CN111461288B - 一种轨道几何参数全速段检测方法及系统 - Google Patents
一种轨道几何参数全速段检测方法及系统 Download PDFInfo
- Publication number
- CN111461288B CN111461288B CN202010134045.3A CN202010134045A CN111461288B CN 111461288 B CN111461288 B CN 111461288B CN 202010134045 A CN202010134045 A CN 202010134045A CN 111461288 B CN111461288 B CN 111461288B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- rule
- detection
- neural network
- track
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 106
- 238000013528 artificial neural network Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000010606 normalization Methods 0.000 claims abstract description 21
- 238000000691 measurement method Methods 0.000 claims abstract description 20
- 238000007430 reference method Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 28
- 238000010276 construction Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000004806 packaging method and process Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000005538 encapsulation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Automation & Control Theory (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种轨道几何参数全速段检测方法及系统，该方法的步骤包括：基于搭建的标准轨道，运行搭载四点弦测法与惯性基准法的轨道检测车，对轨道几何参数进行检测，建立轨道几何参数数据库；对检测数据进行异常值的识别与修正，采用区间归一化法对检测数据进行归一化处理，完成检测数据的预处理；搭建模糊神经网络并进行网络训练；检查神经网络，对网络节点参数进行深度调整；封装网络模型。本发明将深度学习技术与现代轨道几何参数检测研究有机结合，具有较高的检测精度和鲁棒性，同时将检测区段进行进一步的扩展，使其适用于列车运行的全速段，实现高低轨向的高精度检测。
Description
技术领域
本发明涉及轨道参数检测技术领域，具体涉及一种轨道几何参数全速段检测方法及系统。
背景技术
目前，在轨道几何参数检测方法上大都基于惯性基准法或四点弦测法中的一种。对于惯性基准而言，这种方法的局限性在于在高速状态下精度较高，中低速精度较差。对于四点弦测法而言，这种方法的缺点是在低速下所测精度较高，高速状态下很不理想。因此，由于受到速度的影响，上述两种方法在不同速度下表现出不同的系统误差，且误差大小在可接受范围之外。若通过简单的结合，即所测数据求取平均值等，是缺乏科学性的，在列车运行过程中，在速度由低速向高速变化这一速度模糊过渡路段，不同速度下上述两种方法所分配的计算权值当有所调整。
在现有的智能检测方法中，人工神经网络(ANN)的应用最为广泛，然而，针对轨道几何参数全速段检测问题，速度量做为网络的一项输入，速度的相对快慢是一项模糊量，直接将其作为网络的输入，无法准确描述速度的快慢进而更新网络权值，因此，普通的神经网络在一定程度上不适用。
发明内容
为了克服现有技术存在的缺陷与不足，本发明提供一种轨道几何参数全速段检测方法及系统，本发明将深度学习技术与现代轨道几何参数检测研究有机结合，克服了因速度因素导致的算法系统误差，与传统的单一算法检测轨道几何参数相比，本发明具有较高的检测精度和鲁棒性，同时将检测区段进行进一步的扩展，使其适用于列车运行的全速段，实现全速段几何参数的高精度检测。
