CN107818335A - 一种基于多分类器自适应加权的钢轨裂纹识别方法 - Google Patents
一种基于多分类器自适应加权的钢轨裂纹识别方法 Download PDFInfo
- Publication number
- CN107818335A CN107818335A CN201710931032.7A CN201710931032A CN107818335A CN 107818335 A CN107818335 A CN 107818335A CN 201710931032 A CN201710931032 A CN 201710931032A CN 107818335 A CN107818335 A CN 107818335A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- magnetic leakage
- leakage signal
- categorizer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种基于多分类器自适应加权的钢轨裂纹识别方法，应用自适应多分类器加权算法来进行基于多通道三维漏磁信号的钢轨裂纹识别。首先利用SVM对不同通道不同方向的漏磁信号进行分类，然后利用不同分类器的后验概率计算得到的熵的大小进行自适应权重的分配，最后基于加权融合投票的策略对不同分类器的分类结果进行融合得到钢轨裂纹种类的综合决策与识别。实验结果表明，基于多分类器自适应加权的钢轨裂纹识别方法在训练样本数较少和漏磁信号通道数较少的情况下具有良好的识别效果。
Description
技术领域
本发明涉及一种基于多分类器自适应加权的钢轨裂纹识别方法，具体是一种应用于多通道漏磁信号的钢轨裂纹识别方法。
背景技术
高速铁路的迅速发展，极大地促进了我国国民经济的发展和民生的改善。钢轨是铁路基础设施的主要构件，在使用中承受着车轮传导而来的巨大的压力，因此导致的钢轨缺陷损伤和材料性能退化等严重影响着铁路的运营安全。实际情况中出现的钢轨缺陷主要有：车轮滚动接触造成的疲劳裂纹、内部缺陷、压溃、侧磨、腐蚀、剥离以及道岔和焊缝等特殊部位的材料性能退化等。其中钢轨表面裂纹是诱发轨头核伤和轨头剥离的初始阶段缺陷，及时有效地实现对钢轨表面裂纹的检测和识别对于保证高铁的安全运行具有巨大的实际意义。
国内外研究人员采用了包括漏磁检测在内的多种无损检测技术，试图实现钢轨表面裂纹的在线检测。铁磁材料被磁化后，试件表面或近表面缺陷会使磁导率发生变化，导致磁路中的磁通和磁感应线流向改变，部分磁通泄漏到工件表面通过空气绕过缺陷再进入材料形成漏磁场。漏磁检测通过磁传感器获取漏磁场信息，实现钢轨表面及近表面缺陷检测。
相关研究结果表明，充分利用漏磁场的x、y、z三个方向的漏磁信号分量，有利于实现钢轨表面复杂裂纹缺陷的准确识别。同时对于复杂裂纹的检测与识别，通常采用多通道三维漏磁传感器阵列实现对复杂裂纹的全部覆盖，使得采集到的漏磁信号能够反映裂纹的全部信息。但是，对于多通道三维漏磁传感器阵列采集到的漏磁信号而言，如何有效的实现对全部信息的充分利用，是基于多通道三维漏磁信号的钢轨裂纹识别与检测的关键和难点。
第一个需要解决的问题，对于同一通道的三个不同方向的漏磁信号的融合问题；第二个需要解决的问题，对于不同通道的漏磁信号的融合问题。问题一的常用解决方法主要是对同一通道的三个不同方向的漏磁信号进行简单的拼接处理后进行特征提取，或者分别对三个不同方向的漏磁信号做特征提取后进行特征向量的组合；问题二的常用解决方法是对不同通道的漏磁信号进行融合决策识别，其中最常用的融合决策策略就是简单投票法和加权投票法。
需要指出的是，以上两个问题的常用解决方法存在以下问题。首先是同一通道的不同方向的漏磁信号的融合方法缺乏有效的理论指导，另外就是简单的投票决策融合识别的有效性，以及加权投票融合识别中有效的权值确定是一个难题。
本发明基于不同分类器对同一样本具有不同的分类能力、不同样本对同一分类器表现不同的可分性的思想，提出一种自适应多分类器加权算法来进行基于多通道三维漏磁信号的钢轨裂纹识别。首先利用SVM对不同通道不同方向的漏磁信号进行分类，然后利用不同分类器的后验概率计算得到的熵的大小进行自适应权重的分配，最后基于加权融合投票的策略对不同分类器的分类结果进行融合得到钢轨裂纹种类的综合决策与识别。实验结果表明，基于多分类器自适应加权的钢轨裂纹识别方法在训练样本数较少和漏磁信号通道数较少的情况下具有良好的识别效果。
