CN112308824B - 基于轨道几何检测数据的曲线半径分类识别方法及装置 - Google Patents
基于轨道几何检测数据的曲线半径分类识别方法及装置 Download PDFInfo
- Publication number
- CN112308824B CN112308824B CN202011129409.5A CN202011129409A CN112308824B CN 112308824 B CN112308824 B CN 112308824B CN 202011129409 A CN202011129409 A CN 202011129409A CN 112308824 B CN112308824 B CN 112308824B
- Authority
- CN
- China
- Prior art keywords
- data
- curve radius
- curve
- norm
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于轨道几何检测数据的曲线半径分类识别方法及装置,该方法包括:根据轨道台账数据和轨道几何检测数据,制作曲线半径识别标准数据库;对多条曲线的多个分段数据分别进行多维度特征提取和曲线半径类别标注;基于多维特征向量和标注的曲线半径类别,训练稀疏约束的Lp范数LDA模型,在训练时对模型的参数进行迭代求解,获得稀疏约束的Lp范数LDA模型的投影向量,对每个分段数据的多维特征向量进行高维映射,获得分段数据的多维特征向量对应的曲线半径类别;在获得新的轨道几何检测数据后,提取其多维特征向量并输入至训练好的稀疏约束的Lp范数LDA模型中,获得曲线半径类别。本发明对曲线半径进行分类识别的准确度高。
Description
技术领域
本发明涉及基础设施技术领域,尤其涉及一种基于轨道几何检测数据的曲线半径分类识别方法及装置。
背景技术
轨道指用条形的钢材铺成的供火车、电车等行驶的路线,它的作用是引导机车车辆运行,直接承受由车轮传来的荷载,并把它传给路基或桥隧建筑物。轨道必须坚固稳定,并具有正确的几何形位,以确保机车车辆的运行安全。轨道几何形位是指轨道各部分的几何形状、相对位置和基本尺寸。轨道几何形位正确与否,对机车车辆的安全运行、乘客的旅行舒适度、设备的使用寿命和养护费用起着决定性作用。
列车在曲线线路上运行时,应保证抗倾覆安全系数达到一定的数值,抗倾覆安全系数与曲线半径、行车速度、曲线超高、风力大小、车辆类型、装载情况和重心高度、振动性能等因素均有关,在其他条件一定的情况下,曲线半径决定最小抗倾覆安全系数。曲线轨道在列车的动力作用下,变形不断累积,易出现方向错乱。为确保行车平稳和安全,需对曲线方向定期检查,必要时进行曲线整正,将它恢复到原设计位置。
轨道几何检测数据是指在列车运行时采集的能反映轨道几何形位的数据,主要包括对应曲线的曲率和曲率变化率。其中曲率定义为单位距离内轨道的转角,曲率变化率定义为单位时间内曲率的改变量。曲率、曲率变化率和外轨超高是产生机车车辆掉道、爬轨以及倾覆的直接因素,并影响设备的使用寿命和养护费用。
在日常的轨道几何检测数据中,有时会混入较强的噪声或离群值,可能会使得多类数据在映射到正态分布空间时有不同的方差,从而违背了模式识别算法关于多类数据方差相同的假设。而现有的基于轨道几何检测数据的曲线半径分类识别方法的准确度不高。
发明内容
本发明实施例提出一种基于轨道几何检测数据的曲线半径分类识别方法,用以基于轨道几何检测数据对曲线半径进行分类识别,准确度高,该方法包括:
根据轨道台账数据和轨道几何检测数据,制作曲线半径识别标准数据库,所述曲线半径识别标准数据库包括多个曲线文件,每个曲线文件包括一条曲线的多个分段数据;
对多条曲线的多个分段数据分别进行多维度特征提取和曲线半径类别标注,分别获得每个分段数据的多维特征向量和标注的曲线半径类别;
基于多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别,训练稀疏约束的Lp范数LDA模型,获得训练好的稀疏约束的Lp范数LDA模型,在训练时采用多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别对稀疏约束的Lp范数LDA模型的参数进行迭代求解,获得稀疏约束的Lp范数LDA模型的投影向量,基于所述投影向量对每个分段数据的多维特征向量进行高维映射,获得每个分段数据的多维特征向量对应的曲线半径类别,其中每一曲线半径类别对应一个投影向量;
在获得新的轨道几何检测数据后,提取新的轨道几何检测数据中多条曲线的多个分段数据的多维特征向量并输入至训练好的稀疏约束的Lp范数LDA模型中,获得新的轨道几何检测数据中每条曲线的每个分段数据对应的曲线半径类别。
本发明实施例提出一种基于轨道几何检测数据的曲线半径分类识别装置,用以基于轨道几何检测数据对曲线半径进行分类识别,准确度高,该装置包括:
标准数据库制作模块,用于根据轨道台账数据和轨道几何检测数据,制作曲线半径识别标准数据库,所述曲线半径识别标准数据库包括多个曲线文件,每个曲线文件包括一条曲线的多个分段数据;
特征提取模块,用于对多条曲线的多个分段数据分别进行多维度特征提取和曲线半径类别标注,分别获得每个分段数据的多维特征向量和标注的曲线半径类别;
训练模块,用于基于多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别,训练稀疏约束的Lp范数LDA模型,获得训练好的稀疏约束的Lp范数LDA模型,在训练时采用多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别对稀疏约束的Lp范数LDA模型的参数进行迭代求解,获得稀疏约束的Lp范数LDA模型的投影向量,基于所述投影向量对每个分段数据的多维特征向量进行高维映射,获得每个分段数据的多维特征向量对应的曲线半径类别,其中每一曲线半径类别对应一个投影向量;
识别模块,用于在获得新的轨道几何检测数据后,提取新的轨道几何检测数据中多条曲线的多个分段数据的多维特征向量并输入至训练好的稀疏约束的Lp范数LDA模型中,获得新的轨道几何检测数据中每条曲线的每个分段数据对应的曲线半径类别。
本发明实施例还提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于轨道几何检测数据的曲线半径分类识别方法。