为了达到上述目的，本发明采用以下技术方案：
本发明提供一种轨道几何参数全速段检测方法，包括下述步骤：
运行搭载四点弦测法与惯性基准法的轨道检测车，对轨道几何参数进行检测，建立轨道几何参数数据库；
对检测数据进行异常值的识别与修正，对检测数据进行归一化处理，完成检测数据的预处理；
构建模糊神经网络并进行网络训练；
检查模糊神经网络，对模糊神经网络节点参数进行调整；
封装模糊神经网络模型。
作为优选的技术方案，所述对检测数据进行异常值的识别与修正，采用MAD算法剔除异常值，具体步骤为：
计算所有数据的中位值Xmedian；
计算所有数据与中位值的绝对偏差bias＝|Xi-Xmedian|；
取得绝对偏差的中位值MAD＝biasmedian；
确定比例参数n，对数据进行调整，调整数据表示为：
作为优选的技术方案，所述对检测数据进行归一化处理，采用区间归一化法对检测数据进行归一化处理，具体步骤为：
确定样本数据Y的最大值Max和最小值Min；
确定归一化区间[a，b]；
计算系数
得到归一化数据Y*＝a+k(Y-Min)。
作为优选的技术方案，所述构建模糊神经网络并进行网络训练，具体步骤为：
结合模糊逻辑搭建模糊神经网络，对检测数据进行非线性拟合；
构建模糊神经网络的输入层、输入变量的隶属函数层、规则强度释放层、规则强度归一化层、模糊规则输出层和网络输出层；
所述模糊神经网络采用最小二乘加反向误差传播混合算法进行学习训练，将误差由输出端反向传到输入端，运用梯度下降法，通过与输出标准值对比作监督训练，不断更新对应节点参数以及前件参数。
作为优选的技术方案，所述输入层的输入量为速度、四点弦测法检测结果和惯性基准法检测结果，设定速度的语言变量为V，设定四点弦测法检测结果的语言变量为R1，设定惯性基准法检测结果的语言变量为R2；
所述隶属函数层选取高斯函数作为激活函数，得到V、R1、R2的模糊子集以及对应的模糊语言子集，所述激活函数表示为：
其中，aij和σij分别表示为隶属函数的中心点和宽度，是网络的前件参数；
所述规则强度释放层，节点个数为模糊规则数，对应节点个数为125条，输出为对应条规则可信度，表示为：
所述规则强度归一化层表示为：
所述模糊规则输出层根据速度大小与检测结果的关系，建立模糊推理规则，通过与输出标准值对比，进行监督训练，不断更新对应节点模糊度，所述模糊推理规则表示为：
fk＝pk1x1+pk2x2+pk3x3+qk
其中，{pk1,pk2,pk3,qk}为节点的参数集，是后件参数；
所述网络输出层输出高低参数检测结果，表示为：
作为优选的技术方案，所述模糊神经网络采用最小二乘加反向误差传播混合算法进行学习训练，具体步骤为：
采用最小二乘法计算后件参数：
计算均方差最小下的X0：
X°＝(ATA)-1ATf
采用反向传播算法计算计算公式如下：
其中，yt为期望输出，yi为实际输出；
隶属函数各参数更新公式如下：
其中，θa，θσ表示网络的学习速率。
本发明还提供一种轨道几何参数全速段检测系统，包括：轨道几何参数数据库构建模块、检测数据预处理模块、模糊神经网络构建模块、网络训练模块、网络检查模块和封装模块；
所述轨道几何参数数据库构建模块用于运行搭载四点弦测法与惯性基准法的轨道检测车，对轨道几何参数进行检测，建立轨道几何参数数据库；
所述检测数据预处理模块用于对检测数据进行异常值的识别与修正，对检测数据进行归一化处理；
所述模糊神经网络构建模块用于构建模糊神经网络；
所述网络训练模块用于训练模糊神经网络；
所述网络检查模块用于检查模糊神经网络，对模糊神经网络节点参数进行调整；
所述封装模块用于封装模糊神经网络模型。
作为优选的技术方案，所述模糊神经网络设置有模糊神经网络的输入层、输入变量的隶属函数层、规则强度释放层、规则强度归一化层、模糊规则输出层和网络输出层。
本发明与现有技术相比，具有如下优点和有益效果：
(1)本发明将深度学习技术与现代轨道不平顺参数检测研究有机结合，通过将惯性基准法所测数据和四点弦测法所测数据输入搭建的自适应模糊神经网络，调节两个测量值的输出比例，进而输出综合检测结果，克服了因速度因素导致的算法系统误差，具有较高的检测精度和鲁棒性。
(2)与传统的单一算法检测轨道几何参数相比，本发明提高了检测的精度，同时将检测区段进行进一步的扩展，四点弦测法适用于低速段，惯性基准法适用于高速段，本发明适用于速度从低速到高速的过渡速段，从而使其适用于列车运行的全速段，实现全速段轨道不平顺参数的高精度检测。