发明内容
发明目的：本发明的目的是提供一种新的基于多通道三维漏磁信号的钢轨裂纹识别方法——基于多分类器自适应加权的钢轨裂纹识别方法，在回避了同一通道不同方向漏磁信号的融合问题的基础上，实现了多通道融合决策识别的权重的自适应确定。相较于简单投票法，本方法在小训练样本和小的通道数的条件下具有更好的识别效果。
技术方案：一种基于多分类器自适应加权的钢轨裂纹识别方法，包括如下步骤：
步骤1：对不同通道不同方向的漏磁信号进行时域、频域和时频域特征的提取，并将以上特征组合生成特征向量；
步骤2：按步骤1提取不同通道不同方向的漏磁信号的训练样本特征向量，分别训练不同通道不同方向漏磁信号对应的SVM分类器；
步骤3：对于未知类别的钢轨裂纹，将其对应的不同通道不同方向的漏磁信号按照步骤1提取测试样本特征向量，分别送入步骤2中对应通道对应方向的训练好的SVM分类器中，得到该钢轨裂纹在不同SVM分类器下属于不同类别的后验概率值；
步骤4：利用步骤3中基于不同通道不同方向漏磁信号得到的该裂纹属于不同种类裂纹的后验概率，计算不同分类器的香农熵，依次衡量该SVM分类器对于该裂纹的可分性能力的大小，并以此计算不同分类器融合识别时的融合权重的大小；
步骤5：利用步骤4中得到的不同分类器的融合权重大小，对多分类器的钢轨裂纹识别结果进行自适应加权融合识别，得到基于多分类器自适应加权的钢轨裂纹识别结果。
有益效果：与现有技术相比，本发明采用上述技术方案具有如下有益效果：
1.回避了对同一通道不同方向的漏磁信号融合问题，防止了因融合方法不当而引入的误差；
2.利用香农熵对不同分类器分类性能的衡量自适应地确定了多分类器加权决策融合的权重的大小，避免了人为确定权重的误差；
3.相比于普通的投票决策方法，本发明基于多分类器自适应加权的钢轨裂纹识别方法在小训练样本和少的漏磁信号通道数的情况下都具有更好的识别效果。
附图说明
图1是基于多分类器自适应加权的钢轨裂纹识别方法流程图；
图2是人工钢轨裂纹的俯视图和侧视图；
图3是x、y、z三个方向的漏磁信号示意图，在图中的序号分别是(a)、(b)、(c)。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明提出的基于多分类器自适应加权的钢轨裂纹识别方法，总流程图如图1所示。现有在按照顶面形状和尺寸设计的轨道式转盘钢轨上人工加工的多种不同类型的钢轨表面裂纹损伤，其俯视图和侧视图如图2所示。利用三维霍尔漏磁传感器采集到的x、y、z三个方向的漏磁信号如图3所示。假设实际情况中采用C通道三维霍尔漏磁传感器实现对垂直于钢轨前进方向表面的全覆盖，则基于多分类器自适应加权的钢轨裂纹识别方法具体实施方式如下所述：
步骤1：按公式公式(1)—(11)对来自不同通道不同方向的漏磁信号xmfl(n),n＝1,2,···,N，其中N为漏磁信号的采样点数，提取时域、频域和时频域特征。
其中漏磁信号的时域特征有：
(1)漏磁信号的峰峰值Yp:漏磁信号最大幅值和最小幅值的差，则Yp的定义如下：
Yp＝xmfl_max-xmfl_min (1)
式中，xmfl_max和xmfl_min分别表示漏磁信号的最大幅值和最小幅值。
(2)漏磁信号的峰峰距Xp:漏磁信号最大幅值对应采样点数与最小幅值对应采样点数的差的绝对值，则Xp的定义如下所示：
Xp＝|n_max-n_min| (2)
式中，n_max和n_min分别表示漏磁信号最大和最小幅值对应的采样点数。
(3)漏磁信号的面积S:对漏磁信号的时间进行积分，则S的定义如下：
(4)漏磁信号的能量E:漏磁信号的幅值的平方和，则E的定义如下：
(5)微分漏磁信号的峰峰值DYpp:微分漏磁信号的最大幅值和最小幅值的差，则DYpp的定义如下：
x'mfl(n)＝xmfl(n+1)-xmfl(n),n＝1,2,···,N-1 (5)
DYpp＝x′mfl_max-x′mfl_min (6)
式中，x'mfl(n)是微分漏磁信号，x'mfl_max和x'mfl_min分别是微分漏磁信号的最大幅值和最小幅值。
(6)微分漏磁信号的峰峰距DXpp:微分漏磁信号最大幅值对应采样点数与最小幅值对应采样点数的差的绝对值，则DXpp的定义如下所示：
DXpp＝|n'_max-n'_min| (7)
