CN112858468A - 一种多融合特征回声状态网络的钢轨裂纹定量估计方法 - Google Patents

一种多融合特征回声状态网络的钢轨裂纹定量估计方法 Download PDF

Info

Publication number
CN112858468A
CN112858468A CN202110059673.4A CN202110059673A CN112858468A CN 112858468 A CN112858468 A CN 112858468A CN 202110059673 A CN202110059673 A CN 202110059673A CN 112858468 A CN112858468 A CN 112858468A
Authority
CN
China
Prior art keywords
magnetic memory
metal magnetic
steel rail
memory signal
echo state
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.)
Granted
Application number
CN202110059673.4A
Other languages
English (en)
Other versions
CN112858468B (zh
Inventor
陈维娜
杨忠
顾姗姗
王逸之
唐玉娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinling Institute of Technology
Original Assignee
Jinling Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jinling Institute of Technology filed Critical Jinling Institute of Technology
Priority to CN202110059673.4A priority Critical patent/CN112858468B/zh
Publication of CN112858468A publication Critical patent/CN112858468A/zh
Application granted granted Critical
Publication of CN112858468B publication Critical patent/CN112858468B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
    • G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
    • G01N27/83—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields
    • G01N27/85—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields using magnetographic methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biochemistry (AREA)
  • Electrochemistry (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)

Abstract

一种多融合特征回声状态网络的钢轨裂纹定量估计方法，该方法包括以下步骤：步骤1：获取钢轨裂纹金属磁记忆信号；步骤2：模拟金属磁记忆信号检测时的干扰环境；步骤3：提取金属磁记忆信号的慢特征；步骤4：提取金属磁记忆信号的VMD中心频率特征；步骤5：训练多特征融合的钢轨裂纹回声状态网络；步骤6：获得基于慢特征和VMD特征的多特征融合回声状态网络定量估计模型，将网络模型嵌入到上位机中，并实际应用。本发明为尽可能的提取表征钢轨裂纹信息特征，通过提取时序信号不变或慢变特征，表征数据的固有性质，并通过VMD算法自适应的、非递归的、准正交的对金属磁记忆信号进行分解，提取中心频率特征，增强训练模型的拟合能力。

