CN112429044B - 一种基于非线性补偿的运行列车位置定位方法及其系统 - Google Patents
一种基于非线性补偿的运行列车位置定位方法及其系统 Download PDFInfo
- Publication number
- CN112429044B CN112429044B CN202011357858.5A CN202011357858A CN112429044B CN 112429044 B CN112429044 B CN 112429044B CN 202011357858 A CN202011357858 A CN 202011357858A CN 112429044 B CN112429044 B CN 112429044B
- Authority
- CN
- China
- Prior art keywords
- train
- neural network
- layer
- network model
- nonlinear
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 41
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000012886 linear function Methods 0.000 claims 2
- 239000000126 substance Substances 0.000 claims 1
- 238000004891 communication Methods 0.000 description 13
- 238000001228 spectrum Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L25/00—Recording or indicating positions or identities of vehicles or trains or setting of track apparatus
- B61L25/02—Indicating or recording positions or identities of vehicles or trains
- B61L25/028—Determination of vehicle position and orientation within a train consist, e.g. serialisation
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供了一种基于非线性补偿的运行列车位置定位方法及其系统，包括：步骤一，收集列车运营线路上列车瞬时速度和对应运行距离的历史运营数据；步骤二，建立所述列车瞬时速度与所述对应运行距离关系的神经网络模型；步骤三，利用所述历史运营数据对所述神经网络模型进行训练及学习，以确定神经网络模型参数；步骤四，将实测列车运行的瞬时速度输入所述神经网络模型，获得实际的列车运行距离。本方法可应用到车载既有设备中，在不增加信号系统和GPS定位设备的情况下，实现列车精准定位功能。
Description
技术领域
本发明涉及车载网络控制系统通信控制领域，尤其是一种基于非线性补偿的列车运行位置精确定位的方法及其系统。
背景技术
目前，现有的列车位移和速度测量系统主要有以下几种：
1)通过测量列车车轮转动结合车轮轮径来换算列车位移及速度的方法。这类方法中的测量系统传感器需要使用转动机械结构，安装要求高、低速范围精度差，车辆的空转打滑会导致测量的失败。
车轮轮径参数也是一个导致换算误差的重要因素，轮径通常需要周期性人工校准输入或通过自动校准的方式获。人工输入的问题是在一个校准周期内轮径值是固定的，这二校准周期同时也是车轮的磨耗周期，车轮在这一周期内的变化给列车位移和速度测量系统带来计算误差。自动校准能够解决人工输入的人为错误的问题，但其校准精度依赖于列车绝对位置测量系统的精度，需要通过列车绝对位置检测系统检测轨道上预先布置的电子标签未获取轮径校准的基准点。
2)多普勒雷达测速的方法。该类系统利用主动发射的电磁波多普勒效应进行测速，由于电磁波传播速度受到路径物理特性的影响，因此云雾雨雪等恶劣天气会使传播特性变化，对复杂地形的适应性也不强。另外，多普勒雷达测速装置价格昂贵、设备复杂、维护成本高，不利于大规模应用。
中国专利申请公开号：CN108657234A，发明名称：基于车辆动态的列车实时位移监测系统及方法，揭示了一种通过设置卫星差分基准站，卫星差分基准站工作时，实时地将观测到的卫星数据，利用网络系统通过有线或无线的方式，将卫星差分数据传送给地面服务器和基准站覆盖范围内的车载智能管理系统，以完成列车定位数据的校正，实现列车的精确定位，极大地提高了监测系统的监测精确度。
