Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Neural Network-Based Train Identification in Railway Switches and Crossings Using Accelerometer Data

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26110%2F20%3APU138548" target="_blank" >RIV/00216305:26110/20:PU138548 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://www.hindawi.com/journals/jat/2020/8841810/" target="_blank" >https://www.hindawi.com/journals/jat/2020/8841810/</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1155/2020/8841810" target="_blank" >10.1155/2020/8841810</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Neural Network-Based Train Identification in Railway Switches and Crossings Using Accelerometer Data

  • Popis výsledku v původním jazyce

    This paper aims to analyse possibilities of train type identification in railway switches and crossings (S&C) based on accelerometer data by using contemporary machine learning methods such as neural networks. That is a unique approach since trains have been only identified in a straight track. Accelerometer sensors placed around the S&C structure were the source of input data for subsequent models. Data from four S&C at different locations were considered and various neural network architectures evaluated. The research indicated the feasibility to identify trains in S&C using neural networks from accelerometer data. Models trained at one location are generally transferable to another location despite differences in geometrical parameters, substructure, and direction of passing trains. Other challenges include small dataset and speed variation of the trains that must be considered for accurate identification. Results are obtained using statistical bootstrapping and are presented in a form of confusion matrices.

  • Název v anglickém jazyce

    Neural Network-Based Train Identification in Railway Switches and Crossings Using Accelerometer Data

  • Popis výsledku anglicky

    This paper aims to analyse possibilities of train type identification in railway switches and crossings (S&C) based on accelerometer data by using contemporary machine learning methods such as neural networks. That is a unique approach since trains have been only identified in a straight track. Accelerometer sensors placed around the S&C structure were the source of input data for subsequent models. Data from four S&C at different locations were considered and various neural network architectures evaluated. The research indicated the feasibility to identify trains in S&C using neural networks from accelerometer data. Models trained at one location are generally transferable to another location despite differences in geometrical parameters, substructure, and direction of passing trains. Other challenges include small dataset and speed variation of the trains that must be considered for accurate identification. Results are obtained using statistical bootstrapping and are presented in a form of confusion matrices.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    20101 - Civil engineering

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/CK01000091" target="_blank" >CK01000091: Výhybka 4.0</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2020

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    JOURNAL OF ADVANCED TRANSPORTATION

  • ISSN

    0197-6729

  • e-ISSN

    2042-3195

  • Svazek periodika

    2020

  • Číslo periodika v rámci svazku

    1

  • Stát vydavatele periodika

    GB - Spojené království Velké Británie a Severního Irska

  • Počet stran výsledku

    10

  • Strana od-do

    1-10

  • Kód UT WoS článku

    000598343000004

  • EID výsledku v databázi Scopus

    2-s2.0-85097578500