В работе рассматривается нейросетевой подход к задаче распознавания событий по временному ряду реакций набора ненадежных
сенсоров события. Использование для решения данной задачи не рекуррентных, а полносвязных нейронных сетей без обратных
связей и памяти требует представления релевантной сенсорной предыстории вектором небольшой постоянной длины. Для этого
был предложен способ записи, аналогичный кодированию длин серий (Run-Length Encoding, RLE). Этот подход был использован
для решения задачи построения мультисенсорного детектора присутствия транспортного средства в зоне контроля на въезде на
платный участок дороги. Построенный нейросетевой детектор обучен и исследован на реальных записях срабатываний сенсоров
при проезде транспортных средств через пункт взимания платы и показал высокую точность работы.
Ключевые слова:
детектирование событий, нейросетевой анализ временных рядов, кодирование длин серий, детекторы присутствия
DOI: 10.1134/S0235009218030095
Цитирование для раздела "Список литературы":
Масленников О. П., Коптелов И. А., Николаев Д. П., Гладилин С. А.
Нейросетевые модели мультисенсорного детектора присутствия транспортного средства в зоне классификации пункта взимания платы.
Сенсорные системы.
2018.
Т. 32.
№ 3.
С. 246-252. doi: 10.1134/S0235009218030095
Цитирование для раздела "References":
Maslennikov O. P., Koptelov I. A., Nikolaev D. P., Gladilin S. A.
Neirosetevye modeli multisensornogo detektora prisutstviya transportnogo sredstva v zone klassifikatsii punkta vzimaniya platy
[Neural network model of multisensory detector vehicle presence in the classification zone of charging points].
Sensornye sistemy [Sensory systems].
2018.
V. 32(3).
P. 246-252
(in Russian). doi: 10.1134/S0235009218030095
Список литературы:
- Бочаров Д., Коптелов И., Кузнецова Е. Детекторы проездов на основе технического зрения в автоматическом классификаторе транспортных средств. Информационные технологии и системы. 2015. С. 485–497.
- Бурнаев Е., Коптелов И., Новиков Г., Ханипов Т. Автоматизированное построение классификаторов на основе рекуррентных нейронных сетей для детекции проездов транспортных средств. Информационные технологии и системы. 2016. С. 57–62.
- Григорьев А., Гладилин С., Ханипов Т., Коптелов И., Бочаров Д., Мацнев Д. Архитектура системы детекции и классификации автомобилей средствами технического зрения в естественных условиях. Сенсорные системы. 2017. Т. 31. № 1. С. 72–84.
- Коптелов И., Григорьев А., Ханипов Т., Емельянов С., Николаев Д. Макет автоматического классификатора транспортных средств. Информационные технологии и системы. 2014. С. 350–356.
- Малюгина О., Николаев Д. Критерии оценки качества для потоковой системы обнаружения и классификации. Информационные технологии и системы. 2015. С. 414–427.
- Khanipov T., Koptelov I., Grigoryev A., Kuznetsova E., Nikolaev D. Vision-based industrial automatic vehicle classifier. Seventh International Conference on Machine Vision. 2015. V. 9445(944511). P. 1–5.
- Lin C.T., Lee C.S. G. Neural-network-based fuzzy logic control and decision system. IEEE Transactions on computers. 1991. V. 40(12). P. 1320–1336. 10.1109/12.106218.
- Robinson A.H., Cherry C. Results of a prototype television bandwidth compression scheme. Proceedings of the IEEE. 1967. 55(3). P. 356–364. 10.1109/PROC. 1967.5493.