这种利用卫星差分基准站实现列车实时位移监测系统，提高了定位定位精度，但系统中涉及与北斗卫星通信，获取卫星定位数据的车载智能管理系统，与所述车载智能管理系统通过无线网络连接并实时地将观测到的所述北斗卫星的卫星数据并进行计算的卫星差分基准站，所述卫星定位数据进行校正的所述车载智能管理系统，将所述列车定位结果与高精度电子地图进行匹配，并实时的显示和监测所述列车的位置、移动轨迹和运行状态的监控中心服务器等等，非常庞大的系统组成。
中国发明专利公开号：CN108609036A，发明名称：列车定位和测速方法，其中提供了一种基于沿轨的车地无线扩频通信模式，而无线扩频通信尤其是无线宽带通信的多径衰落被急剧放大，直接通信路径由于高速移动而被破坏取而代之的是许多无法预知的通信路径，这些现象是直接导致高速移动下多径衰落明显增大的主要原因。这种现象在大功率远距离的无线扩频通信方式下尤为突出。该申请采用用户认证方式，并能智能化的根据列车行进情况，智能化的开启和关闭地面的沿轨通信节点。但无线扩频通信的需要进行组网并受环境影响，在恶劣环境下不仅会降低无线扩频通信的质量，甚至会因此中断通信，这样无线扩频通信就会因此失去高铁信息化和智能化的重要支撑手段的地位，会直接导致高铁信息化和智能化的失败，更不用说对列车的实时定位和监控。
此外，现阶段被广泛应用的列车定位技术也主要涉及：
第一，采用GPS定位技术实现，但这种方法受外部环境影响较大，通常将出现GPS不稳定、信号盲区等情况，此时列车的定位精度较差；
第二，通过信号系统实现，地面应答器与车载设备交互数据确定列车位置。这种方法强烈依托地面信号系统，一旦车地传输信号出现问题，将给列车定位造成极大的影响。并且在某些应用场所，部分路线无信号系统，此时列车难以实现精准定位。
在实际应用中，存在部分线路无信号系统，却有列车运行轨迹定位(用于实现限速和开门功能)的需求。采用GPS定位，需要增加设备，同样也增加了成本。
发明内容
针对上述问题，本申请提出了一种基于非线性补偿的自校准的列车运行位置精准定位的方法及其系统，该方法及其系统可应用到车载既有设备中，在不增加信号系统和GPS定位设备的情况下，实现列车精准定位功能。
为解决上述技术问题，本发明提供了一种一种基于非线性补偿的运行列车位置定位方法，其特征在于，包括：
步骤一，收集列车运营线路上列车瞬时速度和对应运行距离的历史运营数据；
步骤二，建立所述列车瞬时速度与所述对应运行距离关系的神经网络模型；
步骤三，利用所述历史运营数据对所述神经网络模型进行训练及学习，以确定神经网络模型参数；
步骤四，将实测列车运行的瞬时速度输入所述神经网络模型，获得实际的列车运行距离。
比较好的是，本发明进一步提供了一种基于非线性补偿的运行列车位置定位方法，其特征在于，
所述步骤一中，所述历史运营数据包括若干运营工况下的所述列车瞬时速度和所述对应运行距离，所述若干运营工况包括加速、减速、上坡、下坡和转弯。
比较好的是，本发明进一步提供了一种基于非线性补偿的运行列车位置定位方法，其特征在于，
所述步骤二采用三层BP神经网络对非线性函数模型F进行学习，所述三层BP神经网络的输入层个数为N，输出层神经元个数为M，隐藏层神经元个数为K，该模型为：
其中，f1表示输入层到隐藏层的函数模型，f2表示隐藏层到输出层的函数模型，则非线性函数模型F＝f2(f1)；
其中，sj表示神经网络的输出；ωik表示输入层第i个神经元到隐藏层第k个神经元的权值，φkj表示隐藏层第k个神经元到输出层第j个神经元的权值，θk和
表示隐藏层第k个神经元和输出层第j个神经元的阈值。
比较好的是，本发明进一步提供了一种基于非线性补偿的运行列车位置定位方法，其特征在于，
所述步骤三，将收集的所述列车瞬时速度，进行线性和非线性变形计算后，将所述各类变形数据以及速度的作为所述神经网络模型的输入。
比较好的是，本发明进一步提供了一种基于非线性补偿的运行列车位置定位方法，其特征在于，
所述线性和非线性变形计算包括计算速度增量、计算速度平方值、计算速度开方值。
比较好的是，本发明进一步提供了一种基于非线性补偿的运行列车位置定位方法，其特征在于，
所述步骤三中，根据所述神经网络模型，对牵引或制动控制系统提供的实时速度进行补偿，并对补偿后的实时速度vt做时间积分，获得该列车的累计运行距离LT：
其中，T表示总运行时间。
比较好的是，本发明进一步提供了一种基于非线性补偿的运行列车位置定位方法，其特征在于，
所述步骤三进一步包括：
获得列车从起点到终点的计划运营轨迹，包括获得所述列车从起点到终点的各停靠站距离；
当计算获得的累计运行距离LT等于所述停靠站距离，表明所述列车已到达该站点。
本发明还提供了一种基于非线性补偿的运行列车位置定位系统，其特征在于，包括：
采集单元，收集列车运营线路上列车瞬时速度和对应运行距离的历史运营数据；