本发明实施例还提出了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述基于轨道几何检测数据的曲线半径分类识别方法的计算机程序。
在本发明实施例中,根据轨道台账数据和轨道几何检测数据,制作曲线半径识别标准数据库,所述曲线半径识别标准数据库包括多个曲线文件,每个曲线文件包括一条曲线的多个分段数据;对多条曲线的多个分段数据分别进行多维度特征提取和曲线半径类别标注,分别获得每个分段数据的多维特征向量和标注的曲线半径类别;基于多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别,训练稀疏约束的Lp范数LDA模型,获得训练好的稀疏约束的Lp范数LDA模型,在训练时采用多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别对稀疏约束的Lp范数LDA模型的参数进行迭代求解,获得稀疏约束的Lp范数LDA模型的投影向量,基于所述投影向量对每个分段数据的多维特征向量进行高维映射,获得每个分段数据的多维特征向量对应的曲线半径类别,其中每一曲线半径类别对应一个投影向量;在获得新的轨道几何检测数据后,提取新的轨道几何检测数据中多条曲线的多个分段数据的多维特征向量并输入至训练好的稀疏约束的Lp范数LDA模型中,获得新的轨道几何检测数据中每条曲线的每个分段数据对应的曲线半径类别。在上述过程中,基于多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别,训练了一个稀疏约束的Lp范数LDA模型,所述稀疏约束的Lp范数LDA模型,在训练时采用多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别对稀疏约束的Lp范数LDA模型的参数进行迭代求解,获得稀疏约束的Lp范数LDA模型的投影向量,基于所述投影向量对每个分段数据的多维特征向量进行高维映射,获得每个分段数据的多维特征向量对应的曲线半径类别,使得训练好的稀疏约束的Lp范数LDA模型,在曲线半径分类识别时准确度非常高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例中基于轨道几何检测数据的曲线半径分类识别方法的流程图;
图2为本发明实施例中模型增量训练过程示意图;
图3为本发明实施例中基于轨道几何检测数据的曲线半径分类识别方法的技术方案原理图;
图4为本发明实施例中基于轨道几何检测数据的曲线半径分类识别方法的详细流程图;
图5为本发明实施例中基于轨道几何检测数据的曲线半径分类识别装置的示意图;
图6为本发明实施例中基于轨道几何检测数据的曲线半径分类识别装置的另一示意图;
图7为本发明实施例中计算机设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
在本说明书的描述中,所使用的“包含”、“包括”、“具有”、“含有”等,均为开放性的用语,即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施,其中的步骤顺序不作限定,可根据需要作适当调整。
图1为本发明实施例中基于轨道几何检测数据的曲线半径分类识别方法的流程图,如图1所示,该方法包括:
步骤101,根据轨道台账数据和轨道几何检测数据,制作曲线半径识别标准数据库,所述曲线半径识别标准数据库包括多个曲线文件,每个曲线文件包括一条曲线的多个分段数据;
步骤102,对多条曲线的多个分段数据分别进行多维度特征提取和曲线半径类别标注,分别获得每个分段数据的多维特征向量和标注的曲线半径类别;
步骤103,基于多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别,训练稀疏约束的Lp范数LDA模型,获得训练好的稀疏约束的Lp范数LDA模型,在训练时采用多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别对稀疏约束的Lp范数LDA模型的参数进行迭代求解,获得稀疏约束的Lp范数LDA模型的投影向量,基于所述投影向量对每个分段数据的多维特征向量进行高维映射,获得每个分段数据的多维特征向量对应的曲线半径类别,其中每一曲线半径类别对应一个投影向量;
步骤104,在获得新的轨道几何检测数据后,提取新的轨道几何检测数据中多条曲线的多个分段数据的多维特征向量并输入至训练好的稀疏约束的Lp范数LDA模型中,获得新的轨道几何检测数据中每条曲线的每个分段数据对应的曲线半径类别。
在本发明实施例中,基于多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别,训练了一个稀疏约束的Lp范数LDA模型,所述稀疏约束的Lp范数LDA模型,在训练时采用多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别对稀疏约束的Lp范数LDA模型的参数进行迭代求解,获得稀疏约束的Lp范数LDA模型的投影向量,基于所述投影向量对每个分段数据的多维特征向量进行高维映射,获得每个分段数据的多维特征向量对应的曲线半径类别,使得训练好的稀疏约束的Lp范数LDA模型,在曲线半径分类识别时准确度非常高。
在步骤101中,根据轨道台账数据和轨道几何检测数据,制作曲线半径识别标准数据库,其中,所述轨道台账数据包括起点里程、终点里程和曲线半径;所述轨道几何检测数据包括采样里程、采样点、曲率和曲率变化率。因为不同轨道台账数据中的关键字段顺序有差异(如曲线半径、起点里程和终点里程),为了便于读取和操作,把轨道台账数据中的起点里程、终点里程和曲线半径三类数据单独存储为一个文本文件。
在一实施例中,根据轨道台账数据和轨道几何检测数据,制作曲线半径识别标准数据库,包括:
把轨道几何检测数据按轨道台账数据里的起点里程、终点里程字段进行拆分,获得每条曲线的轨道几何检测数据,将每条曲线的轨道几何检测数据存储在不同的曲线文件中;
将每条曲线的轨道几何检测数据按照实时分辨率要求进行划分,获得每条曲线的多个分段数据。