式中，n'_max和n'_min分别表示微分漏磁信号最大和最小幅值对应的采样点数。
(7)漏磁信号的偏度ske:
式中，σ、k3和k2分别表示漏磁信号的方差、三阶中心矩和二阶中心矩。
(8)漏磁信号的峰度kur:
式中，为漏磁信号所有采样点的均值，s为漏磁信号方差的平方。
漏磁信号的频域特征有：
漏磁信号xmfl(n),n＝1,2,···,N的功率谱P的定义如下：
P(n)＝|DFT(xmfl(n))|2,n＝1,2,···N (10)
式中，DFT表示离散傅里叶变换。
漏磁信号的时频域特征有：
首先利用db6小波对漏磁信号做3级小波分解，然后分别计算小波变换系数a3、d2和d3的标准差作为漏磁信号的时频域特征w1、w2和w3，则时频域特征的定于如下：
式中，a3、d2和d3分别是第三级小波分解的轮廓系数、第二级小波分解的细节系数和第三级小波分解的细节系数，和分别是上述系数的均值。
完成以上特征的提取后，将所有的时域特征、功率谱特征的前一半和所有的时频域特征组合生成特征向量F。
步骤2：对于C通道三维霍尔漏磁传感器阵列采集到的漏磁信号，按步骤1提取不同通道不同方向的漏磁信号的训练样本特征向量F1,F2,···,F(C-1)×3+3，分别训练不同通道不同方向漏磁信号对应的SVM分类器SVM1,SVM2,···,SVM(C-1)×3+3；
步骤3：对于一个未知类型的钢轨裂纹，利用C通道三维霍尔漏磁传感器阵列将得到来自不同通道不同方向的(C-1)×3+3的漏磁信号xmfl_1,xmfl_2,···,xmfl_(C-1)×3+3，按照步骤1提取测试样本特征向量，分别送入步骤2中对应通道对应方向的训练好的SVM分类器SVM1,SVM2,···,SVM(C-1)×3+3中，得到该钢轨裂纹在不同SVM分类器下属于不同类别的后验概率值pij,i＝1,2,···,(C-1)×3+3；j＝1,2,···,M，可以得到该裂纹不同通道不同方向的漏磁信号共同的后验概率输出矩阵P如下所示:
式中，R＝(C-1)×3+3，表示一个裂纹所对应的来自不同通道不同方向的漏磁信号的数目，即步骤2中训练的SVM分类器的个数；M表示可能的裂纹的种类数。P中的第i行表示分类器SVMi分类漏磁信号xmfl_i时的后验概率输出，其中概率最大的列标即为样本的预测类别。
步骤4：利用步骤3中基于不同通道不同方向漏磁信号得到的该裂纹属于不同种类裂纹的后验概率pij,i＝1,2,···,(C-1)×3+3；j＝1,2,···,M，计算不同分类器SVMi对漏磁信号xmfl_i分类能力大小的香农熵
Hi(xmfl_i)衡量了分类器SVMi分类漏磁信号xmfl_i时的不确定性，其值越小，该分类器对该样本的分类能力就越强，在进行决策融合时的权值应该越大。可用以下公式计算决策融合时的权重大小：
步骤5：利用步骤4中得到的不同分类器的融合权重大小，该裂纹不同通道不同方向的漏磁信号共同的后验概率输出矩阵P进行加权修正，得到该裂纹不同通道不同方向的漏磁信号共同的加权后验概率输出矩阵P'：
然后对P'中各样本属于各类别的后验概率进行加权融合，得到Pvote:
Pvote中概率最大的列标即是该裂纹的预测类别，即实现了基于多分类器自适应加权的钢轨裂纹识别。
基于以上详细的方法介绍，本发明利用9通道三维霍尔漏磁传感器阵列测量得到的漏磁信号进了图2中第2-19种共18种钢轨裂纹的识别实验，得到以下实验数据：
表1基于单通道单方向漏磁信号训练的SVM分类器的钢轨裂纹平均识别率(训练与测试样本比为4:1)
表2基于单通道单方向漏磁信号训练的SVM分类器的钢轨裂纹平均识别率(训练与测试样本比为1：4)
表1和表2分别是训练样本和测试样本数之比为4：1和1：4时的利用单通道单方向漏磁信号训练的单一SVM分类器对18种钢轨裂纹的平均识别率。从表中可以看出，训练样本和测试样本之比为4:1和1：4对应的利用单通道单方向漏磁信号进行钢轨裂纹识别的最高识别率分别为93.94％和85.73％。
表3基于多分类器自适应加权的钢轨裂纹识别率(训练与测试样本比为4:1)
表4基于多分类器自适应加权的钢轨裂纹识别率(训练与测试样本比为1：4)
表3和表4分别是训练样本和测试样本数之比为4：1和1：4时的基于多分类器自适应加权的钢轨裂纹识别方法下的18种裂纹的识别率。从表中可以看出，训练样本和测试样本之比为4:1和1：4对应的基于多分类器自适应加权的钢轨裂纹识别的平均识别率分别为98.99％和95.20％。
