия
Для цитирования:
Панокин Н.В., Костин И.А., Аверин А.В., Карловский А.В., Орёлкина Д.И., Наливайко А.Ю. Применение метода разреженного представления комплексных данных для систем позиционирования и предупреждения о столкновении на железнодорожных путях с использованием радара миллиметрового диапазона. Гироскопия и навигация. 2024;32(1):84-93. EDN: UEWJIR
For citation:
Panokin N.V., Kostin I.A., Averin A.V., Karlovskiy A.V., Orelkina D.I., Nalivaiko A.Yu. Application of Sparse Representation of Complex Data in Railway Positioning and Collision Alert Systems Using Millimeter Wave Radar. Gyroscopy and Navigation. 2024;32(1):84-93. (In Russ.) EDN: UEWJIR
Просмотров:
5
Послать статью по эл. почте 