神经网络模型单元，建立所述列车瞬时速度与所述对应运行距离关系的神经网络模型，利用所述历史运营数据对所述神经网络模型进行训练及学习，以确定神经网络模型参数；
非线性补偿单元，将实测列车运行的瞬时速度输入所述神经网络模型单元，获得实际的列车运行距离。
比较好的是，本发明进一步提供了一种基于非线性补偿的运行列车位置定位系统，其特征在于，
所述采集单元采集的所述历史运营数据包括若干运营工况下的所述列车瞬时速度和所述对应运行距离，所述若干运营工况包括加速、减速、上坡、下坡和转弯。
比较好的是，本发明进一步提供了一种基于非线性补偿的运行列车位置定位系统，其特征在于，
所述神经网络模型单元采用三层BP神经网络对非线性函数模型F进行学习，所述三层BP神经网络的输入层个数为N，输出层神经元个数为M，隐藏层神经元个数为K，该模型为：
其中，f1表示输入层到隐藏层的函数模型，f2表示隐藏层到输出层的函数模型，则非线性函数模型F＝f2(f1)；
其中，sj表示神经网络的输出；ωik表示输入层第i个神经元到隐藏层第k个神经元的权值，φkj表示隐藏层第k个神经元到输出层第j个神经元的权值，θk和
表示隐藏层第k个神经元和输出层第j个神经元的阈值。
比较好的是，本发明进一步提供了一种基于非线性补偿的运行列车位置定位系统，其特征在于，
所述神经网络模型单元将收集的所述列车瞬时速度，进行线性和非线性变形计算后，将所述各类变形数据以及速度的作为所述神经网络模型的输入。
比较好的是，本发明进一步提供了一种基于非线性补偿的运行列车位置定位系统，其特征在于，
所述线性和非线性变形计算包括计算速度增量、计算速度平方值、计算速度开方值。
比较好的是，本发明进一步提供了一种基于非线性补偿的运行列车位置定位系统，其特征在于，
所述非线性补偿单元对牵引或制动控制系统提供的实时速度进行补偿，并对补偿后的实时速度vt做时间积分，获得该列车的累计运行距离LT：
其中，T表示总运行时间。
比较好的是，本发明进一步提供了一种基于非线性补偿的运行列车位置定位系统，其特征在于，
所述非线性补偿单元获得列车从起点到终点的计划运营轨迹，包括获得所述列车从起点到终点的各停靠站距离；当计算获得的累计运行距离LT等于所述停靠站距离，表明所述列车已到达该站点。
本发明公开了一种计算机可读介质，存储计算机指令，该计算机指令被处理器执行时，实施如上述任一项所述的方法。
本发明还公开了一种计算机装置，包括存储器和处理器，该存储器连接该处理器，该处理器配置为实施如上述任一项所述的方法。
与现有技术相比，本发明具有以下优点：通过非线性补偿自校准，实现列车精准定位，在不增加成本的基础上提高效率。
附图说明
包括附图是为提供对本申请进一步的理解，它们被收录并构成本申请的一部分，附图示出了本申请的实施例，并与本说明书一起起到解释本发明原理的作用。附图中：
图1是本发明基于非线性补偿的运行列车位置定位方法的流程图；
图2示意了本发明定位系统的组成框图。
附图标记
21――采集单元
22――神经网络模型单元
23――非线性补偿单元
具体实施方式
为了更清楚地说明本申请的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
在本申请的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本申请保护范围的限制。此外，尽管本申请中所使用的术语是从公知公用的术语中选择的，但是本申请说明书中所提及的一些术语可能是申请人按他或她的判断来选择的，其详细含义在本文的描述的相关部分中说明。此外，要求不仅仅通过所使用的实际术语，而是还要通过每个术语所蕴含的意义来理解本申请。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各种步骤。同时，或将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面结合附图和实施例对本案进行详细说明。
图1给出了本发明基于非线性补偿的运行列车位置定位方法的一较佳实施例的流程图，图2是结合图1的系统组成框图，结合两图，对本发明的技术方案进行详细介绍如下：
S1，列车运行速度的非线性补偿：基于神经网络建立运行列车瞬时速度补偿模型，并通过大量的列车运行速度及运行距离数据对模型进行训练、学习，得到列车在运营轨迹上实时速度非线性补偿模型。
S11，采集列车运营线路上列车的瞬时速度和对应的运行距离的历史运营数据，该历史运营数据包括各种运营工况下的列车瞬时速度和对应运行距离，这些运营工况包括加速、减速、上坡、下坡和转弯等等列车运营各种可能场景，应尽可能的多覆盖列车运行场景；
设：
V＝(v1，v2，...，vN)与l＝(l1，l2，...，lN)分别表示从牵引或制动控制系统采集到的列车的运行瞬时速度以及运行距离数据集合，N表示采集数据的总数；
该步骤由图2所示意的系统中采集单元21予以实现。