Description

一种多融合特征回声状态网络的钢轨裂纹定量估计方法
技术领域
本发明涉及无损检测领域，特别是涉及多融合特征回声状态网络的钢轨裂纹定量估 计方法。
背景技术
随着我国综合实力的不断提升，截止目前我国的高铁运营里程已居世界第一，钢轨是轨 道结构的重要组成部分，直接承受车轮载荷的作用，承接车轮的巨大压力，同时钢轨直接关 系到铁路运输的安全、平稳和畅通，钢轨的健康也是行车安全行驶的保证。钢轨的作用主要 是支持并引导机车车辆按规定的方向运行，将来自车轮的载荷和冲击传递到热忱和扣件之上； 在自动闭塞区段，钢轨又成为轨道电路中的一部分，起到信号电流的传输作用；在电气化区 段，钢轨还作为电力机车牵引电流的回流导线。
钢轨是发展高速铁路运输的基础，由于钢轨长时间收到车轮载荷的影响，常出现疲劳裂 纹，钢轨探伤工作和钢轨应力检测技术研究对铁路线路的安全运营具有重要意义。
发明内容
为解决上述问题，本发明在模拟噪声环境的基础上，提出了一种多融合特征回声状 态网络的钢轨裂纹定量估计方法。为尽可能的提取能够反映钢轨裂纹的本质特征，本发明通过提取时序信号不变或慢变特征，表征数据的固有性质，并通过VMD算法自适应的、 非递归的、准正交的对金属磁记忆信号进行分解，提取中心频率特征，增强训练模型的 拟合能力。为达此目的，本发明提供一种多融合特征回声状态网络的钢轨裂纹定量估计 方法，具体步骤如下，其特征在于：
步骤1：获取钢轨裂纹金属磁记忆信号，搭建钢轨裂纹金属磁记忆检测测试设备，通 过测试设备检测钢轨裂纹的金属磁记忆信号；
步骤2：模拟金属磁记忆信号检测时的干扰环境，在步骤1检测的钢轨裂纹金属磁记 忆信号基础上添加高斯白噪声，信噪比范围控制在20～30dB；
步骤3：提取金属磁记忆信号的慢特征：对金属磁记忆信号进行中值滤波处理，在滤 波后数据的基础上提取金属磁记忆信号的慢特征；
步骤4：提取金属磁记忆信号的VMD中心频率特征：对金属磁记忆信号进行变分模态分解，信号被分解为各个模态分量和对应的中心频率，将变分模态分解得到的中心频 率作为钢轨裂纹定量估计特征；
步骤5：训练多特征融合的钢轨裂纹回声状态网络：将提取的慢特征和VMD中心频率特征作为网络输入，钢轨裂纹参数作为网络输出，训练回声状态网络；
步骤6：获得基于慢特征和VMD特征的多特征融合回声状态网络定量估计模型，将网络模型嵌入到上位机中，并实际应用，计算钢轨裂纹的深度值。
进一步，步骤2中模拟金属磁记忆信号检测时干扰环境的过程可以表示为：
添加的高斯白噪声为加性噪声，将高斯白噪声直接叠加在信号上即可，信噪比定义 如下：
SNRdb＝10log10(Ps/Pn) (1)
式中，Ps是金属磁记忆信号功率，Pn表示噪声功率。
进一步，步骤3中提取金属磁记忆信号慢特征的过程可以表示为：
设钢轨裂纹金属磁记忆信号为x(t)，慢特征变量为si(t)，i是信号维数，将慢特征算 法的优化问题转化为：
Figure BDA0002901928500000021
式中，<…>表示对时间取平均，
Figure BDA0002901928500000022
是慢特征一阶导数，对特征变量进行线性转换可得：
Figure BDA0002901928500000023
式中，gi(x)是慢特征算法中的映射函数，wi是负载矩阵，经过对金属磁记忆信号的百花处理，奇异值分解等操作后求得负载矩阵，求得金属磁记忆信号的慢特征si。
进一步，步骤4中提取金属磁记忆信号的VMD中心频率特征的过程可以表示为：
将钢轨裂纹金属磁记忆信号x(t)经过经验模态分解得到k个IMF分量uk(t)，并将uk(t)设为下列形式：
Figure BDA0002901928500000024
其中，
Figure BDA0002901928500000025
