Система розпізнавання літальних апаратів за їхніми акустичними сигнатурами з використанням нейронних мереж
DOI:
https://doi.org/10.20535/1560-8956.48.2026.351884Ключові слова:
система розпізнавання літальних апаратів, акустичні сигнатури, класифікація аудіосигналів, нейронні мережі, глибоке навчання, Convolutional Neural Network (CNN), спектограмаАнотація
Розглянуто проблему автоматичного розпізнавання літальних апаратів за їхніми акустичними сигнатурами. Проаналізовано особливості формування аудіоданих, необхідних для навчання нейронних моделей, та визначено вимоги до структури набору даних. Запропоновано підхід до створення збалансованого датасету з використанням технології Transfer Data. Розроблено архітектуру нейронної мережі (CNN), оптимізовану для вилучення часово-частотних ознак акустичних сигналів і класифікації об’єктів за трьома класами: Drone, Airplane, Helicopter. Проведено навчання моделі на підготовленому наборі даних із використанням оптимізатора Adam та функції втрат categorical crossentropy. Навчену модель інтегровано до складу системи розпізнавання як окремий модуль нейронної мережі, який здійснює аналіз аудіофайлів у режимі реального часу та визначає тип літального апарата з вказанням рівня впевненості прогнозу. Запропонована система може бути використана у задачах моніторингу повітряного простору, безпеки та цивільної оборони, а також адаптована для розпізнавання інших типів технічних об’єктів за акустичними ознаками.
Бібл. 16, іл. 8, табл. 1
Посилання
UN Commission says Russian drones target civilians and destroy infrastructure, making localities in frontline provinces of Ukraine unliveable. URL:https://www.ohchr.org/en/press-releases/2025/09/un-commission-says-russian-drones-target-civilians-and-destroy
Semenyuk, V., Kurmashev, I., Lupidi, A. Advances в UAV detection: integrating multi-sensor systems and AI for enhanced accuracy and efficiency: International Journal of Critical Infrastructure Protection – 2025 –Vol. 49. – №100744. https://doi.org/10.1016/j.ijcip.2025.100744
Seidaliyeva, U., Begimbetova, D., Shaltykov, K., Karymsakov, R., Abdikalikova, Z. Advances and Challenges in Drone Detection and Classification Techniques: A State-of-the-Art Review. Sensors – 2023 – Vol. 24. – Iss. 1. – p. 125. https://doi.org/10.3390/s24010125
Smailov, N., Begenov, A., Shaltykov, K., Karymsakov, R., Seidaliyeva, U. Review of AI-Augmented Multisensor Architectures for Detecting and Neutralizing UAV Threats: International Journal of Innovative Research and Scientific Studies – 2025 – Vol. 8. – Iss. 5. – pp. 1281–1294. https://doi.org/10.53894/ijirss.v8i5.9091
Collins, C., Dennehy, D., Conboy, K., & Mikalef, P. Artificial intelligence in information systems research: A systematic literature review and research agenda. International Journal of Information Management. – 2021. – Vol. 60. – №102383. https://doi.org/10.1016/ j.ijinfomgt.2021.102383
K. Khotin, V. Shymkovych, P. Kravets, A. Novatsky, L. Shymkovych. Convolutional neural network for dog breed recognition system. Адаптивні системи автоматичного управління: міжвідомчий науково-технічний збірник. – 2024. – № 2 (45). – С. 3-14. https://doi.org/10.20535/1560-8956.45.2024.313022
Steblianko, O., Shymkovych, V., Kravets, P., Novatskyi, A., & Shymkovych, L. Scientific article summarization model with unbounded input length. Information. Computing and Intelligent systems. – 2024. – Vol. 5. – pp. 150-158. https://doi.org/10.20535/2786-8729.5.2024.314724
Kobchenko, V.R., Shymkovysh, V.M., Kravets, P.I., Novatskyi, A.O., Shymkovysh, L.L., & Doroshenko, А.Y. An intelligent chatbot for evaluating the emotional colouring of a message and responding accordingly. PROBLEMS IN PROGRAMMING. – 2024. – Vol. 1. – pp. 23-29. http://doi.org/10.15407/pp2024.01.23
Ahlawat, H., Aggarwal, N., & Gupta, D. Automatic Speech Recognition: A survey of deep learning techniques and approaches. International Journal of Cognitive Computing in Engineering. – 2025. – Vol. 6. – pp. 201-237. https://doi.org/10.1016/j.ijcce.2024.12.007
Jaiprakash S.P., Prakash, C.S. Exploring text-to-image generation models: Applications and cloud resource utilization. Computers and Electrical Engineering. – 2025. – Vol. 123. №110194. https://doi.org/10.1016/j.compeleceng.2025.110194