S12，构建一个运行距离l与运行速度v相关的非线性函数模型F；
S13，采用三层BP神经网络对非线性函数模型F进行学习，其中三层BP神经网络的输入层和输出层神经元个数为N，输出层神经元个数为M，隐藏层神经元个数为K。
建立的三层BP神经网络模型如下：
其中，f1表示输入层到隐藏层的函数模型，f2表示隐藏层到输出层的函数模型，则非线性函数模型F＝f2(f1)；
其中，sj表示神经网络的输出；ωik表示输入层第i个神经元到隐藏层第k个神经元的权值，φkj表示隐藏层第k个神经元到输出层第j个神经元的权值，θk和
表示隐藏层第k个神经元和输出层第j个神经元的阈值。
S14，根据上述步骤构建的神经网络模型，对应第i个样本数据的神经网络学习误差函数E为：
在构建速度和距离的神经网络模型后，将收集的列车瞬时速度，进行线性和非线性变形计算，包括计算速度增量、计算速度平方值、计算速度开方值等以及速度的其它特征信息进行线性和非线性变形；然后将各类变形数据以及速度本身的作为神经网络的输入。
步骤S12～S14由图2所示意的系统中神经网络模型单元22予以实现。
S2，仅采集列车运行的瞬时速度，参考补偿模型进行列车运行距离的实时计算；
具体而言，基于学习到的速度非线性补偿模型，对牵引或制动控制系统提供的实时速度进行补偿；
然后对补偿后的实时速度vt做时间积分，获得该列车的累计运行距离LT：
其中，T表示总运行时间；
S3，列车运行位置的实时定位；
S31，获得列车从起点到终点的计划运营轨迹；
设：O＝(O1，O2，...，ON)分别表示该列车从起点到终点的各停靠站距离，N表示停靠站的数量；
S32，通过列车的运行距离计算实现对列车运行位置的精准定位。
例如：设O1为运营轨迹的第一个终点距离起点的距离，则当LT＝O1时，表明列车已到达第一个站点，而当LT＝O2时，表明列车已到达第二个站点。
步骤S2～S32由图2所示意的系统中非线性补偿单元23予以实现。
通过上述方法及其系统，可以在不采用GPS系统和信号系统缺失的情况下，通过列车轨迹实现定位。综上所述，本发明利用神经网络的非线性逼近能力对列车运行距离与运行速度的关系模型进行非线性补偿，避免了采用频率、通信周期、运行轨迹等因素影响，其定位精度较传统直接对速度进行累计求和的计算距离方法有大幅度提高，实现了对运行列车的精准定位。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述发明披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
本申请的一些方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。处理器可以是一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器或者其组合。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。例如，计算机可读介质可包括，但不限于，磁性存储设备(例如，硬盘、软盘、磁带……)、光盘(例如，压缩盘CD、数字多功能盘DVD……)、智能卡以及闪存设备(例如，卡、棒、键驱动器……)。
计算机可读介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述发明披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
虽然本申请已参照当前的具体实施例来描述，但是本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本申请，在没有脱离本申请精神的情况下还可作出各种等效的变化或替换，因此，只要在本申请的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。
Claims (14)
1.一种基于非线性补偿的运行列车位置定位方法，其特征在于，包括：
步骤一，收集列车运营线路上列车瞬时速度和对应运行距离的历史运营数据；
步骤二，建立所述列车瞬时速度与所述对应运行距离关系的神经网络模型；
步骤三，利用所述历史运营数据对所述神经网络模型进行训练及学习，以确定神经网络模型参数；
步骤四，将实测列车运行的瞬时速度输入所述神经网络模型，获得实际的列车运行距离。
2.根据权利要求1所述的基于非线性补偿的运行列车位置定位方法，其特征在于，
所述步骤一中，所述历史运营数据包括若干运营工况下的所述列车瞬时速度和所述对应运行距离，所述若干运营工况包括加速、减速、上坡、下坡和转弯。
3.根据权利要求1或2所述的基于非线性补偿的运行列车位置定位方法，其特征在于，
所述步骤二采用三层BP神经网络对非线性函数模型
进行学习，所述三层BP神经网络的输入层个数为
，输出层神经元个数为
，隐藏层神经元个数为
，该模型为：