从表1、表3的对比和表2、表4的对比可以发现，无论训练测试样本数之比是4：1还是1：4，基于多分类器自适应加权的钢轨裂纹识别的平均识别率都高于基于单通道单方向漏磁信号的钢轨裂纹识别。
从表1和表2的对比可以发现，当训练测试样本数之比由4：1降低到1：4时，基于单通道单方向漏磁信号进行的钢轨裂纹的平均识别率的下降在4％-26％之间，平均识别率平均下降了10％。从表3和表4的对比可以发现，当训练测试样本数之比由4：1降低到1：4时，基于多分类器自适应加权的钢轨裂纹识别的平均识别率只下降了4％，低于前者的绝大部分的下降率。以上结果说明了基于多分类器自适应加权的钢轨裂纹识别方法在训练样本数较少的情况下，相比于基于单通道单方向漏磁信号的钢轨裂纹识别具有更好的稳健性。
表5基于多分类器自适应加权的钢轨裂纹识别率(训练与测试样本比为1：4；来自不同通道不同方向的6组漏磁信号)
表6基于简单投票法的钢轨裂纹识别率(训练与测试样本比为1：4；来自不同通道不同方向的6组漏磁信号)
表5和表6分别是训练样本和测试样本数之比为1：4时的利用通道4-9的x方向漏磁信号共6组漏磁信号基于多分类器自适应加权的钢轨裂纹识别和基于简单投票法的钢轨裂纹识别的18种钢轨裂纹的识别率。
表7基于多分类器自适应加权的钢轨裂纹识别率(训练与测试样本比为1：4；来自不同通道不同方向的3组漏磁信号)
表8基于简单投票法的钢轨裂纹识别率(训练与测试样本比为1：4；来自不同通道不同方向的3组漏磁信号)
表7和表8分别是训练样本和测试样本数之比为1：4时的利用通道6-8的x方向漏磁信号共3组漏磁信号基于多分类器自适应加权的钢轨裂纹识别和基于简单投票法的钢轨裂纹识别的18种钢轨裂纹的识别率。
从表5-表8可以看出，无论是选择6组漏磁信号还是3组漏磁信号，基于多分类器自适应加权的钢轨裂纹识别方法的平均识别率都高于基于简单投票法的钢轨裂纹识别方法。而且，随着选择的漏磁信号组数的减少，基于多分类器自适应加权的钢轨裂纹识别方法的识别率下降了2.43％，小于基于简单投票法的3.4％的识别率的下降，说明基于多分类器自适应加权的钢轨裂纹识别在漏磁信号通道数减少的情况下的识别率具有更好的稳健性。
由以上数据可以看出，本发明提出的基于多分类器自适应加权的钢轨裂纹识别方法，相比于利用单通道单方向漏磁信号进行的钢轨裂纹识别和基于简单投票发决策融合的钢轨裂纹识别具有更好的识别效果。尤其是在小训练样本条件和较少通道数的漏磁信号条件下，基于多分类器自适应加权的钢轨裂纹识别方法具有更高的稳健性，对于实际工程实践中减少系统的存储空间要求和减少传感器阵列中传感器的数量以进一步降低成本具有重要的作用，证明本发明具有较大的实际应用价值。
Claims (7)
1.一种基于多分类器自适应加权的钢轨裂纹识别方法，其特征在于，包括如下步骤：
步骤1：对不同通道不同方向的漏磁信号进行时域、频域和时频域特征的提取，并将以上特征组合生成特征向量；
步骤2：按步骤1提取不同通道不同方向的漏磁信号的训练样本特征向量，分别训练不同通道不同方向漏磁信号对应的SVM分类器；
步骤3：对于未知类别的钢轨裂纹，将其对应的不同通道不同方向的漏磁信号按照步骤1提取测试样本特征向量，分别送入步骤2中对应通道对应方向的训练好的SVM分类器中，得到该钢轨裂纹在不同SVM分类器下属于不同类别的后验概率值；
步骤4：利用步骤3中基于不同通道不同方向漏磁信号得到的该裂纹属于不同种类裂纹的后验概率，计算不同分类器的香农熵，依次衡量该SVM分类器对于该裂纹的可分性能力的大小，并以此计算不同分类器融合识别时的融合权重的大小；
步骤5：利用步骤4中得到的不同分类器的融合权重大小，对多分类器的钢轨裂纹识别结果进行自适应加权融合识别，得到基于多分类器自适应加权的钢轨裂纹识别结果。
2.如权利要求1所述的基于多分类器自适应加权的钢轨裂纹识别方法，其特征在于，步骤1：对来自不同通道不同方向的漏磁信号xmfl(n),n＝1,2,…,N，其中N为漏磁信号的采样点数，提取时域、频域和时频域特征。
其中漏磁信号的时域特征有：
(1)漏磁信号的峰峰值Yp
(2)漏磁信号的峰峰距Xp
(3)漏磁信号的面积S
(4)漏磁信号的能量E
(5)微分漏磁信号的峰峰值DYpp
(6)微分漏磁信号的峰峰距DXpp
(7)漏磁信号的偏度ske
(8)漏磁信号的峰度kur
