Булботка, Н.Шимкович, В.Шимкович, Л.2026-03-032026-03-032026Булботка, Н. Модель розпізнавання літальних апаратів за їхніми акустичними сигнатурами / Н. Булботка, В. Шимкович, Л. Шимкович // Адаптивні системи автоматичного управління : міжвідомчий науково-технічний збірник. – 2026. – № 1 (48). – С. 69-84. – Бібліогр.: 16 назв.https://ela.kpi.ua/handle/123456789/79200Швидкий прогрес у сфері безпілотних літальних апаратів і зростання пов’язаних із ними загроз створюють нагальну потребу в розробці ефективних систем для їх своєчасного виявлення та класифікації. В умовах триваючої повномасштабної війни в Україні дрони використовуються для розвідки, коригування артилерійського вогню та для нанесення ударів по критичній інфраструктурі. Це зумовлює необхідність запровадження систем раннього попередження, здатних функціонувати у складних умовах. В даній роботі розглянуто проблему автоматичного розпізнавання літальних апаратів за їхніми акустичними сигнатурами. Розроблено збалансований набір даних з використанням технології Transfer Data.Розроблено архітектуру нейронної мережі, оптимізовану для вилучення часово-частотних ознак акустичних сигналів і класифікації об’єктів за трьома класами: Drone, Airplane, Helicopter. Проведено навчання та тестування моделі, точність на навчальному наборі даних склала 99%, на тестовому 90%. Навчену модель інтегровано до складу системи розпізнавання як окремий модуль нейронної мережі, який здійснює аналіз аудіофайлів 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 ознакамиukсистема розпізнавання літальних апаратівакустичні сигнатурикласифікація аудіосигналівнейронні мережіглибоке навчанняConvolutional Neural Network (CNN)спектограмаaircraft recognition systemacoustic signaturesclassification of audio signalsneural networksdeep learningConvolutional Neural Network (CNN)spectrogram