其中，
表示输入层到隐藏层的函数模型，
表示隐藏层到输出层的函数模型，则非线性函数模型
；
其中，vi表示第i个采集的速度，
表示神经网络的输出；
表示输入层第
个神经元到隐藏层第
个神经元的权值，
表示隐藏层第
个神经元到输出层第
个神经元的权值，
和
表示隐藏层第
个神经元和输出层第
个神经元的阈值。
4.根据权利要求3所述的基于非线性补偿的运行列车位置定位方法，其特征在于，
所述步骤三，将收集的所述列车瞬时速度，进行线性和非线性变形计算后，将所述各类变形数据以及速度的作为所述神经网络模型的输入。
5.根据权利要求4所述的基于非线性补偿的运行列车位置定位方法，其特征在于，
所述线性和非线性变形计算包括计算速度增量、计算速度平方值、计算速度开方值。
6.根据权利要求5所述的基于非线性补偿的运行列车位置定位方法，其特征在于，
所述步骤三进一步包括：
获得列车从起点到终点的计划运营轨迹，包括获得所述列车从起点到终点的各停靠站距离；
当计算获得的累计运行距离
等于所述停靠站距离，表明所述列车已到达该站点。
7.一种基于非线性补偿的运行列车位置定位系统，其特征在于，包括：
采集单元，收集列车运营线路上列车瞬时速度和对应运行距离的历史运营数据；
神经网络模型单元，建立所述列车瞬时速度与所述对应运行距离关系的神经网络模型，利用所述历史运营数据对所述神经网络模型进行训练及学习，以确定神经网络模型参数；
非线性补偿单元，将实测列车运行的瞬时速度输入所述神经网络模型单元，获得实际的列车运行距离。
8.根据权利要求7所述的基于非线性补偿的运行列车位置定位系统，其特征在于，
所述采集单元采集的所述历史运营数据包括若干运营工况下的所述列车瞬时速度和所述对应运行距离，所述若干运营工况包括加速、减速、上坡、下坡和转弯。
9.根据权利要求8所述的基于非线性补偿的运行列车位置定位系统，其特征在于，
所述神经网络模型单元采用三层BP神经网络对非线性函数模型
进行学习，所述三层BP神经网络的输入层个数为
，输出层神经元个数为
，隐藏层神经元个数为
，该模型为：
其中，vi表示第i个采集的速度，
表示输入层到隐藏层的函数模型，
表示隐藏层到输出层的函数模型，则非线性函数模型
；
其中，
表示神经网络的输出；
表示输入层第
个神经元到隐藏层第
个神经元的权值，
表示隐藏层第
个神经元到输出层第
个神经元的权值，
和
表示隐藏层第
个神经元和输出层第
个神经元的阈值。
10.根据权利要求9所述的基于非线性补偿的运行列车位置定位系统，其特征在于，
所述神经网络模型单元将收集的所述列车瞬时速度，进行线性和非线性变形计算后，将所述各类变形数据以及速度的作为所述神经网络模型的输入。
11.根据权利要求10所述的基于非线性补偿的运行列车位置定位系统，其特征在于，
所述线性和非线性变形计算包括计算速度增量、计算速度平方值、计算速度开方值。
12.根据权利要求11所述的基于非线性补偿的运行列车位置定位系统，其特征在于，
所述非线性补偿单元获得列车从起点到终点的计划运营轨迹，包括获得所述列车从起点到终点的各停靠站距离；当计算获得的累计运行距离
等于所述停靠站距离，表明所述列车已到达该站点。
13.一种计算机可读介质，存储计算机指令，该计算机指令被处理器执行时，实施如权利要求1至6中任一项所述的方法。
14.一种计算机装置，包括存储器和处理器，该存储器连接该处理器，该处理器配置为实施如权利要求1至6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011357858.5A CN112429044B (zh) | 2020-11-27 | 2020-11-27 | 一种基于非线性补偿的运行列车位置定位方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011357858.5A CN112429044B (zh) | 2020-11-27 | 2020-11-27 | 一种基于非线性补偿的运行列车位置定位方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112429044A CN112429044A (zh) | 2021-03-02 |
| CN112429044B true CN112429044B (zh) | 2023-02-28 |
Family
ID=74698328
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011357858.5A Active CN112429044B (zh) | 2020-11-27 | 2020-11-27 | 一种基于非线性补偿的运行列车位置定位方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112429044B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101915586A (zh) * | 2010-07-22 | 2010-12-15 | 北京全路通信信号研究设计院 | 一种轨道车辆测速测距系统及方法 |