是相位，Ak(t)是包络线，设中心频率为ωk(t)：
Figure BDA0002901928500000026
同时设变分约束问题：
Figure RE-GDA0002975784130000034
其中，
Figure BDA0002901928500000031
是uk(t)对t的偏导，δ(t)是单位脉冲函数，*是卷积运算符号，VMD算法 经过迭代更新最终求得ωk(t)。
进一步，步骤5中训练多特征融合钢轨裂纹回声状态网络的过程可以表示为：
步骤5.1初始化回声状态网络，不同钢轨裂纹样本的慢特征和VMD中心频率特征组成样 本D(i)和钢轨裂纹深度E(i)组成训练样本u(i)＝{D(i),E(i)}，将训练样本特征D(i)通过输入 连接权值矩阵Win进入储备池，E(i)经过反馈连接权值Wback进入储备池，并根据下式的顺 序采集系统状态和输出状态：
x(i+1)＝f(WinD(i+1)+Wx(i)+WbackE(i)) (7)
E(i+1)＝fout(WoutD(i+1),x(i+1),E(i)) (8)
其中，x(i)是初始值为0的系统参数，f(·)为储备池节点的激励函数，fout(·)为储备池输 出单元的激励函数，W表示储备池内部神经元的连接权值矩阵，Wout表示输出值矩阵；
步骤5.2计算输出值矩阵Wout：
Figure BDA0002901928500000032
其中，K是输入层的神经元个数，N是储备池神经元的个数，L是输出层神经元个数，
Figure BDA0002901928500000033
表示正则化因子，||·||表示欧式距离；
步骤5.3将样本数据代入回声状态网络模型中，经过迭代求解，输出网络的各个参数值， 获得训练完成的钢轨裂纹定量估计回声状态网络。
本发明一种多融合特征回声状态网络的钢轨裂纹定量估计方法，有益效果：本发明的技 术效果在于：
1.本发明利用所提方法有效的模拟了钢轨裂纹金属磁记忆信号在采集数据时受到的 噪声环境的干扰，利用模拟噪声的数据训练回声状态网络模型，增强了模型在噪声环境 下的鲁棒性；
2.本发明通过慢特征算法提取时序信号不变或慢变特征，表征数据的固有性质，并 通过VMD算法自适应的、非递归的、准正交的对金属磁记忆信号进行分解，提取中心频率特征，这些特征能够有效地表征钢轨裂纹参数。
3.本发明通过回声状态网络有效地融合了金属磁记忆信号的慢特征和基于VMD算法的中心频率特征，并有效地实现了钢轨裂纹的深度参数定量估计。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提出了一种多融合特征回声状态网络的钢轨裂纹定量估计方法，旨在提高金 属磁记忆信号在噪声环境下定量估计钢轨裂纹的鲁棒性，同时提高钢轨裂纹定量估计的 稳定性和准确性。图1为本发明的流程图。下面结合流程图对本发明的步骤作详细介绍。
步骤1：获取钢轨裂纹金属磁记忆信号训练样本，搭建钢轨裂纹金属磁记忆检测测试 设备，通过测试设备检测钢轨裂纹的金属磁记忆信号；
步骤2：模拟金属磁记忆信号检测时的干扰环境，在步骤1检测的钢轨裂纹金属磁记 忆信号基础上添加高斯白噪声，信噪比范围控制在20～30dB；
步骤2中模拟金属磁记忆信号检测时的干扰环境可以表示为：
添加的高斯白噪声为加性噪声，将高斯白噪声直接叠加在信号上即可，信噪比定义 如下：
SNRdb＝10log10(Ps/Pn) (1)
式中，Ps是金属磁记忆信号功率，Pn表示噪声功率。
步骤3：提取金属磁记忆信号的慢特征：对金属磁记忆信号进行中值滤波处理，在滤 波后数据的基础上提取金属磁记忆信号的慢特征；
步骤3中提取金属磁记忆信号的慢特征可以表示为：