在上述实施例中,可以先对轨道几何检测数据和轨道台账数据进行预处理,包括剔除异常值等,然后把轨道几何检测数据按轨道台账数据里的起点里程、终点里程字段进行拆分,获得每条曲线的轨道几何检测数据。在将每条曲线的轨道几何检测数据按照实时分辨率要求进行划分时,初步拟定的实时分辨率为150个采样点输出一次分类识别结果,具体分段过程设计为同一条曲线的下一个分段数据可以拼接上该条曲线的上一个分段数据。
由于这些分段数据在后面经过多维特征提取和标注后,用于训练稀疏约束的Lp范数LDA模型,因此,可以在这里将分段数据随机划分为训练集和测试集,训练集:测试集=7:3,即70%的分段数据做模型训练,剩余30%的数据做模型测试,当然,也可以在分段数据进行多维特征提取和标注后再进行训练集和测试集的划分。
在一实施例中,对多条曲线的多个分段数据分别进行多维度特征提取和曲线半径类别标注,分别获得每个分段数据的多维特征向量和标注的曲线半径类别,包括:
对每条曲线的多个分段数据提取连续数据特征、离散数据特征和第三类数据特征;
从每个分段数据提取的提取连续数据特征、离散数据特征和第三类数据特征中,整理出每个分段数据的多维特征向量;
对每条曲线的每个分段数据按照曲线半径类别进行标注,获得每个分段数据的标注的曲线半径类别。
在一实施例中,连续数据特征包括均值和方差;离散数据特征至少包括上下四分位数、中位数、众数、最大值和最小值;第三类数据特征至少包括熵、偏度系数、峰度系数和线性回归斜率;所述多维特征向量来自曲率、曲率变化率、曲率+曲率变化率、曲率的导数、曲率变化率的导数组成的数据序列。
例如,获得的多维特征向量可以包括曲率、曲率变化率、曲率+曲率变化率、曲率的导数、曲率变化率的导数这五列数据的共计60个特征。
在一实施例中,曲线半径类别包括三分类和六分类。
其中,三分类具体包括曲线半径R≤3000、3000<R≤8000、R>8000;六分类具体包括曲线半径R≤1000、1000<R≤3000、3000<R≤5000、5000<R≤8000、8000<R≤15000、R>15000。在进行曲线半径类别标注时,从0开始,以此递增,如三分类的曲线半径类别标签分别是0、1、2,六分类的曲线半径类别标签分别是0、1、2、3、4、5。
在步骤103中,本发明实施例提出了一个稀疏约束的Lp范数LDA模型,在特征提取和模式识别中,线性判别分析(LDA)是一种简单且常用的分类和降维方法。在LDA的实际应用中,对于数据的基本假设是待分类的多类数据满足方差相同均值不同的高斯正态分布。但是随着较强噪声或离群值的混入,这一假设可能不满足。为了提高LDA算法的普适性,相关领域的研究人员已经发展了一系列LDA的改进版本。例如NLDA,其通过重定义“类间离散度”矩阵使处于判别边界的数据能够得到较多关注,从而使LDA扩展到能满足任意分布的数据。又例如HLDA主要针对分类样本满足高斯分布,但方差、均值不同的情形。存在另一种情况,即当训练样本受到噪声影响或者出现维数灾难(训练分类器的样本个数远远小于自身的维度)时矩阵可能会近似奇异,这就需要引入额外的正则化参数对目标函数进行约束,因此出现了RLDA算法,对LDA的离散度矩阵加上了约束项从而缓解了矩阵近似奇异的状况。但上述改进的LDA算法在抗噪性和分类效果均不够理想,因此,本发明实施例提出了基于稀疏约束的Lp范数LDA算法的稀疏约束的Lp范数LDA模型,主要是利用Lp(p≤1)范数对噪声和离群值的抑制优势,达到较好的抗噪性和分类效果。
从本质上说,LDA的优化思路是获得对“类间离散度”矩阵和“类内离散度”矩阵估计值,从而对目标函数进行改进。与传统的L2范数相比,Lp(p≤1)范数对离群值有较强的抑制效果,能有效减轻离群值的影响,此外,新增的Lp(p≤1)范数惩罚项能在抑制可能存在的其它噪声的同时获得模型的最优估计。
LDA目标是通过极大化“类间离散度”和“类内离散度”,找到一组最具判别性的投影向量,使得当待分类的样本投影到该组向量的空间时,不同类的样本有较大程度的偏离,而同一类的样本有较大的聚合。假设Xji为N维空间中属于类别j的第i个观察量,Nj为第j类样本的总数,则两类样本的均值可以表示为:
而总样本均值可表示为:
类内离散度矩阵可以定义为:
通过将分母约束为1,并引入拉格朗日算子α,公式(5)可以转化为:
L(α,W)=WTSbW-α(WTSwW-1) (6)
对L(α,W)中的W求偏导,并令偏导等于0,则有:
SbW=αSwW (7)
通过对公式(7)求解广义特征值即可得到对应的投影向量W。
以上是LDA的基本构造和求解过程,但这是基于两类数据满足独立同分布的假设的基础上推导而来的。在实际应用中,数据中可能混入噪声或者离异值,可能使样本不满足基本假设,为了提高算法的普适性和抗噪性,本发明实施例对LDA算法进行了改进优化,并采用了相应的快速迭代法来求解公式(7)。
相对于L2范数来说,Lp(p≤1)范数对离群值有较好的抑制能力。为此,本发明实施例用L1范数替换LDA中的L2范数框架,并新增一个Lp(p≤0.5)范数附加项来获得参数的估计,故公式(5)可以进一步转化为:
公式(8)通过L1范数的损失项以减轻离群值的影响,通过另外一个Lp(p≤0.5)范数附加项用于抑制可能存在的其它噪声并获得投影向量。
公式(8)也称为判别目标函数,其本身并非是连续光滑的,因此很难得到如公式(7)那样的解析式,为此本发明实施例采用改进的ADMN框架。ADMN主要用于高维问题求解,它的基本思路是把一些复杂的目标函数分解成多个简单且容易求解的子问题,从而求解子问题即可。首先公式(8)可以转化为:
随后把目标函数公式(10)分解成三个参数的子问题。
在一实施例中,采用多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别对稀疏约束的Lp范数LDA模型的参数进行迭代求解,获得稀疏约束的Lp范数LDA模型的投影向量,包括:
确定迭代次数k为0,确定迭代终止条件为||L(Wk+1)-L(Wk)||<ε1或者||Wk+1-Wk||<ε2,确定投影向量W的初始值为一随机N维非零向量,对投影向量W的初始值进行归一化处理,其中,ε1和ε2为终止迭代误差;
在不满足迭代终止条件时,重复执行以下步骤,直至满足迭代终止条件,输出满足迭代终止条件时的投影向量:
采用如下公式对投影向量W进行更新:
采用如下公式对参数B进行更新:
采用如下公式对拉格朗日参数μ进行更新:
更新迭代次数k=k+1。
在本发明实施例中,终止迭代误差ε1和ε2均被设置为1.0e-5,通过前人研究和实验,发现p=0.5的惩罚项对稀疏判别分析有很好的效果,所以在本发明实施例中公式(8)的p=0.5。