| CN103914985A (zh) * | 2014-04-25 | 2014-07-09 | 大连理工大学 | 一种混合动力客车未来车速轨迹预测方法 |
| CN104898148A (zh) * | 2015-06-02 | 2015-09-09 | 北京航空航天大学 | 一种基于数据压缩和神经网络的低成本ins/gps无缝导航方法 |
| CN106627673A (zh) * | 2016-10-27 | 2017-05-10 | 交控科技股份有限公司 | 一种多传感器融合的列车定位方法及系统 |
| CN107516146A (zh) * | 2017-08-01 | 2017-12-26 | 北京理工大学 | 一种基于滚动预测的混合动力车辆行驶工况的工况预测方法 |
| CN107585181A (zh) * | 2017-08-11 | 2018-01-16 | 北京交通大学 | 一种基于深度学习的列车定位系统 |
| CN109829577A (zh) * | 2019-01-17 | 2019-05-31 | 北京交通大学 | 基于深度神经网络结构模型的轨道列车运行状态预测方法 |
| JP2019093898A (ja) * | 2017-11-22 | 2019-06-20 | 株式会社東芝 | 運転曲線作成装置 |
| CN110431544A (zh) * | 2017-08-10 | 2019-11-08 | 北京嘀嘀无限科技发展有限公司 | 行驶时间和距离预估系统和方法 |
| CN110758472A (zh) * | 2019-10-08 | 2020-02-07 | 北京市地铁运营有限公司地铁运营技术研发中心 | 一种列车的定位方法、装置、系统和存储介质 |
| CN111399375A (zh) * | 2020-03-04 | 2020-07-10 | 重庆邮电大学 | 一种基于非线性系统的神经网络预测控制器 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9989964B2 (en) * | 2016-11-03 | 2018-06-05 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling vehicle using neural network |
| CN111693044A (zh) * | 2020-06-19 | 2020-09-22 | 南京晓庄学院 | 一种融合定位方法 |
-
2020
- 2020-11-27 CN CN202011357858.5A patent/CN112429044B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101915586A (zh) * | 2010-07-22 | 2010-12-15 | 北京全路通信信号研究设计院 | 一种轨道车辆测速测距系统及方法 |
| CN103914985A (zh) * | 2014-04-25 | 2014-07-09 | 大连理工大学 | 一种混合动力客车未来车速轨迹预测方法 |
| CN104898148A (zh) * | 2015-06-02 | 2015-09-09 | 北京航空航天大学 | 一种基于数据压缩和神经网络的低成本ins/gps无缝导航方法 |
| CN106627673A (zh) * | 2016-10-27 | 2017-05-10 | 交控科技股份有限公司 | 一种多传感器融合的列车定位方法及系统 |
| CN107516146A (zh) * | 2017-08-01 | 2017-12-26 | 北京理工大学 | 一种基于滚动预测的混合动力车辆行驶工况的工况预测方法 |
| CN110431544A (zh) * | 2017-08-10 | 2019-11-08 | 北京嘀嘀无限科技发展有限公司 | 行驶时间和距离预估系统和方法 |
| CN107585181A (zh) * | 2017-08-11 | 2018-01-16 | 北京交通大学 | 一种基于深度学习的列车定位系统 |
| JP2019093898A (ja) * | 2017-11-22 | 2019-06-20 | 株式会社東芝 | 運転曲線作成装置 |
| CN109829577A (zh) * | 2019-01-17 | 2019-05-31 | 北京交通大学 | 基于深度神经网络结构模型的轨道列车运行状态预测方法 |
