МЕТОД ІНТЕЛЕКТУАЛЬНОЇ ІДЕНТИФІКАЦІЇ РУХОМИХ ОБ'ЄКТІВ НА ОСНОВІ КЛАСТЕРИЗАЦІЇ ОЗНАК У МЕЛ-КЕПСТРАЛЬНОМУ ПРОСТОРІ

Автор(и)

DOI:

https://doi.org/10.34185/1562-9945-4-165-2026-11

Ключові слова:

ідентифікація рухомих об'єктів, мел-кепстральні коефіцієнти, кластеризація, автоматизація моніторингу, акустичний сигнал, цифрова обробка сигналів, промислова автоматизація, сегментація фаз руху

Анотація

Впровадження інтелектуальних систем моніторингу в промислову автоматизацію та новітні транспортні системи потребує розробки методів ідентифікації рухомих об’єктів, здатних стабільно функціонувати в умовах високого рівня завад та обмеженої видимості. Традиційні амплітудні методи обробки є чутливими до нестаціонарності акустичних сигналів та зміни відстані до джерела, що ускладнює точну сегментацію динамічних станів об'єкта. Метою роботи є розробка методу ідентифікації фаз руху на основі мел-кепстрального аналізу, інтелектуальної кластеризації методом K-середніх, віконному перетворенні Фур'є, психоакустичній фільтрації та декореляції ознак у кепстральному просторі. В ході дослідження отримано матрицю ознак, яка дозволяє виділити цифровий відбиток об’єкта, інваріантний до коливань гучності. Експериментально підтверджено ефективність сегментації фаз наближення, проїзду та віддалення з високою швидкістю обчислень, що дозволяє інтегрувати метод у системи автоматизованого керування та технічної діагностики в режимі реального часу.

Посилання

Polyvoda, O., Rudakova, H., Kondratieva, I., Rozov, Y., & Lebedenko, Y. (2020). Digital Acoustic Signal Processing Methods for Diagnosing Electromechanical Systems. In V. Lyt-vynenko, S. Babichev, W. Wójcik, O. Vynokurova, S. Vyshemyrskaya, & S. Radetskaya (Eds.), Lecture Notes in Computational Intelligence and Decision Making. ISDMCI 2019. Advances in Intelligent Systems and Computing (Vol. 1020, pp. 97–109). Springer, Cham. https://doi.org/10.1007/978-3-030-26474-1_7

Bondarenko, M. E., & Ivashchenko, H. S. (2025). Vykorystannia poslidovnosti metodiv poperednoi obrobky v systemakh holosovoi identyfikatsii [Using a sequence of preprocessing methods in voice identification systems]. Systems of Control, Navigation and Communica-tion. Collection of Scientific Works, (2), 90–96. https://doi.org/10.26906/SUNZ.2025.2.090

Rudresh, M. D., Latha, A. S., Suganya, J., & Nayana, C. G. (2017). Performance analysis of speech digit recognition using cepstrum and vector quantization. 2017 International Con-ference on Electrical, Electronics, Communication, Computer, and Optimization Techniques (ICEECCOT), 1–6. https://doi.org/10.1109/ICEECCOT.2017.8284580

Savula, A. A., & Korotynskyi, A. P. (2024). Zastosuvannia zvukovykh oznak dlia moni-torynhu tekhniko-ekspluatatsiinoho stanu promyslovoho obladnannia [Application of sound features for monitoring the technical and operational state of industrial equipment]. Scientific Notes of Taurida National V.I. Vernadsky University. Series: Technical Sciences, 35(74), 6(2), pp 215 – 220. https://doi.org/10.32782/2663-5941/2024.6.2/30

Alkhatib, B., & Kamal Eddin, M. M. W. (2020). Voice Identification Using MFCC and Vector Quantization. Baghdad Science Journal, 17(3 Suppl.), 1019–1026. https://doi.org/10.21123/bsj.2020.17.3(Suppl.).1019

Abdul, Z., & Al-Talabani, A. (2022). Mel Frequency Cepstral Coefficient and its Applica-tions: A Review. IEEE Access, 10, 122136–122158. https://doi.org/10.1109/ACCESS.2022.3223444

Завантаження

Опубліковано

2026-04-30