在一实施例中,基于所述投影向量对每个分段数据的多维特征向量进行高维映射,获得每个分段数据的多维特征向量对应的曲线半径类别,包括:
对每个分段数据,计算该分段数据的多维特征向量在每个曲线半径类别对应的投影向量的映射值;
确定最大映射值对应的曲线半径类别为该分段数据的曲线半径类别。
具体实施时,为实现多类识别,需要在二分类的基础上进行扩展。当前比较常见的扩展方法有两种,一是做多次二分类,最终取多个二分类结果的众数,即对T分类问题,每次分类需要完成T(T-1)/2次识别任务;二时将多维特征向量进行高维映射使原本在低维中不可分的样本在高维中可分,即对T类样本至少需要训练(T-1)个投影向量,从而在(T-1)维空间中对目标进行识别,每次只需一次识别即可得到类别标签。在得到一个满足公式(13)的最优投影向量后,可以通过一系列的正交映射找到其余投影向量,后续的投影向量只需满足两个条件即可:
即只需要在Wj-1的正交空间中寻找满足公式(13)的投影向量即可。通过上述思路求出前j个投影向量时,第j+1个投影向量与前j个投影向量之间将满足如下公式:
最后,对计算得出的投影向量还需进行归一化处理,即Wj+1=Wj+1/||W||,以防止其幅值对样本投影产生偏差。
在获得了上述投影向量后,对每个分段数据,计算该分段数据的多维特征向量在每个曲线半径类别对应的投影向量的映射值;确定最大映射值对应的曲线半径类别为该分段数据的曲线半径类别。
在获得训练好的稀疏约束的Lp范数LDA模型后,可应用其进行在线识别,即步骤104,在线识别的时间分辨率是每150个采样点输出一次曲线半径类别结果,本发明实施例提出的稀疏约束的Lp范数LDA模型的单次在线预测时间大概在0.1秒左右。在线识别需要面对的两个主要问题是,首先是模型识别的实时性,确保模型在规定时间内能输出一个较为准确的曲线半径类别结果;其次是模型的稳定性,在保证识别准确率的情况下模型对噪声数据具有一定的抗干扰性。
为增加稀疏约束的Lp范数LDA模型的鲁棒性,本发明实施例还提出了一种增量训练过程,让模型在原有结构的基础上,新增对新轨道几何检测数据的特征表达。图2为本发明实施例中模型增量训练过程示意图,包括:
步骤201,获得训练好的稀疏约束的Lp范数LDA模型;
步骤202,在获得新的轨道几何检测数据后,提取新的轨道几何检测数据中多条曲线的多个分段数据的多维特征向量;
步骤203,基于新的轨道几何检测数据中多条曲线的多个分段数据的多维特征向量,训练所述训练好的稀疏约束的Lp范数LDA模型,获得增量训练后的稀疏约束的Lp范数LDA模型;
步骤204,保存增量训练后的稀疏约束的Lp范数LDA模型。
之后,实时接收新的轨道几何检测数据后,就可以将新的轨道几何检测数据输入至增量训练后的稀疏约束的Lp范数LDA模型中,获得每个分段数据的多维特征向量对应的曲线半径类别。
基于上述实施例,图3为本发明实施例中基于轨道几何检测数据的曲线半径分类识别方法的技术方案原理图,基于图3的原理图,图4为本发明实施例中基于轨道几何检测数据的曲线半径分类识别方法的详细流程图,如图4所示,包括:
步骤401,把轨道几何检测数据按轨道台账数据里的起点里程、终点里程字段进行拆分,获得每条曲线的轨道几何检测数据,将每条曲线的轨道几何检测数据存储在不同的曲线文件中;
步骤402,将每条曲线的轨道几何检测数据按照实时分辨率要求进行划分,获得每条曲线的多个分段数据;
步骤403,对每条曲线的多个分段数据提取连续数据特征、离散数据特征和第三类数据特征;
步骤404,从每个分段数据提取的提取连续数据特征、离散数据特征和第三类数据特征中,整理出每个分段数据的多维特征向量;
步骤405,对每条曲线的每个分段数据按照曲线半径类别进行标注,获得每个分段数据的标注的曲线半径类别;
步骤406,基于多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别,通过步骤4061-步骤4064训练稀疏约束的Lp范数LDA模型,转至步骤407或步骤408;
步骤4061,确定迭代次数k为0,确定迭代终止条件为||L(Wk+1)-L(Wk)||<ε1或者||Wk+1-Wk||<ε2,确定投影向量W的初始值为一随机N维非零向量,对投影向量W的初始值进行归一化处理,其中,ε1和ε2为终止迭代误差;
步骤4062,在不满足迭代终止条件时,重复执行以下步骤,直至满足迭代终止条件,输出满足迭代终止条件时的投影向量:
采用如下公式对投影向量W进行更新:
采用如下公式对参数B进行更新:
采用如下公式对拉格朗日参数μ进行更新:
更新迭代次数k=k+1;
步骤4063,对每个分段数据,计算该分段数据的多维特征向量在每个曲线半径类别对应的投影向量的映射值;
步骤4064,确定最大映射值对应的曲线半径类别为该分段数据的曲线半径类别;
步骤407,在获得新的轨道几何检测数据后,提取新的轨道几何检测数据中多条曲线的多个分段数据的多维特征向量并输入至训练好的稀疏约束的Lp范数LDA模型中,获得新的轨道几何检测数据中每条曲线的每个分段数据对应的曲线半径类别;
步骤408,在获得新的轨道几何检测数据后,提取新的轨道几何检测数据中多条曲线的多个分段数据的多维特征向量;
步骤409,基于新的轨道几何检测数据中多条曲线的多个分段数据的多维特征向量,训练所述训练好的稀疏约束的Lp范数LDA模型,获得增量训练后的稀疏约束的Lp范数LDA模型;在获得更新的轨道几何检测数据中多条曲线的多个分段数据的多维特征向量后输入至至训练好的稀疏约束的Lp范数LDA模型中,获得更新的轨道几何检测数据中每条曲线的每个分段数据对应的曲线半径类别。
当然,可以理解的是,上述详细流程还可以有其他变化例,相关变化例均应落入本发明的保护范围。
下面给出一具体实施例,来说明本发明提出的方法的具体应用。
在本实施例中,对五类线路的轨道几何检测数据进行曲线半径分类识别。轨道类型是根据不同起点里程和终点里程区分的线路,其中,京广线(jingguang)是北京到广州的线路数据;京承线(jingcheng)是北京到承德的线路数据;海南东环客运专线(donghuan)是海南东环的双向线路数据;京包客运专线(jingbao)是北京与包台之间的双向线路数据;石太客运专线(shitai)是石家庄与太原之间的双向线路数据。有效曲线是指在轨道几何检测数据和轨道台账数据中能够提取到采样数据的曲线数。曲线半径是该类线路半径的统计值(最大最小值、均值±标准差)。曲率是几何检测数据中曲率的统计值(均值±标准差)。曲率变化率是几何检测数据中曲率变化率的统计值(均值±标准差)。线路基本描述如表1所示。
