Застосування згорткової нейронної мережі для класифікації кодів автоматичної локомотивної сигналізації
| dc.contributor.author | Гончаров, Костянтин Вікторович | uk_UA |
| dc.contributor.author | Рибалка, Роман Володимирович | uk_UA |
| dc.contributor.author | Сердюк, Тетяна Миколаївна | uk_UA |
| dc.date.accessioned | 2026-04-12T14:07:36Z | |
| dc.date.issued | 2026 | |
| dc.description | К. Гончаров: ORCID 0000-0002-0432-1077; Р. Рибалка: ORCID 0000-0001-7444-0517; Т. Сердюк: ORCID 0000-0002-2609-4071 | uk_UA |
| dc.description.abstract | UKR: Мета. Обґрунтування вибору типу та параметрів штучної нейронної мережі для класифікації кодових сигналів автоматичної локомотивної сигналізації АЛСН за наявності завад та спотворень часових параметрів кодів. Методика. Для досягнення поставленої мети виконано порівняльний аналіз різних типів штучних нейронних мереж. Було встановлено, що для класифікації кодів АЛСН найбільш придатною є одновимірна згорткова мережа, яка ефективно виявляє характерні часові ознаки сигналів, потребує менше даних для навчання, стійка до шумів, забезпечує стабільну класифікацію навіть при зсуві сигналу в часі. Були проведені розрахунки кількості параметрів мережі залежно від її конфігурації: кількості шарів, згорткових фільтрів та кількості нейронів у повнозв’язаних шарах. Для навчання мережі використовували синтезовані дані: до еталонних сигналів «З», «Ж», «ЧЖ» додавався шум та вносились випадкові зміни часових параметрів (тривалості імпульсів і пауз). Було синтезовано 1000 реалізацій для кожного кодового сигналу АЛСН. Програмний код для підготовки даних, тренування мережі та класифікації сигналів був написаний мовою Python із використанням бібліотек TensorFlow, Keras, Scipy.signal та NumPy. Результати. Відповідно до отриманої залежності між конфігурацією нейронної мережі та точністю класифікації для розпізнавання кодів АЛСН була обрана мережа, яка містить три згорткові шари, шар Dense з 16-ти нейронів та вихідний шар з трьох нейронів. Працездатність запропонованої нейронної мережі була підтверджена результатами класифікації синтезованих сигналів з низьким відношенням сигнал/шум та сильним спотворенням форми, а також реальних сигналів АЛСН. Наукова новизна. Авторами цієї роботи вперше проведене комплексне дослідження ефективності різних типів штучних нейронних мереж для класифікації кодів автоматичної локомотивної сигналізації АЛСН в умовах інтенсивних завад та часових спотворень, що дозволило обґрунтувати вибір конфігурації одновимірної згорткової нейронної мережі та встановити залежності між параметрами моделі (кількістю шарів, фільтрів, нейронів) та точністю класифікації. Практична значимість. Впровадження цифрового локомотивного приймача сигналів АЛСН із класифікатором на базі запропонованої згорткової нейронної мережі замість застарілої релейної апаратури дозволить зменшити експлуатаційні витрати, підвищити завадостійкість та надійність системи АЛСН за рахунок стійкого розпізнавання кодів в умовах інтенсивних завад та спотворень часових параметрів кодових сигналів. | uk_UA |
| dc.description.abstract | ENG: Purpose. Justification the selection of architecture and hyperparameters for an artificial neural network designed to classify Automatic Cab Signalling (ALSN) code signals under conditions of intense interference and temporal distortion. Methodology. To achieve the purpose, a comparative analysis of different types of artificial neural networks was performed. It was found that for the classification of ALSN codes, a one-dimensional convolutional network (1D-CNN ) is the most suitable, as it effectively detects the characteristic temporal features of signals, requires less data for training, is resistant to noise, and provides stable classification even with a signal shift in time. Calculations of the number of network parameters were performed based on its configuration, including the number of layers, convolutional filters, and the number of neurons in fully connected layers. For model training, synthetic data were generated by adding noise and stochastic timing variations to reference signals («Z», «Zh», and «ChZh»). 1000 implementations were synthesized for each ALSN code signal. The program code for data preparation, network training, and signal classification was written in Python using the TensorFlow, Keras, Scipy.signal, and NumPy libraries. Findings. Based on the observed correlation between network configuration and recognition accuracy for the ALSN codes, an optimized model was selected featuring three convolutional layers, a 16-neuron Dense layer, and a 3-neuron output layer. The robustness of the proposed network was validated against both heavily distorted synthetic waveforms with low signal-to-noise ratios and empirical ALSN signals. Originality. This work represents the first comprehensive study of artificial neural networks efficacy for ALSN code classification under severe interference and temporal distortions. It justifies the specific 1D-CNN configuration and establishes the dependencies between model structural parameters (number of layers, filters, and neurons) and classification accuracy. Practical value. Replacing legacy relay-based equipment with the proposed 1D-CNN-based digital receiver will reduce operational expenditures while significantly enhancing the noise immunity and reliability of the ALSN system through stable code recognition in adverse settings, i.e. intensive noise and temporal parameters disturbances of the code signals. | en |
| dc.identifier.citation | Гончаров К. В., Рибалка Р. В., Сердюк Т. М. Застосування згорткової нейронної мережі для класифікації кодів автоматичної локомотивної сигналізації. Наука та прогрес транспорту. 2026. № 1(113). С. 5–16. DOI: https://doi.org/10.15802/stp2026/353830. | uk_UA |
| dc.identifier.doi | https://doi.org/10.15802/stp2026/353830 | |
| dc.identifier.issn | 2307–3489 (Print) | |
| dc.identifier.issn | 2307–6666 (Online) | |
| dc.identifier.uri | https://crust.ust.edu.ua/handle/123456789/22035 | |
| dc.identifier.uri | https://stp.ust.edu.ua/ | |
| dc.identifier.uri | https://stp.ust.edu.ua/article/view/353830 | |
| dc.language.iso | uk | |
| dc.publisher | Український державний університет науки і технологій, Дніпро | uk_UA |
| dc.rights | Creative Commons Attribution 4.0 International License | en |
| dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | |
| dc.subject | автоматична локомотивна сигналізація | uk_UA |
| dc.subject | часові ознаки сигналів | uk_UA |
| dc.subject | завадостійкість | uk_UA |
| dc.subject | спотворення часових параметрів кодів | uk_UA |
| dc.subject | згорткова нейронна мережа | uk_UA |
| dc.subject | розпізнавання коду АЛСН | uk_UA |
| dc.subject | глибоке навчання | uk_UA |
| dc.subject | точність класифікації | uk_UA |
| dc.subject | automatic cab signalling | en |
| dc.subject | time signatures of signals | en |
| dc.subject | interference immunity | en |
| dc.subject | distorting the time parameters of codes | en |
| dc.subject | convolutional neural network | en |
| dc.subject | ALSN code recognition | en |
| dc.subject | deep learning | en |
| dc.subject | classification accuracy | en |
| dc.subject | КАТ | uk_UA |
| dc.subject.classification | TECHNOLOGY | en |
| dc.subject.classification | TECHNOLOGY::Other technology | en |
| dc.title | Застосування згорткової нейронної мережі для класифікації кодів автоматичної локомотивної сигналізації | uk_UA |
| dc.title.alternative | Application of Convolutional Neural Network for Classification of Automatic Cab Signalling Codes | en |
| dc.type | Article | en |