漏磁信号的频域特征包括漏磁信号xmfl(n),n＝1,2,…，N的功率谱P；
漏磁信号的时频域特征：首先利用db6小波对漏磁信号做3级小波分解，然后分别计算小波变换系数a3、d2和d3的标准差作为漏磁信号的时频域特征w1、w2和w3。
3.如权利要求1所述的基于多分类器自适应加权的钢轨裂纹识别方法，其特征在于，完成特征的提取后，将所有的时域特征、功率谱特征的前一半和所有的时频域特征组合生成特征向量F。
4.如权利要求1所述的基于多分类器自适应加权的钢轨裂纹识别方法，其特征在于，对于C通道三维霍尔漏磁传感器阵列采集到的漏磁信号，按步骤1提取不同通道不同方向的漏磁信号的训练样本特征向量F1,F2,…,F(C-1)×3+3，分别训练不同通道不同方向漏磁信号对应的SVM分类器SVM1,SVM2,…,SVM(C-1)×3+3。
5.如权利要求1所述的基于多分类器自适应加权的钢轨裂纹识别方法，其特征在于，对于一个未知类型的钢轨裂纹，利用C通道三维霍尔漏磁传感器阵列将得到来自不同通道不同方向的(C-1)×3+3的漏磁信号xmfl_1,xmfl_2,…,xmfl_(C-1)×3+3，按照步骤1提取测试样本特征向量，分别送入步骤2中对应通道对应方向的训练好的SVM分类器SVM1,SVM2,…,SVM(C-1)×3+3中，得到该钢轨裂纹在不同SVM分类器下属于不同类别的后验概率值pij,i＝1,2,…,(C-1)×3+3；j＝1,2,…,M，可以得到该裂纹不同通道不同方向的漏磁信号共同的后验概率输出矩阵P。
6.如权利要求1所述的基于多分类器自适应加权的钢轨裂纹识别方法，其特征在于，利用步骤3中基于不同通道不同方向漏磁信号得到的该裂纹属于不同种类裂纹的后验概率pij,i＝1,2,…,(C-1)×3+3；j＝1,2,…,M，计算不同分类器SVMi对漏磁信号xmfl_i分类能力大小的香农熵
<mrow>
<msub>
<mi>H</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>f</mi>
<mi>l</mi>
<mo>_</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>log</mi>
<mn>2</mn>
</msub>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>R</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
Hi(xmfl_i)衡量了分类器SVMi分类漏磁信号xmfl_i时的不确定性，其值越小，该分类器对该样本的分类能力就越强，在进行决策融合时的权值应该越大；可用以下公式计算决策融合时的权重大小：
<mrow>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<mi>H</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>f</mi>
<mi>l</mi>
<mo>_</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>R</mi>
</munderover>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>f</mi>
<mi>l</mi>
<mo>_</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
7.如权利要求1所述的基于多分类器自适应加权的钢轨裂纹识别方法，其特征在于，利用步骤4中得到的不同分类器的融合权重大小，该裂纹不同通道不同方向的漏磁信号共同的后验概率输出矩阵P进行加权修正，得到该裂纹不同通道不同方向的漏磁信号共同的加权后验概率输出矩阵P'：
然后对P'中各样本属于各类别的后验概率进行加权融合，得到Pvote:
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>v</mi>
<mi>o</mi>