设钢轨裂纹金属磁记忆信号为x(t)，慢特征变量为si(t)，i是信号维数，将慢特征算 法的优化问题转化为：
Figure BDA0002901928500000041
式中，<…>表示对时间取平均，
Figure BDA0002901928500000042
是慢特征一阶导数，对特征变量进行线性转换可得：
Figure BDA0002901928500000043
式中，gi(x)是慢特征算法中的映射函数，wi是负载矩阵，经过对金属磁记忆信号的百花处理，奇异值分解等操作后求得负载矩阵，求得金属磁记忆信号的慢特征si。
步骤4：提取金属磁记忆信号的VMD中心频率特征：对金属磁记忆信号进行变分模态分解，信号被分解为各个模态分量和对应的中心频率，将变分模态分解得到的中心频 率作为钢轨裂纹定量估计特征；
步骤4中提取金属磁记忆信号的VMD中心频率特征可以表示为：
将钢轨裂纹金属磁记忆信号x(t)经过经验模态分解得到k个IMF分量uk(t)，并将uk(t)设为下列形式：
Figure BDA0002901928500000051
其中，
Figure BDA0002901928500000052
是相位，Ak(t)是包络线，设中心频率为ωk(t)：
Figure BDA0002901928500000053
同时设变分约束问题：
Figure RE-GDA0002975784130000064
其中，
Figure BDA0002901928500000055
是uk(t)对t的偏导，δ(t)是单位脉冲函数，*是卷积运算符号，VMD算法 经过迭代更新最终求得ωk(t)。
步骤5：训练多特征融合钢轨裂纹回声状态网络：将提取的慢特征和VMD中心频率特征作为网络输入，钢轨裂纹参数作为网络输出，训练回声状态网络；
步骤5中训练多特征融合钢轨裂纹回声状态网络可以表示为：
步骤5.1初始化回声状态网络，不同钢轨裂纹样本的慢特征和VMD中心频率特征组成样 本D(i)和钢轨裂纹深度E(i)组成训练样本u(i)＝{D(i),E(i)}，将训练样本特征D(i)通过输入 连接权值矩阵Win进入储备池，E(i)经过反馈连接权值Wback进入储备池，并根据下式的顺 序采集系统状态和输出状态：
x(i+1)＝f(WinD(i+1)+Wx(i)+WbackE(i)) (7)
E(i+1)＝fout(WoutD(i+1),x(i+1),E(i)) (8)
其中，x(i)是初始值为0的系统参数，f(·)为储备池节点的激励函数，fout(·)为储备池输 出单元的激励函数，W表示储备池内部神经元的连接权值矩阵，Wout表示输出值矩阵；
步骤5.2计算输出值矩阵Wout：
Figure BDA0002901928500000056
其中，K是输入层的神经元个数，N是储备池神经元的个数，L是输出层神经元个数，
Figure BDA0002901928500000057
表示正则化因子，||·||表示欧式距离；
步骤5.3将样本数据代入回声状态网络模型中，经过迭代求解，输出网络的各个参数值， 获得训练完成的钢轨裂纹定量估计回声状态网络。
步骤6：获得基于慢特征和VMD特征的多特征融合回声状态网络定量估计模型，将网络模型嵌入到上位机中，并实际应用计算钢轨裂纹的深度值；
通过钢轨裂纹金属磁记忆检测设备检测待测钢轨裂纹的金属磁记忆信号，通过通讯 将检测数据传至上位机中，上位机通过慢特征算法和VMD算法提取信号特征，并将信号特征送入钢轨裂纹定量估计回声状态网络模型中，最终输出待测钢轨裂纹的深度值。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制， 而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (5)