表1
基于表1中数据,同一线路数据的测试结果如表2所示。其中,三分类的曲线半径范围分别是R≤3000、3000<R≤8000、R>8000;六分类的半径范围分别是R≤1000、1000<R≤3000、3000<R≤5000、5000<R≤8000、8000<R≤15000、R>15000。分类准确率是基于150个采样点一段,线下循环测试200次的平均结果(随机划分训练集和测试集次数)。注意:京承线(jingcheng)由于在三类类别中都属于第一类,故不做三分类测试,用’-’表示。
表2
基于表1中数据,多线路数据的测试结果如表3所示。即用一类线路的所有数据作为训练集训练模型,然后测试另一类线路数据,得到相应的分类识别准确率。由于只是一个展示,所以只放了部分结果。
表3
基于上述多线路数据的测试结果可以初步得出,不同线路数据之间可能存在着较大的没有检测到的差异,故设计增量训练过程,融合多线路数据进行训练测试,测试结果如表4所示,分类准确率是基于150个采样点一段,线下循环测试200次的平均结果,可以看到,三分类准确率和六分类准确率均提高了。
表4
通过本具体实施例可以看到,利用稀疏约束的Lp范数LDA模型,可以达到曲线半径分类准确率大于等于80%的结果。其实际应用有两点,一是可减少轨道几何形位的检测工作量,二是或可作为计算轨道抗倾覆安全系数的一个重要指标,可应用于需要对轨道曲线半径进行识别的领域,如轨道的检测和维护、行车安全检测等。
综上所述,在本发明实施例提出的方法中,根据轨道台账数据和轨道几何检测数据,制作曲线半径识别标准数据库,所述曲线半径识别标准数据库包括多个曲线文件,每个曲线文件包括一条曲线的多个分段数据;对多条曲线的多个分段数据分别进行多维度特征提取和曲线半径类别标注,分别获得每个分段数据的多维特征向量和标注的曲线半径类别;基于多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别,训练稀疏约束的Lp范数LDA模型,获得训练好的稀疏约束的Lp范数LDA模型,在训练时采用多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别对稀疏约束的Lp范数LDA模型的参数进行迭代求解,获得稀疏约束的Lp范数LDA模型的投影向量,基于所述投影向量对每个分段数据的多维特征向量进行高维映射,获得每个分段数据的多维特征向量对应的曲线半径类别,其中每一曲线半径类别对应一个投影向量;在获得新的轨道几何检测数据后,提取新的轨道几何检测数据中多条曲线的多个分段数据的多维特征向量并输入至训练好的稀疏约束的Lp范数LDA模型中,获得新的轨道几何检测数据中每条曲线的每个分段数据对应的曲线半径类别。在上述过程中,基于多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别,训练了一个稀疏约束的Lp范数LDA模型,所述稀疏约束的Lp范数LDA模型,在训练时采用多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别对稀疏约束的Lp范数LDA模型的参数进行迭代求解,获得稀疏约束的Lp范数LDA模型的投影向量,基于所述投影向量对每个分段数据的多维特征向量进行高维映射,获得每个分段数据的多维特征向量对应的曲线半径类别,使得训练好的稀疏约束的Lp范数LDA模型,在曲线半径分类识别时准确度非常高。
本发明实施例还提出一种基于轨道几何检测数据的曲线半径分类识别装置,其原理与基于轨道几何检测数据的曲线半径分类识别方法类似,这里不再赘述。
图5为本发明实施例中基于轨道几何检测数据的曲线半径分类识别装置的示意图,包括:
标准数据库制作模块501,用于根据轨道台账数据和轨道几何检测数据,制作曲线半径识别标准数据库,所述曲线半径识别标准数据库包括多个曲线文件,每个曲线文件包括一条曲线的多个分段数据;
特征提取模块502,用于对多条曲线的多个分段数据分别进行多维度特征提取和曲线半径类别标注,分别获得每个分段数据的多维特征向量和标注的曲线半径类别;
训练模块503,用于基于多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别,训练稀疏约束的Lp范数LDA模型,获得训练好的稀疏约束的Lp范数LDA模型,在训练时采用多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别对稀疏约束的Lp范数LDA模型的参数进行迭代求解,获得稀疏约束的Lp范数LDA模型的投影向量,基于所述投影向量对每个分段数据的多维特征向量进行高维映射,获得每个分段数据的多维特征向量对应的曲线半径类别,其中每一曲线半径类别对应一个投影向量;
识别模块504,用于在获得新的轨道几何检测数据后,提取新的轨道几何检测数据中多条曲线的多个分段数据的多维特征向量并输入至训练好的稀疏约束的Lp范数LDA模型中,获得新的轨道几何检测数据中每条曲线的每个分段数据对应的曲线半径类别。
在一实施例中,所述轨道台账数据包括起点里程、终点里程和曲线半径;所述轨道几何检测数据包括采样里程、采样点、曲率和曲率变化率。
在一实施例中,标准数据库制作模块501具体用于:
把轨道几何检测数据按轨道台账数据里的起点里程、终点里程字段进行拆分,获得每条曲线的轨道几何检测数据,将每条曲线的轨道几何检测数据存储在不同的曲线文件中;
将每条曲线的轨道几何检测数据按照实时分辨率要求进行划分,获得每条曲线的多个分段数据。
在一实施例中,特征提取模块502具体用于:
对每条曲线的多个分段数据提取连续数据特征、离散数据特征和第三类数据特征;
从每个分段数据提取的提取连续数据特征、离散数据特征和第三类数据特征中,整理出每个分段数据的多维特征向量;
对每条曲线的每个分段数据按照曲线半径类别进行标注,获得每个分段数据的标注的曲线半径类别。
在一实施例中,连续数据特征包括均值和方差;离散数据特征至少包括上下四分位数、中位数、众数、最大值和最小值;第三类数据特征至少包括熵、偏度系数、峰度系数和线性回归斜率;所述多维特征向量来自曲率、曲率变化率、曲率+曲率变化率、曲率的导数、曲率变化率的导数组成的数据序列。