<mi>t</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>&lsqb;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>R</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>R</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>R</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>M</mi>
</mrow>
</msub>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>16</mn>
<mo>)</mo>
</mrow>
</mrow>
Pvote中概率最大的列标即是该裂纹的预测类别，即实现了基于多分类器自适应加权的钢轨裂纹识别。
<mrow>
<mi>C</mi>
<mi>l</mi>
<mi>a</mi>
<mi>s</mi>
<mi>s</mi>
<mo>=</mo>
<munder>
<mrow>
<mi>arg</mi>
<mi> </mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>M</mi>
</mrow>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>R</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>17</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710931032.7A CN107818335A (zh) | 2017-10-09 | 2017-10-09 | 一种基于多分类器自适应加权的钢轨裂纹识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710931032.7A CN107818335A (zh) | 2017-10-09 | 2017-10-09 | 一种基于多分类器自适应加权的钢轨裂纹识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107818335A true CN107818335A (zh) | 2018-03-20 |
Family
ID=61607789
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710931032.7A Pending CN107818335A (zh) | 2017-10-09 | 2017-10-09 | 一种基于多分类器自适应加权的钢轨裂纹识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107818335A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108872241A (zh) * | 2018-03-30 | 2018-11-23 | 南京航空航天大学 | 一种基于svm算法的机车轮对踏面损伤检测方法 |
| CN109459489A (zh) * | 2018-10-22 | 2019-03-12 | 金陵科技学院 | 一种基于磁记忆检测原理的电梯裂纹检测方法 |
| CN109522715A (zh) * | 2018-11-07 | 2019-03-26 | 浙江大学华南工业技术研究院 | 一种面向安全智能电网的数据融合分类方法与系统 |
| CN109784383A (zh) * | 2018-12-28 | 2019-05-21 | 南京航空航天大学 | 一种基于图域特征和ds证据理论融合的钢轨裂纹识别方法 |
| CN110138681A (zh) * | 2019-04-19 | 2019-08-16 | 上海交通大学 | 一种基于tcp报文特征的网络流量识别方法及装置 |
| CN112034036A (zh) * | 2020-10-16 | 2020-12-04 | 中国铁道科学研究院集团有限公司 | 钢轨漏磁信号滤波方法及装置 |
| CN112771548A (zh) * | 2018-09-14 | 2021-05-07 | 特斯拉公司 | 用于获取训练数据的系统和方法 |