1.一种多融合特征回声状态网络的钢轨裂纹定量估计方法，具体步骤如下，其特征在于：
步骤1：获取钢轨裂纹金属磁记忆信号，搭建钢轨裂纹金属磁记忆检测测试设备，通过测试设备检测钢轨裂纹的金属磁记忆信号；
步骤2：模拟金属磁记忆信号检测时的干扰环境，在步骤1检测的钢轨裂纹金属磁记忆信号基础上添加高斯白噪声，信噪比范围控制在20～30dB；
步骤3：提取金属磁记忆信号的慢特征：对金属磁记忆信号进行中值滤波处理，在滤波后数据的基础上提取金属磁记忆信号的慢特征；
步骤4：提取金属磁记忆信号的VMD中心频率特征：对金属磁记忆信号进行变分模态分解，信号被分解为各个模态分量和对应的中心频率，将变分模态分解得到的中心频率作为钢轨裂纹定量估计特征；
步骤5：训练多特征融合的钢轨裂纹回声状态网络：将提取的慢特征和VMD中心频率特征作为网络输入，钢轨裂纹参数作为网络输出，训练回声状态网络；
步骤6：获得基于慢特征和VMD特征的多特征融合回声状态网络定量估计模型，将网络模型嵌入到上位机中，并实际应用，计算钢轨裂纹的深度值。
2.根据权利要求1所述的一种多融合特征回声状态网络的钢轨裂纹定量估计方法，其特征在于：步骤2中模拟金属磁记忆信号检测时干扰环境的过程可以表示为：
添加的高斯白噪声为加性噪声，将高斯白噪声直接叠加在信号上即可，信噪比定义如下：
SNRdb＝10log10(Ps/Pn) (1)
式中，Ps是金属磁记忆信号功率，Pn表示噪声功率。
3.根据权利要求1所述的一种多融合特征回声状态网络的钢轨裂纹定量估计方法，其特征在于：步骤3中提取金属磁记忆信号慢特征的过程可以表示为：
设钢轨裂纹金属磁记忆信号为x(t)，慢特征变量为si(t)，i是信号维数，将慢特征算法的优化问题转化为：
Figure FDA0002901928490000011
式中，<…>表示对时间取平均，
Figure FDA0002901928490000012
是慢特征一阶导数，对特征变量进行线性转换可得：
Figure FDA0002901928490000013
式中，gi(x)是慢特征算法中的映射函数，wi是负载矩阵，经过对金属磁记忆信号的百花处理，奇异值分解等操作后求得负载矩阵，最终求得金属磁记忆信号的慢特征si。
4.根据权利要求1所述的一种多融合特征回声状态网络的钢轨裂纹定量估计方法，其特征在于：步骤4中提取金属磁记忆信号VMD中心频率特征的过程可以表示为：
将钢轨裂纹金属磁记忆信号x(t)经过经验模态分解得到k个IMF分量uk(t)，并将uk(t)设为下列形式：
Figure RE-FDA0002975784120000023
其中，
Figure RE-FDA0002975784120000024
是相位，Ak(t)是包络线，设中心频率为ωk(t)：
Figure RE-FDA0002975784120000025
同时设变分约束问题：
Figure RE-FDA0002975784120000026
其中，
Figure RE-FDA0002975784120000027
是uk(t)对t的偏导，δ(t)是单位脉冲函数，*是卷积运算符号，VMD算法经过迭代更新最终求得ωk(t)。
5.根据权利要求1所述的一种多融合特征回声状态网络的钢轨裂纹定量估计方法，其特征在于：步骤5中训练多特征融合钢轨裂纹回声状态网络的具体描述为：
步骤5.1初始化回声状态网络，不同钢轨裂纹样本的慢特征和VMD中心频率特征组成样本D(i)和钢轨裂纹深度E(i)组成训练样本u(i)＝{D(i),E(i)}，将训练样本特征D(i)通过输入连接权值矩阵Win进入储备池，E(i)经过反馈连接权值Wback进入储备池，并根据下式的顺序采集系统状态和输出状态：
x(i+1)＝f(WinD(i+1)+Wx(i)+WbackE(i)) (7)
E(i+1)＝fout(WoutD(i+1),x(i+1),E(i)) (8)
其中，x(i)是初始值为0的系统参数，f(·)为储备池节点的激励函数，fout(·)为储备池输出单元的激励函数，W表示储备池内部神经元的连接权值矩阵，Wout表示输出值矩阵；
步骤5.2计算输出值矩阵Wout：
Figure FDA0002901928490000026
其中，K是输入层的神经元个数，N是储备池神经元的个数，L是输出层神经元个数，
Figure FDA0002901928490000027
表示正则化因子，|||·|||表示欧式距离；
步骤5.3将样本数据代入回声状态网络模型中，经过迭代求解，输出网络的各个参数值，获得训练完成的钢轨裂纹定量估计回声状态网络。
CN202110059673.4A 2021-01-18 2021-01-18 一种多融合特征回声状态网络的钢轨裂纹定量估计方法 Active CN112858468B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110059673.4A CN112858468B (zh) 2021-01-18 2021-01-18 一种多融合特征回声状态网络的钢轨裂纹定量估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110059673.4A CN112858468B (zh) 2021-01-18 2021-01-18 一种多融合特征回声状态网络的钢轨裂纹定量估计方法