| CN110758472A (zh) * | 2019-10-08 | 2020-02-07 | 北京市地铁运营有限公司地铁运营技术研发中心 | 一种列车的定位方法、装置、系统和存储介质 |
| CN111399375A (zh) * | 2020-03-04 | 2020-07-10 | 重庆邮电大学 | 一种基于非线性系统的神经网络预测控制器 |
Non-Patent Citations (5)
| Title |
|---|
| 张琦等.基于神经网络的高速列车运行模拟系统的研究.《中国铁道科学》.1998,(第03期), * |
| 强添纲等.基于广义回归神经网络的车辆制动距离预测.《森林工程》.2014,(第01期), * |
| 柳成荫等.基于神经网络的加速度时程积分方法.《中南大学学报(自然科学版)》.2004,(第01期), * |
| 武妍等.神经网络与模糊逻辑的集成及其在列车控制系统中的应用.《计算机应用研究》.2000,(第06期), * |
| 谭力天等.一种基于改进BP神经网络的重载列车驾驶曲线算法研究.《铁路计算机应用》.2016,(第05期), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112429044A (zh) | 2021-03-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109782325B (zh) | 基于粒子滤波和多传感器信息融合的列车速度估计方法 | |
| CN109946731B (zh) | 一种基于模糊自适应无迹卡尔曼滤波的车辆高可靠融合定位方法 | |
| JP2022019642A (ja) | マルチセンサ融合に基づく測位方法及び装置 | |
| CN109466558B (zh) | 一种基于ekf和bp神经网络的路面附着系数估计方法 | |
| CN112423265B (zh) | 基于csi的双循环神经网络的船载环境室内定位方法 | |
| CN108482379A (zh) | 轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算系统及方法 | |
| CN110184885B (zh) | 一种基于智能手机测试路面平整度的方法 | |
| CN113177611B (zh) | 基于力学指标和人工神经网络的路面病害快速巡检方法 | |
| CN110706827B (zh) | 基于船舶ais大数据的通航水域水流信息的提取方法及系统 | |
| US20210240192A1 (en) | Estimation method and estimator for sideslip angle of straight-line navigation of agricultural machinery | |
| CN110388926B (zh) | 一种基于手机地磁和场景图像的室内定位方法 | |
| CN110954132A (zh) | Grnn辅助自适应卡尔曼滤波进行导航故障识别的方法 | |
| CN110530361A (zh) | 一种基于农业机械双天线gnss自动导航系统的转向角度估计器 | |
| CN107907134A (zh) | 一种里程信息辅助地磁匹配的车辆定位系统与方法 | |
| CN111198032A (zh) | 汽车质量实时估算方法 | |
| CN112612001A (zh) | 一种基于bp神经网络算法的轨迹预测方法及装置 | |
| CN111257853B (zh) | 一种基于imu预积分的自动驾驶系统激光雷达在线标定方法 | |
| CN106153037A (zh) | 一种机器人的室内定位方法、装置及系统 | |
| CN112326990A (zh) | 一种作业车辆测速方法及系统 | |
| CN112429044B (zh) | 一种基于非线性补偿的运行列车位置定位方法及其系统 | |
| CN110309957B (zh) | 一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法 | |
| CN112455506A (zh) | 一种多维度自校准的列车运行位置精确定位的方法及系统 | |
| CN106768232A (zh) | 一种新型的车辆信息识别系统及识别方法 | |
| CN103925939B (zh) | 一种光电编码器全量程的标定补偿方法 | |
| CN111693044A (zh) | 一种融合定位方法 |
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 |