附图说明
图1为本实施例轨道几何参数全速段检测方法的流程示意图；
图2为本实施例模糊神经网络的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
如图1所示，本实施例提供一种轨道几何参数全速段检测方法，包括下述步骤：
S1:基于搭建的标准轨道，运行搭载四点弦测法与惯性基准法的轨道检测车，通过轨检车搭载的惯性传感器和激光传感器，采集姿态数据和轨道轮廓数据，发送至上位机软件处理，得到两种算法下的检测结果，实现对轨道的高低、轨向两个不平顺几何参数的进行检测，基于Windows系统搭建SQL数据库，将采集到的数据进行存储，建立轨道几何参数数据库；
S2：将实测数据作为样本数据，对样本数据进行异常值的识别与修正，剔除离群干扰点，同时利用区间归一化法对数据进行归一化处理，完成数据的预处理；
在本实施例中，轨检车作业时受各种不确定因素影响，检测数据会出现离群异常值，不能正确反映轨道参数状况，因此在将数据输入网络前时需要先识别并修正异常值，本实施例剔除离群点利用MAD算法剔除异常值，具体步骤如下：
(1)计算所有数据的中位值Xmedian；
(2)计算所有数据与中位值的绝对偏差bias＝|Xi-Xmedian|；
(3)取得绝对偏差的中位值MAD＝biasmedian；
(4)根据检测经验，确定比例参数n，则可以对所有的数据作如下调整：
在本实施例中，由于各个参数的数值和单位均不相同，采用区间归一化法，对数据进行归一化处理，具体步骤如下：
(1)找到样本数据Y的最大值Max和最小值Min；
(2)确定归一化区间[a，b]；
(3)计算系数
(4)得到归一化数据Y*＝a+k(Y-Min)；
S3：构建模糊神经网络并训练；
获得多组已剔除离群点并归一化处理的样本数据，基于Python的TensorFlow库，结合模糊逻辑搭建模糊神经网络(FNN)，利用自适应神经网络的非线性拟合特点，对检测数据进行非线性拟合，使检测结果逐步逼近真实值；
如图2所示，模糊神经网络的第一层为输入层，将预处理数据输入网络，确定输入变量的个数以及数值；输入量为速度、四点弦测法高低参数检测结果和惯性基准法高低参数检测结果，设定速度的语言变量为V，设定四点弦测法检测结果的语言变量为R1，设定惯性基准法检测结果的语言变量为R2；
网络的第二层为输入变量的隶属函数层，实现输入变量的模糊化，得到V、R1、R2的模糊子集以及对应的模糊语言子集，具体为：V{负大(NB)负小(NS)、零(O)、正小(PS)、正大(PB)}，R1{负大(NB)、负小(NS)、零(O)、正小(PS)、正大(PB)}，R2{负大(NB)、负小(NS)、零(O)、正小(PS)、正大(PB)}；
本实施例经过测试，选取高斯函数作为激活函数的效果最好，高斯隶属函数如下：
其中，aij和σij分别表示为隶属函数的中心点和宽度，是网络的前件参数；
第三层为规则强度释放层，节点个数为模糊规则数，对应个数为5*5*5＝125条，输出为该条规则可信度，表示为：
第四层为规则强度归一化层，表示为：
网络第五层为模糊规则输出层，模糊规则输出层根据速度大小与检测结果的关系，建立模糊推理规则，通过与输出标准值对比，进行监督训练，不断更新对应节点模糊度，在本实施例中，模糊规则设置为：fk＝pk1x1+pk2x2+pk3x3+qk
其中，{pk1,pk2,pk3,qk}为节点的参数集，是后件参数，网络通过学习自动生成模糊规则，避免因人为选择规定造成的误差；
第六层为网络的输出层，输出为综合算法的高低参数检测结果，表示为：
网络的学习算法使用最小二乘加反向误差传播混合算法，将误差由输出端反向传到输入端，运用梯度下降法，通过与输出标准值对比作监督训练，不断更新对应节点参数以及前件参数，混合学习算法可以分为两个步骤：
(1)用最小二乘法计算后件参数：
计算均方差最小下的X°。
X°＝(ATA)-1ATf
(2)用反向传播算法计算
计算公式如下：
其中，yt为期望输出，yi为实际输出；
隶属函数各参数更新公式如下：
其中θa，θσ表示网络的学习速率；
S4：检查神经网络，对网络节点参数进行深度调整；
本实施例设计3组实验用于检查神经网络准确性以及鲁棒性，以人工静态测量数据作为检测的标准对比值。
第一组精度性实验：固定标准值，记录20次不同速度下各算法的检测误差，用于检验网络精度；
第二组鲁棒性实验：固定标准值，固定行驶速度。记录10次相同速度下各算法的检测误差，用于检验网络鲁棒性；
第三组一般性实验；记录20组不同标准值下各算法的检测误差，用于检验网络检测的一般性；