| CN113536947A (zh) * | 2021-06-21 | 2021-10-22 | 中山市希道科技有限公司 | 一种人脸属性分析方法及装置 |
| CN116740004A (zh) * | 2023-06-01 | 2023-09-12 | 中南大学 | 一种提高缺陷检测能力的多轮多模型融合检测方法 |
| WO2023193304A1 (zh) * | 2022-04-08 | 2023-10-12 | 清华大学 | 基于数据融合的裂纹检测方法及检测装置、存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102646200A (zh) * | 2012-03-08 | 2012-08-22 | 武汉大学 | 多分类器自适应权值融合的影像分类方法及系统 |
| CN102735747A (zh) * | 2012-04-10 | 2012-10-17 | 南京航空航天大学 | 高速铁路钢轨高速漏磁巡检的缺陷定量识别方法 |
-
2017
- 2017-10-09 CN CN201710931032.7A patent/CN107818335A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102646200A (zh) * | 2012-03-08 | 2012-08-22 | 武汉大学 | 多分类器自适应权值融合的影像分类方法及系统 |
| CN102735747A (zh) * | 2012-04-10 | 2012-10-17 | 南京航空航天大学 | 高速铁路钢轨高速漏磁巡检的缺陷定量识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| SON S W ET AL.: "Fatigue life prediction of a railway hollow axle with a tapered bore surface", 《ENGINEERING FAILURE ANALYSIS》 * |
| 王晓丹 等: "基于熵的自适应加权投票HRRP融合识别方法", 《系统工程与电子技术》 * |
| 蹇清平 等: "基于支持向量机的油管内外表面缺陷识别方法", 《机械科学与技术》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108872241A (zh) * | 2018-03-30 | 2018-11-23 | 南京航空航天大学 | 一种基于svm算法的机车轮对踏面损伤检测方法 |
| CN112771548A (zh) * | 2018-09-14 | 2021-05-07 | 特斯拉公司 | 用于获取训练数据的系统和方法 |
| CN112771548B (zh) * | 2018-09-14 | 2024-06-04 | 特斯拉公司 | 用于获取训练数据的系统和方法 |
| CN109459489A (zh) * | 2018-10-22 | 2019-03-12 | 金陵科技学院 | 一种基于磁记忆检测原理的电梯裂纹检测方法 |
| CN109522715A (zh) * | 2018-11-07 | 2019-03-26 | 浙江大学华南工业技术研究院 | 一种面向安全智能电网的数据融合分类方法与系统 |
| CN109784383A (zh) * | 2018-12-28 | 2019-05-21 | 南京航空航天大学 | 一种基于图域特征和ds证据理论融合的钢轨裂纹识别方法 |
| CN109784383B (zh) * | 2018-12-28 | 2023-05-26 | 南京航空航天大学 | 一种基于图域特征和ds证据理论融合的钢轨裂纹识别方法 |
| CN110138681A (zh) * | 2019-04-19 | 2019-08-16 | 上海交通大学 | 一种基于tcp报文特征的网络流量识别方法及装置 |
| CN112034036A (zh) * | 2020-10-16 | 2020-12-04 | 中国铁道科学研究院集团有限公司 | 钢轨漏磁信号滤波方法及装置 |