M. Osypenko, V. Shymkovych, P. Kravets, A. Novatsky, L. Shymkovych. Intelligent control system with reinforcement learning for solving video game tasks. Адаптивні системи автоматичного управління: міжвідомчий науково-технічний збірник. – 2024. – № 2 (45). – С. 34-46. https://doi.org/10.20535/1560-8956.45.2024.313065
Kravets, P., Novatskyi, A., Shymkovych, V., Rudakova, A., Lebedenko, Y., Rudakova, H. Neural Network Model for Laboratory Stand Control System Controller with Parallel Mechanisms. Lecture Notes on Data Engineering and Communications Technologies. – 2023. – Vol. 181. – pp. 47-58. https://doi.org/10.1007/978-3-031-36118-0_5
Шимкович В., Чимшир В., Знова К., Ювженко Д., Новаковський Г., & Теленик С. (2025). Синтез архітектури сервісів на основі нейромережі з глибоким навчанням. Адаптивні системи автоматичного управління: міжвідомчий науково-технічний збірник. – 2025. – №2(47). – С. 231–249. https://doi.org/10.20535/1560-8956.47.2025.340231
Frid, A., Khachaturi, B., Ovadia, D., Gurfil, P. Drones Detection Using a Fusion of RF and Acoustic Features and Deep Neural Networks: Sensors – 2024 – Vol. 24. – Iss. 8. – p. 2427. https://doi.org/10.3390/s24082427
Ahmed, C. A., Batool, F., Haider, W., Asad, M., Hamdani, S. H. R. Acoustic Based Drone Detection Via Machine Learning. Proceedings of the 2022 International Conference on IT and Industrial Technologies (ICIT) – 2022 – Vol. 1. – pp. 1–6. https://doi.org/10.1109/ICIT56493.2022.9989229
Wang, M. Y., Clavijo Ramirez, D., Noonan, E., Linn, M., Zhang, Q. A Comprehensive Dataset and Visualization Tool for Drone Acoustic Signatures: Proceedings of the 2024 Artificial Intelligence × Humanities, Education, and Art– 2024 – Vol. 1. – pp. 1–7. https://doi.org/10.1109/AIxHeart62327.2024.00009
Kim, J., Kim, Y., Shin, H., Wang, Y., Matson, E. How Far Can a Drone be Detected? A Drone-to-Drone Detection System Using Sensor Fusion: Proceedings of the 15th International Conference on Agents and Artificial Intelligence (ICAART 2023) – 2023 – Vol. 3. – pp. 877–884. https://doi.org/10.5220/0011791000003393
Sharma, G., Umapathy, K., Krishnan, S. Trends in Audio Signal Feature Extraction Methods: Applied Acoustics – 2020 – Vol. 158. – № 107020. https://doi.org/10.1016/j.apacoust.2019.107020
Lacava, G., Mercaldo, F., Martinelli, F., Santone, A., Pizzi, M. Drone Audio Recognition Based on Machine Learning Techniques: 26th International Conference on Knowledge-Based and Intelligent Information & Engineering Systems (KES 2022), Procedia Computer Science – 2022 – Vol. 207. – pp. 848–857. https://doi.org/10.1016/j.procs.2022.09.140
Yadav, S., Kumar, A., Yaduvanshi, A., Meena, P. A Review of Feature Extraction and Classification Techniques in Speech Recognition: SN Computer Science – 2023 – Vol. 4. https://doi.org/10.1007/s42979-023-02158-5
Kopparapu, S. K., Laxminarayana, M. Choice of Mel Filter Bank in Computing MFCC of a Resampled Speech: Proceedings of the 10th International Conference on Information Science, Signal Processing and their Applications (ISSPA 2010) – 2010 – Vol. 1. – pp. 121–124. https://doi.org/10.1109/ISSPA.2010.5605491
Tanveer, M. H., Zhu, H., Ahmed, W., Thomas, A., Imran, B. M., Salman, M. MelSpectrogram and Deep CNN Based Representation Learning from Bio-Sonar Implementation on UAVs: Proceedings of the 2021 International Conference on Computer, Control and Robotics (ICCCR) – 2021 – Vol. 1. – pp. 34–40. https://doi.org/10.1109/ICCCR49711.2021.9349416
Ali, Z. M., Esmail, E. M. Deep Learning and Wavelet Packet Transform for Fault Diagnosis in Double Circuit Transmission Lines: Scientific Reports – 2025 – Vol. 15. – Article No. 30145. https://doi.org/10.1038/s41598-025-15583-8
Heilemann, M., Culley, S. J. Capability Audit for Modular System Development Assessing Important Factors for Establishing and Maintaining Common Modular System Architectures: Proceedings of the 2015 IEEE International Symposium on Systems Engineering (ISSE) – 2015 – Vol. 1. – pp. 112–118. https://doi.org/10.1109/SysEng.2015.7302789
AlShehari, T., Alsowail, R. A. An Insider Data Leakage Detection Using One-Hot Encoding, Synthetic Minority Oversampling and Machine Learning Techniques: Entropy – 2021 – Vol. 23. – Iss. 10. https://doi.org/10.3390/e23101258
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
1.Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