S5：封装网络模型：
将训练好的网络模型采用PyInstalller进行封装，生成可执行文件，运行于搭载轨检系统的工控机平台，轨检车运行过程中，采集姿态数据和轨道表面轮廓数据，计算四点弦测法高低结果和惯性基准法高低检测结果，输入网络用于计算。
本实施例还提供一种轨道几何参数全速段检测系统，包括：轨道几何参数数据库构建模块、检测数据预处理模块、模糊神经网络构建模块、网络训练模块、网络检查模块和封装模块；
在本实施例中，轨道几何参数数据库构建模块用于运行搭载四点弦测法与惯性基准法的轨道检测车，对轨道几何参数进行检测，建立轨道几何参数数据库；
在本实施例中，检测数据预处理模块用于对检测数据进行异常值的识别与修正，对检测数据进行归一化处理；
在本实施例中，模糊神经网络构建模块用于构建模糊神经网络；
在本实施例中，网络训练模块用于训练模糊神经网络；
在本实施例中，网络检查模块用于检查模糊神经网络，对模糊神经网络节点参数进行调整；
在本实施例中，封装模块用于封装模糊神经网络模型。
在本实施例中，模糊神经网络设置有模糊神经网络的输入层、输入变量的隶属函数层、规则强度释放层、规则强度归一化层、模糊规则输出层和网络输出层。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (6)
1.一种轨道几何参数全速段检测方法，其特征在于，包括下述步骤：
运行搭载四点弦测法与惯性基准法的轨道检测车，对轨道几何参数进行检测，建立轨道几何参数数据库；
对检测数据进行异常值的识别与修正，对检测数据进行归一化处理，完成检测数据的预处理；
构建模糊神经网络并进行网络训练；
结合模糊逻辑搭建模糊神经网络，对检测数据进行非线性拟合；
构建模糊神经网络的输入层、输入变量的隶属函数层、规则强度释放层、规则强度归一化层、模糊规则输出层和网络输出层；
所述模糊神经网络采用最小二乘加反向误差传播混合算法进行学习训练，将误差由输出端反向传到输入端，运用梯度下降法，通过与输出标准值对比作监督训练，不断更新对应节点参数以及前件参数；
所述输入层的输入量为速度、四点弦测法检测结果和惯性基准法检测结果，设定速度的语言变量为V，设定四点弦测法检测结果的语言变量为R1，设定惯性基准法检测结果的语言变量为R2；
所述隶属函数层选取高斯函数作为激活函数，得到V、R1、R2的模糊子集以及对应的模糊语言子集，所述激活函数表示为：
其中，aij和σij分别表示为隶属函数的中心点和宽度，是网络的前件参数；
所述规则强度释放层，节点个数为模糊规则数，对应节点个数为125条，输出为对应条规则可信度，表示为：
所述规则强度归一化层表示为：
所述模糊规则输出层根据速度大小与检测结果的关系，建立模糊推理规则，通过与输出标准值对比，进行监督训练，不断更新对应节点模糊度，所述模糊推理规则表示为：
fk＝pk1x1+pk2x2+pk3x3+qk
其中，{pk1,pk2,pk3,qk}为节点的参数集；
所述网络输出层输出高低参数检测结果，表示为：
检查模糊神经网络，对模糊神经网络节点参数进行调整；
封装模糊神经网络模型。
2.根据权利要求1所述的轨道几何参数全速段检测方法，其特征在于，所述对检测数据进行异常值的识别与修正，采用MAD算法剔除异常值，具体步骤为：
计算所有数据的中位值Xmedian；
计算所有数据与中位值的绝对偏差bias＝|Xi-Xmedian|；
取得绝对偏差的中位值MAD＝biasmedian；
确定比例参数n，对数据进行调整，调整数据表示为：
3.根据权利要求1所述的轨道几何参数全速段检测方法，其特征在于，所述对检测数据进行归一化处理，采用区间归一化法对检测数据进行归一化处理，具体步骤为：
确定样本数据Y的最大值Max和最小值Min；
确定归一化区间[a，b]；
计算系数
得到归一化数据Y*＝a+k(Y-Min)。
4.根据权利要求1所述的轨道几何参数全速段检测方法，其特征在于，所述模糊神经网络采用最小二乘加反向误差传播混合算法进行学习训练，具体步骤为：
采用最小二乘法计算后件参数：
计算均方差最小下的X°：
X°＝(ATA)-1ATfk
其中，fk表示模糊推理规则；
采用反向传播算法计算计算公式如下：
其中，yt为期望输出，yi为实际输出；
隶属函数各参数更新公式如下：
其中，θa，θσ表示网络的学习速率。
5.一种轨道几何参数全速段检测系统，其特征在于，包括：轨道几何参数数据库构建模块、检测数据预处理模块、模糊神经网络构建模块、网络训练模块、网络检查模块和封装模块；
所述轨道几何参数数据库构建模块用于运行搭载四点弦测法与惯性基准法的轨道检测车，对轨道几何参数进行检测，建立轨道几何参数数据库；