在一实施例中,曲线半径类别包括三分类和六分类。
在一实施例中,所述投影向量采用公式(8)表示。
在一实施例中,训练模块503具体用于:
确定迭代次数k为0,确定迭代终止条件为||L(Wk+1)-L(Wk)||<ε1或者||Wk+1-Wk||<ε2,确定投影向量W的初始值为一随机N维非零向量,对投影向量W的初始值进行归一化处理,其中,ε1和ε2为终止迭代误差;
在不满足迭代终止条件时,重复执行以下步骤,直至满足迭代终止条件,输出满足迭代终止条件时的投影向量:
采用公式(11)对投影向量W进行更新;
采用公式(12)对参数B进行更新;
采用公式(13)对拉格朗日参数μ进行更新;
更新迭代次数k=k+1。
在一实施例中,训练模块503具体用于:
对每个分段数据,计算该分段数据的多维特征向量在每个曲线半径类别对应的投影向量的映射值;
确定最大映射值对应的曲线半径类别为该分段数据的曲线半径类别。
在一实施例中,所述装置还包括增量训练模块505,如图6所示,所述增量训练模块505具体用于:
在获得新的轨道几何检测数据后,提取新的轨道几何检测数据中多条曲线的多个分段数据的多维特征向量;
基于新的轨道几何检测数据中多条曲线的多个分段数据的多维特征向量,训练所述训练好的稀疏约束的Lp范数LDA模型,获得增量训练后的稀疏约束的Lp范数LDA模型。
综上所述,在本发明实施例提出的装置中,根据轨道台账数据和轨道几何检测数据,制作曲线半径识别标准数据库,所述曲线半径识别标准数据库包括多个曲线文件,每个曲线文件包括一条曲线的多个分段数据;对多条曲线的多个分段数据分别进行多维度特征提取和曲线半径类别标注,分别获得每个分段数据的多维特征向量和标注的曲线半径类别;基于多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别,训练稀疏约束的Lp范数LDA模型,获得训练好的稀疏约束的Lp范数LDA模型,在训练时采用多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别对稀疏约束的Lp范数LDA模型的参数进行迭代求解,获得稀疏约束的Lp范数LDA模型的投影向量,基于所述投影向量对每个分段数据的多维特征向量进行高维映射,获得每个分段数据的多维特征向量对应的曲线半径类别,其中每一曲线半径类别对应一个投影向量;在获得新的轨道几何检测数据后,提取新的轨道几何检测数据中多条曲线的多个分段数据的多维特征向量并输入至训练好的稀疏约束的Lp范数LDA模型中,获得新的轨道几何检测数据中每条曲线的每个分段数据对应的曲线半径类别。在上述过程中,基于多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别,训练了一个稀疏约束的Lp范数LDA模型,所述稀疏约束的Lp范数LDA模型,在训练时采用多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别对稀疏约束的Lp范数LDA模型的参数进行迭代求解,获得稀疏约束的Lp范数LDA模型的投影向量,基于所述投影向量对每个分段数据的多维特征向量进行高维映射,获得每个分段数据的多维特征向量对应的曲线半径类别,使得训练好的稀疏约束的Lp范数LDA模型,在曲线半径分类识别时准确度非常高。
本申请的实施例还提供一种计算机设备,图7为本发明实施例中计算机设备的示意图,该计算机设备能够实现上述实施例中的基于轨道几何检测数据的曲线半径分类识别方法中全部步骤,所述计算机设备具体包括如下内容:
处理器(processor)701、存储器(memory)702、通信接口(CommunicationsInterface)703和通信总线704;
其中,所述处理器701、存储器702、通信接口703通过所述通信总线704完成相互间的通信;所述通信接口703用于实现服务器端设备、检测设备以及用户端设备等相关设备之间的信息传输;
所述处理器701用于调用所述存储器702中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的基于轨道几何检测数据的曲线半径分类识别方法中的全部步骤。
本申请的实施例还提供一种计算机可读存储介质,能够实现上述实施例中的基于轨道几何检测数据的曲线半径分类识别方法中全部步骤,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的基于轨道几何检测数据的曲线半径分类识别方法的全部步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (13)
1.一种基于轨道几何检测数据的曲线半径分类识别方法,其特征在于,包括:
根据轨道台账数据和轨道几何检测数据,制作曲线半径识别标准数据库,所述曲线半径识别标准数据库包括多个曲线文件,每个曲线文件包括一条曲线的多个分段数据;
对多条曲线的多个分段数据分别进行多维度特征提取和曲线半径类别标注,分别获得每个分段数据的多维特征向量和标注的曲线半径类别;
基于多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别,训练稀疏约束的Lp范数LDA模型,获得训练好的稀疏约束的Lp范数LDA模型,在训练时采用多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别对稀疏约束的Lp范数LDA模型的参数进行迭代求解,获得稀疏约束的Lp范数LDA模型的投影向量,基于所述投影向量对每个分段数据的多维特征向量进行高维映射,获得每个分段数据的多维特征向量对应的曲线半径类别,其中每一曲线半径类别对应一个投影向量;
在获得新的轨道几何检测数据后,提取新的轨道几何检测数据中多条曲线的多个分段数据的多维特征向量并输入至训练好的稀疏约束的Lp范数LDA模型中,获得新的轨道几何检测数据中每条曲线的每个分段数据对应的曲线半径类别。
2.如权利要求1所述的基于轨道几何检测数据的曲线半径分类识别方法,其特征在于,所述轨道台账数据包括起点里程、终点里程和曲线半径;所述轨道几何检测数据包括采样里程、采样点、曲率和曲率变化率。
3.如权利要求2所述的基于轨道几何检测数据的曲线半径分类识别方法,其特征在于,根据轨道台账数据和轨道几何检测数据,制作曲线半径识别标准数据库,包括:
把轨道几何检测数据按轨道台账数据里的起点里程、终点里程字段进行拆分,获得每条曲线的轨道几何检测数据,将每条曲线的轨道几何检测数据存储在不同的曲线文件中;
将每条曲线的轨道几何检测数据按照实时分辨率要求进行划分,获得每条曲线的多个分段数据。
4.如权利要求1所述的基于轨道几何检测数据的曲线半径分类识别方法,其特征在于,对多条曲线的多个分段数据分别进行多维度特征提取和曲线半径类别标注,分别获得每个分段数据的多维特征向量和标注的曲线半径类别,包括:
对每条曲线的多个分段数据提取连续数据特征、离散数据特征和第三类数据特征;
从每个分段数据提取的提取连续数据特征、离散数据特征和第三类数据特征中,整理出每个分段数据的多维特征向量;
对每条曲线的每个分段数据按照曲线半径类别进行标注,获得每个分段数据的标注的曲线半径类别。
5.如权利要求4所述的基于轨道几何检测数据的曲线半径分类识别方法,其特征在于,连续数据特征包括均值和方差;离散数据特征至少包括上下四分位数、中位数、众数、最大值和最小值;第三类数据特征至少包括熵、偏度系数、峰度系数和线性回归斜率;所述多维特征向量来自曲率、曲率变化率、曲率+曲率变化率、曲率的导数、曲率变化率的导数组成的数据序列。
6.如权利要求1所述的基于轨道几何检测数据的曲线半径分类识别方法,其特征在于,曲线半径类别包括三分类和六分类。
8.如权利要求7所述的基于轨道几何检测数据的曲线半径分类识别方法,其特征在于,采用多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别对稀疏约束的Lp范数LDA模型的参数进行迭代求解,获得稀疏约束的Lp范数LDA模型的投影向量,包括:
确定迭代次数k为0,确定迭代终止条件为||L(Wk+1)-L(Wk)||<ε1或者||Wk+1-Wk||<ε2,确定投影向量W的初始值为一随机N维非零向量,对投影向量W的初始值进行归一化处理,其中,ε1和ε2为终止迭代误差;
在不满足迭代终止条件时,重复执行以下步骤,直至满足迭代终止条件,输出满足迭代终止条件时的投影向量:
采用如下公式对投影向量W进行更新:
采用如下公式对参数B进行更新:
采用如下公式对拉格朗日参数μ进行更新:
更新迭代次数k=k+1。
9.如权利要求1所述的基于轨道几何检测数据的曲线半径分类识别方法,其特征在于,基于所述投影向量对每个分段数据的多维特征向量进行高维映射,获得每个分段数据的多维特征向量对应的曲线半径类别,包括:
对每个分段数据,计算该分段数据的多维特征向量在每个曲线半径类别对应的投影向量的映射值;
确定最大映射值对应的曲线半径类别为该分段数据的曲线半径类别。
10.如权利要求1所述的基于轨道几何检测数据的曲线半径分类识别方法,其特征在于,还包括:
在获得新的轨道几何检测数据后,提取新的轨道几何检测数据中多条曲线的多个分段数据的多维特征向量;
基于新的轨道几何检测数据中多条曲线的多个分段数据的多维特征向量,训练所述训练好的稀疏约束的Lp范数LDA模型,获得增量训练后的稀疏约束的Lp范数LDA模型。
11.一种基于轨道几何检测数据的曲线半径分类识别装置,其特征在于,包括:
标准数据库制作模块,用于根据轨道台账数据和轨道几何检测数据,制作曲线半径识别标准数据库,所述曲线半径识别标准数据库包括多个曲线文件,每个曲线文件包括一条曲线的多个分段数据;
特征提取模块,用于对多条曲线的多个分段数据分别进行多维度特征提取和曲线半径类别标注,分别获得每个分段数据的多维特征向量和标注的曲线半径类别;
训练模块,用于基于多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别,训练稀疏约束的Lp范数LDA模型,获得训练好的稀疏约束的Lp范数LDA模型,在训练时采用多条曲线的多个分段数据的多维特征向量和标注的曲线半径类别对稀疏约束的Lp范数LDA模型的参数进行迭代求解,获得稀疏约束的Lp范数LDA模型的投影向量,基于所述投影向量对每个分段数据的多维特征向量进行高维映射,获得每个分段数据的多维特征向量对应的曲线半径类别,其中每一曲线半径类别对应一个投影向量;
识别模块,用于在获得新的轨道几何检测数据后,提取新的轨道几何检测数据中多条曲线的多个分段数据的多维特征向量并输入至训练好的稀疏约束的Lp范数LDA模型中,获得新的轨道几何检测数据中每条曲线的每个分段数据对应的曲线半径类别。
12.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至10任一项所述方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至10任一项所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011129409.5A CN112308824B (zh) | 2020-10-21 | 2020-10-21 | 基于轨道几何检测数据的曲线半径分类识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011129409.5A CN112308824B (zh) | 2020-10-21 | 2020-10-21 | 基于轨道几何检测数据的曲线半径分类识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112308824A CN112308824A (zh) | 2021-02-02 |
CN112308824B true CN112308824B (zh) | 2023-01-20 |
Family
ID=74328663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011129409.5A Active CN112308824B (zh) | 2020-10-21 | 2020-10-21 | 基于轨道几何检测数据的曲线半径分类识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308824B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417921B (zh) * | 2022-01-05 | 2024-04-30 | 中国国家铁路集团有限公司 | 轨道几何异常数据的识别方法、装置、设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011031643A (ja) * | 2009-07-30 | 2011-02-17 | Railway Technical Res Inst | 鉄道架線設備の状態監視システム |