| CN112034036B (zh) * | 2020-10-16 | 2023-11-17 | 中国铁道科学研究院集团有限公司 | 钢轨漏磁信号滤波方法及装置 |
| CN113536947A (zh) * | 2021-06-21 | 2021-10-22 | 中山市希道科技有限公司 | 一种人脸属性分析方法及装置 |
| WO2023193304A1 (zh) * | 2022-04-08 | 2023-10-12 | 清华大学 | 基于数据融合的裂纹检测方法及检测装置、存储介质 |
| CN116740004A (zh) * | 2023-06-01 | 2023-09-12 | 中南大学 | 一种提高缺陷检测能力的多轮多模型融合检测方法 |
| CN116740004B (zh) * | 2023-06-01 | 2024-01-30 | 中南大学 | 一种提高缺陷检测能力的多轮多模型融合检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107818335A (zh) | 一种基于多分类器自适应加权的钢轨裂纹识别方法 | |
| CN107621626B (zh) | 基于深度卷积神经网络的雷达信号铁路路基病害检测方法 | |
| CN103632168B (zh) | 一种机器学习中的分类器集成方法 | |
| CN109344905A (zh) | 一种基于集成学习的输电设备自动故障识别方法 | |
| CN102163281B (zh) | 基于AdaBoost框架和头部颜色的实时人体检测方法 | |
| CN109767427A (zh) | 列车轨道扣件缺陷的检测方法 | |
| US20180039865A1 (en) | Analog circuit fault mode classification method | |
| CN104599280B (zh) | 一种道路裂缝交叉点提取方法及系统 | |
| CN110399816A (zh) | 一种基于Faster R-CNN的高速列车车底异物检测方法 | |
| CN109784383B (zh) | 一种基于图域特征和ds证据理论融合的钢轨裂纹识别方法 | |
| CN102034107B (zh) | 基于鲁棒视觉注意特征与稀疏表示的不良图像判别方法 | |
| CN102735747A (zh) | 高速铁路钢轨高速漏磁巡检的缺陷定量识别方法 | |
| CN110717464B (zh) | 一种基于雷达数据的铁路路基病害智能识别方法 | |
| CN101930549B (zh) | 基于第二代曲线波变换的静态人体检测方法 | |
| CN111754463B (zh) | 一种基于卷积神经网络的无砟轨道ca砂浆层缺陷检测方法 | |
| CN102867195B (zh) | 一种遥感图像多类目标检测和识别方法 | |
| CN101398846A (zh) | 基于局部颜色空间特征的图像语义概念检测的方法 | |
| CN110133049A (zh) | 基于电子鼻和机器视觉的茶叶等级快速无损检测方法 | |
| CN104766097A (zh) | 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 | |
| CN103310235B (zh) | 一种基于参数识别与估计的隐写分析方法 | |
| CN112215803B (zh) | 一种基于改进生成对抗网络的铝板电涡流检测图像缺陷分割方法 | |
| CN106250913B (zh) | 一种基于局部典型相关分析的分类器集成车牌识别方法 | |
| Xu et al. | Rail defect detection method based on recurrent neural network | |
| CN109360188A (zh) | 一种高铁接触网等电位线不良状态的检测方法 | |
| CN103679161A (zh) | 一种人脸识别方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180320 |
|
| RJ01 | Rejection of invention patent application after publication |