所述检测数据预处理模块用于对检测数据进行异常值的识别与修正，对检测数据进行归一化处理；
所述模糊神经网络构建模块用于构建模糊神经网络；
所述网络训练模块用于训练模糊神经网络；
结合模糊逻辑搭建模糊神经网络，对检测数据进行非线性拟合；
构建模糊神经网络的输入层、输入变量的隶属函数层、规则强度释放层、规则强度归一化层、模糊规则输出层和网络输出层；
所述模糊神经网络采用最小二乘加反向误差传播混合算法进行学习训练，将误差由输出端反向传到输入端，运用梯度下降法，通过与输出标准值对比作监督训练，不断更新对应节点参数以及前件参数；
所述输入层的输入量为速度、四点弦测法检测结果和惯性基准法检测结果，设定速度的语言变量为V，设定四点弦测法检测结果的语言变量为R1，设定惯性基准法检测结果的语言变量为R2；
所述隶属函数层选取高斯函数作为激活函数，得到V、R1、R2的模糊子集以及对应的模糊语言子集，所述激活函数表示为：
其中，aij和σij分别表示为隶属函数的中心点和宽度，是网络的前件参数；
所述规则强度释放层，节点个数为模糊规则数，对应节点个数为125条，输出为对应条规则可信度，表示为：
所述规则强度归一化层表示为：
所述模糊规则输出层根据速度大小与检测结果的关系，建立模糊推理规则，通过与输出标准值对比，进行监督训练，不断更新对应节点模糊度，所述模糊推理规则表示为：
fk＝pk1x1+pk2x2+pk3x3+qk
其中，{pk1,pk2,pk3,qk}为节点的参数集；
所述网络输出层输出高低参数检测结果，表示为：
所述网络检查模块用于检查模糊神经网络，对模糊神经网络节点参数进行调整；
所述封装模块用于封装模糊神经网络模型。
6.根据权利要求5所述的轨道几何参数全速段检测系统，其特征在于，所述模糊神经网络设置有模糊神经网络的输入层、输入变量的隶属函数层、规则强度释放层、规则强度归一化层、模糊规则输出层和网络输出层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010134045.3A CN111461288B (zh) | 2020-03-02 | 2020-03-02 | 一种轨道几何参数全速段检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010134045.3A CN111461288B (zh) | 2020-03-02 | 2020-03-02 | 一种轨道几何参数全速段检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111461288A CN111461288A (zh) | 2020-07-28 |
| CN111461288B true CN111461288B (zh) | 2023-10-31 |
Family
ID=71679992
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010134045.3A Active CN111461288B (zh) | 2020-03-02 | 2020-03-02 | 一种轨道几何参数全速段检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111461288B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113358053B (zh) * | 2021-04-27 | 2023-02-24 | 中车青岛四方机车车辆股份有限公司 | 轨道不平顺检测评估系统、方法、电子设备及轨道车辆 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103336992A (zh) * | 2013-06-27 | 2013-10-02 | 电子科技大学 | 一种模糊神经网络学习算法 |
| CN109102066A (zh) * | 2018-07-12 | 2018-12-28 | 山东师范大学 | 基于模糊推理的在线时序数据预测方法、系统及存储介质 |
-
2020
- 2020-03-02 CN CN202010134045.3A patent/CN111461288B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103336992A (zh) * | 2013-06-27 | 2013-10-02 | 电子科技大学 | 一种模糊神经网络学习算法 |