CN102211595A (zh) * | 2011-03-04 | 2011-10-12 | 陈国英 | 轨道线路动态信息采集器装置 |
CN106741008A (zh) * | 2016-12-29 | 2017-05-31 | 北京交通大学 | 铁路线路异物识别方法及系统 |
WO2017219557A1 (zh) * | 2016-06-24 | 2017-12-28 | 乐视控股(北京)有限公司 | 数据传输方法及数据传输装置 |
WO2020038447A1 (zh) * | 2018-08-23 | 2020-02-27 | 比亚迪股份有限公司 | 一种轨道交通系统综合网管方法、装置及系统 |
-
2020
- 2020-10-21 CN CN202011129409.5A patent/CN112308824B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011031643A (ja) * | 2009-07-30 | 2011-02-17 | Railway Technical Res Inst | 鉄道架線設備の状態監視システム |
CN102211595A (zh) * | 2011-03-04 | 2011-10-12 | 陈国英 | 轨道线路动态信息采集器装置 |
WO2017219557A1 (zh) * | 2016-06-24 | 2017-12-28 | 乐视控股(北京)有限公司 | 数据传输方法及数据传输装置 |
CN106741008A (zh) * | 2016-12-29 | 2017-05-31 | 北京交通大学 | 铁路线路异物识别方法及系统 |
WO2020038447A1 (zh) * | 2018-08-23 | 2020-02-27 | 比亚迪股份有限公司 | 一种轨道交通系统综合网管方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112308824A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112330591B (zh) | 少样本学习的钢轨表面缺陷检测方法及装置 | |
CN109992668B (zh) | 一种基于自注意力的企业舆情分析方法和装置 | |
CN102629298B (zh) | 一种轨道交通系统运行安全评估方法 | |
Liu et al. | Multidimensional feature fusion and ensemble learning-based fault diagnosis for the braking system of heavy-haul train | |
CN108229567B (zh) | 驾驶员身份识别方法及装置 | |
CN109323754A (zh) | 一种列车车轮多边形故障诊断检测方法 | |
Xu et al. | Optimizing the alignment of inspection data from track geometry cars | |
CN114881076B (zh) | 基于支持向量机的钢轨波磨识别方法、装置、设备及介质 | |
Würtz et al. | Driving style analysis using recurrent neural networks with LSTM cells | |
CN103136757A (zh) | 基于流形距离的两阶段聚类算法的sar图像分割方法 | |
CN112308824B (zh) | 基于轨道几何检测数据的曲线半径分类识别方法及装置 | |
CN101964061B (zh) | 一种基于二类核函数支持向量机的车型识别方法 | |
CN114298679A (zh) | 基于大数据的工业ai平台及其应用方法、介质及电子设备 | |
CN111754317A (zh) | 一种金融投资数据测评方法及系统 | |
Abdelrahman et al. | Data-driven robust scoring approach for driver profiling applications | |
Koch et al. | Machine learning for predicting the damaged parts of a low speed vehicle crash | |
Huang et al. | Slipping detection of electric locomotive based on empirical wavelet transform, fuzzy entropy algorithm and support vector machine | |
Zheng et al. | A novel deep learning architecture and its application in dynamic load monitoring of the vehicle system | |
CN116451125A (zh) | 一种新能源车车主识别方法、装置、设备及存储介质 | |
CN109063313B (zh) | 基于机器学习的列车牵引能耗计算方法 | |
CN114862159B (zh) | 一种自动驾驶测试场景的评价方法 | |
CN116611864A (zh) | 一种基于rnn的城市轨道交通列车速度与客流量的预测方法 | |
CN111126311A (zh) | 城市道路的潜在危险区域识别方法、装置及电子设备 | |
CN115841750A (zh) | 一种轨道交通的故障预测方法、装置、设备及存储介质 | |
CN115062402A (zh) | 数据驱动的列车级位加速度提取方法 |
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 |