Publications (2)

Publication Number Publication Date
CN112858468A true CN112858468A (zh) 2021-05-28
CN112858468B CN112858468B (zh) 2023-08-15

Family

ID=76006023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110059673.4A Active CN112858468B (zh) 2021-01-18 2021-01-18 一种多融合特征回声状态网络的钢轨裂纹定量估计方法

Country Status (1)

Country Link
CN (1) CN112858468B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1060991A (en) * 1964-02-18 1967-03-08 North Atlantic Industries Improvements in or relating to phase shifting circuits
US4876455A (en) * 1988-02-25 1989-10-24 Westinghouse Electric Corp. Fiber optic solder joint inspection system
WO2006000103A1 (en) * 2004-06-29 2006-01-05 Universite De Sherbrooke Spiking neural network and use thereof
CN110879253A (zh) * 2018-09-05 2020-03-13 哈尔滨工业大学 一种基于改进长短时记忆网络的钢轨裂纹声发射信号检测方法
CN111880406A (zh) * 2020-07-14 2020-11-03 金陵科技学院 基于Hebb学习的自适应预测控制主队列管理方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1060991A (en) * 1964-02-18 1967-03-08 North Atlantic Industries Improvements in or relating to phase shifting circuits
US4876455A (en) * 1988-02-25 1989-10-24 Westinghouse Electric Corp. Fiber optic solder joint inspection system
WO2006000103A1 (en) * 2004-06-29 2006-01-05 Universite De Sherbrooke Spiking neural network and use thereof
CN110879253A (zh) * 2018-09-05 2020-03-13 哈尔滨工业大学 一种基于改进长短时记忆网络的钢轨裂纹声发射信号检测方法
CN111880406A (zh) * 2020-07-14 2020-11-03 金陵科技学院 基于Hebb学习的自适应预测控制主队列管理方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
RUOYU HUANG 等: "A soft sensor approach based on an echo state network optimized by improved genetic algorithm", SENSORS, vol. 20, no. 17, pages 5000 *
侯玉双: "基于半导体激光器非线性动力学系统的储备池计算", 中国博士学位论文全文数据库, no. 01, pages 1 - 30 *
栾波: "金属磁记忆检测原理及发展概述", 跨世纪, vol. 17, no. 2, pages 209 - 212 *
陈启明: "多元时频分析理论与工业过程振荡检测及诊断研究", 中国博士学位论文全文数据库, no. 02, pages 1 - 30 *
韩凯: "基于小波滤波的陀螺仪信号噪声处理", 中国优秀硕士学位论文全文数据库, no. 03, pages 1 - 20 *

Also Published As

Publication number Publication date
CN112858468B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN110879254B (zh) 一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法
CN113009447B (zh) 基于深度学习和探地雷达的道路地下空洞检测预警方法
CN113705412B (zh) 基于深度学习的多源数据融合的轨道状态检测方法及装置
CN104881567A (zh) 一种基于统计模型的桥梁健康监测数据小波降噪方法
CN113609955A (zh) 一种基于深度学习和数字孪生的三相逆变器参数辨识方法和系统
CN112381027B (zh) 基于列车轴箱垂向加速度信号的车轮多边形波深估计方法
CN112926728B (zh) 一种永磁同步电机小样本匝间短路故障诊断方法
CN116881819B (zh) 一种基于孤立森林的斜拉索工作状态监测方法
CN115774851B (zh) 基于分级知识蒸馏的曲轴内部缺陷检测方法及其检测系统
CN113203464A (zh) 一种动态车载称重系统的传感器故障检测方法
CN116956428A (zh) 基于物理信息神经网络的移动荷载下桥梁响应计算方法
CN112858468A (zh) 一种多融合特征回声状态网络的钢轨裂纹定量估计方法
CN113642417B (zh) 一种基于改进小波算法的绝缘架空导线局部放电信号的去噪方法
CN105092711B (zh) 一种基于卡尔曼滤波的钢轨裂纹声发射信号检测与去噪方法
CN116467570B (zh) 一种基于数据驱动的重载机车车钩摆角定量识别方法
CN104977357B (zh) 一种基于卡尔曼滤波的钢轨裂纹声发射信号提取与去噪方法
CN110657807B (zh) 基于小波变换检测不连续性的室内定位位移测量方法
CN112860658A (zh) 基于数据挖掘的高速列车电磁发射预测方法
CN111753927A (zh) 一种机车牵引座裂纹故障状态识别方法
CN103577877B (zh) 一种基于时频分析和bp神经网络的船舶运动预报方法
CN116186609A (zh) 一种基于lstm的载人潜水器传感器故障数据增强方法
CN115758258A (zh) 一种基于振动信号和领域知识的牵引变压器故障诊断方法
CN113312711B (zh) 列车动力学下平稳驾驶分析方法、系统、终端及介质
CN115099506A (zh) 一种风速预测方法、系统、电子设备及介质
Yu et al. Acoustic Emission Signal Denoising of Bridge Structures Using SOM Neural Network Machine Learning

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