| CN109102066A (zh) * | 2018-07-12 | 2018-12-28 | 山东师范大学 | 基于模糊推理的在线时序数据预测方法、系统及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111461288A (zh) | 2020-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Abdulshahed et al. | The application of ANFIS prediction models for thermal error compensation on CNC machine tools | |
| CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
| CN105783779A (zh) | 基于三层匹配的钢轨轮廓实时形态识别与失真校准方法 | |
| CN111461288B (zh) | 一种轨道几何参数全速段检测方法及系统 | |
| CN113188794B (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
| CN111401358A (zh) | 一种基于神经网络的仪表表盘校正方法 | |
| CN113411744A (zh) | 一种高精度的室内定位追踪方法 | |
| CN114964313A (zh) | 一种基于rvm的光纤陀螺温度补偿方法 | |
| CN113420590B (zh) | 弱纹理环境下的机器人定位方法、装置、设备及介质 | |
| Zhu et al. | Accurate position estimation of mobile robot based on cyber-physical-social systems (CPSS) | |
| CN112819087B (zh) | 一种基于模块化神经网络的出水bod传感器异常检测方法 | |
| CN112417598A (zh) | 一种多源融合的车辆状态并联估计方法 | |
| CN111239715B (zh) | 一种联合灰色关联和神经网络的指纹定位方法 | |
| CN109341650B (zh) | 一种基于最小检测代价的无人机高程误差双门限修正方法 | |
| CN108168459B (zh) | 一种汽车轮毂识别匹配方法 | |
| CN114781056B (zh) | 一种基于特征匹配的飞机整机外形测量方法 | |
| CN111898732B (zh) | 基于深度卷积神经网络的超声波测距补偿方法 | |
| CN109916484B (zh) | 称重设备联合称重方法及装置 | |
| CN115099123A (zh) | 数据与机理融合的卷绕机锭轴装配精度预测方法 | |
| Huang et al. | Study on obstacle avoidance of AGV based on fuzzy neural network | |
| Brillowski et al. | Overcoming Data Scarcity in the Quality Control of Safety-Critical Fibre-Reinforced Composites by means of Transfer and Curriculum Learning | |
| Makarov et al. | Researcing the Fault Tolerance of Robotic System Designed via Use of Neural Network Decision Making Component of Image Processing | |
| CN113093730B (zh) | 一种基于状态策略知识库指导的智能体自主避障方法 | |
| CN110926361B (zh) | 一种检测轨冠饱满度的数值计算方法 | |
| Chang et al. | WiCRF2: Multi-Weighted LiDAR Odometry and Mapping With Motion Observability Features |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |