CN112906782B - 基于dtw与最小二乘估计的轨道静态检查历史数据匹配方法 - Google Patents
基于dtw与最小二乘估计的轨道静态检查历史数据匹配方法 Download PDFInfo
- Publication number
- CN112906782B CN112906782B CN202110174127.5A CN202110174127A CN112906782B CN 112906782 B CN112906782 B CN 112906782B CN 202110174127 A CN202110174127 A CN 202110174127A CN 112906782 B CN112906782 B CN 112906782B
- Authority
- CN
- China
- Prior art keywords
- mileage
- matching
- static
- track
- data
- 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
- 230000003068 static effect Effects 0.000 title claims abstract description 51
- 238000007689 inspection Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000005314 correlation function Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于DTW与最小二乘估计的轨道静态检查历史数据匹配方法,包括:选择[t0,tend]里程范围的当前静态检查数据作为查询序列Q,将同里程[t0,tend]范围的同名既往静态检查数据作为匹配序列C;利用DTW算法计算Q和C规整路径P,并由P采用最小二乘估计计算里程偏移量δ,按[t0‑δ,tend‑δ]重新选择查询序列Q,重复这一过程,直至相邻两次里程偏移量δ之差小于预设值;再次利用DTW算法计算Q和C规整路径Pbest,即轨道静态检查历史数据匹配关系。本发明实现了在静态检查数据存在噪声、异步、偏移、漂移以及里程伸缩条件下多次静态检查数据的匹配,其匹配精度高,匹配速度快,可用于提高轨道静态检查数据的分析的精确性。
Description
技术领域
本发明涉及轨道检测领域,特别是涉及一种基于DTW与最小二乘估计的轨道静态检查历史数据匹配方法。
背景技术
平顺状态评估以及维修保养均以轨道线路检查为前提。我国施行“动态检查为主,动、静态检查相结合”的线路检查原则。然而由于同一里程的静态检查数据在幅值、里程缺乏明确的匹配关系,造成轨道状态评估、病害现场确认以及作业质量回检的困难。更进一步的,如对线路设备进行状态修、预防修,亦依赖于数据的匹配。
匹配是将取自相同或相似的场景或目标的不同数据集中具有相同/相似属性的内容或结构进行数据层面的识别与对齐。匹配的方法一般包括基于区域的方法、基于特征的方法以及点集匹配方法等。关于同一釆样点上轨检车多次动检记录,可采用绝对位置数据如DGPS、RFID等基于特征的方法实现里程匹配,或者采用相对位置数据通过相关函数、灰色关联等基于区域的方法确定动检数据间的匹配关系。绝对位置的采集需要硬件开销;经典的点集匹配方法如欧氏距离只适合于“一对一”的比较,且对时间序列的偏移、振幅变化等敏感。相关技术人员利用轨距数据的相关分析与动态时间规整(Dynamic Time Warping,DTW),实现了多次动检记录的里程修正。但动态时间规整的算法复杂度随匹配范围扩大将呈指数增加;采用相关函数确定搜索空间可减小计算量,但相关函数宜度量线性相似性,由于里程轮的滑移/滑转及采样间隔误差,轨距数据间存在非线性。
发明内容
鉴于上述状况,亟需在静态检查数据存在噪声、异步、偏移、漂移以及伸缩条件下,寻求一种方法,可实现同里程历史数据的精确、快速的匹配。
一种基于动态时间规整与最小二乘估计的历史数据匹配方法,包括:
选择[t0,tend]里程范围的当前静态检查数据作为查询序列Q,将同里程[t0,tend]范围的同名既往静态检查数据作为匹配序列C;
利用动态时间规整算法(DTW)计算Q和C规整路径P,并由规整路径P采用最小二乘估计计算里程偏移量δ,按[t0-δ,tend-δ]重新选择查询序列Q,重复这一过程,直至相邻两次里程偏移量δ之差小于预设值;
再次利用动态时间规整算法(DTW)计算Q和C匹配路径Pbest,即轨道静态检查历史数据匹配关系。
进一步的,上述基于动态时间规整与最小二乘估计的轨道静态检查历史数据匹配方法,其中所述动态时间规整算法步骤包括:
计算两个序列间的距离矩阵D:
d(i,j)=||qi-cj||w
其中,i为查询序列Q索引,i=1,2…,n;j为匹配序列C索引,j=1,2,…,m。当w=1时,为曼哈顿距离;w=2时,为欧氏距离;
在D中采用动态规划方法寻找规整路径P:
P={p1,p2,...,pk,...,pK}
其中pk表示规整路径位置,即pk=(i,j)k表示qi与cj之间的匹配关系;
采用动态规划的思想确定规整路径位置pk,计算DTW距离时需构造代价矩阵,矩阵元素γ(i,j)定义为
计算Q和C的动态时间规整距离DTW(Q,C)应使得累积距离值最小。动态时间规整距离计算如下式
进一步的,上述基于动态时间规整与最小二乘估计的轨道静态检查历史数据匹配方法,其中,所述规整路径P,依据静态检查采样间隔0.125m,规整路径P中Q的数据索引i与C的数据索引j应呈线性关系
j=αi+Δ
其中,α为斜率,α≈1.0;Δ为截距,α与Δ采用最小二乘估计计算;里程偏移量δ=Δ×0.25m。
进一步的,上述基于动态时间规整与最小二乘估计的轨道静态检查历史数据匹配方法,其中,所述采用最小二乘估计计算里程偏移量δ,为提高估计精度,可设置相邻两次里程偏移量δ之差小于预设值δtol为循环终止条件,多次修正里程得到。
进一步的,上述基于动态时间规整与最小二乘估计的轨道静态检查历史数据匹配方法,其中,所述轨道静态检查历史数据通过轨道检查仪采集。
本发明基于动态时间规整与最小二乘估计实现轨道静态检查历史数据匹配。与现有技术相比,可实现在静态检查数据存在噪声、异步、偏移、漂移以及伸缩条件下的同里程多次静态检查数据的精确、快速的匹配。其匹配精度高,匹配速度快,可用于提高轨道静态检查数据的分析的精确性。
附图说明
图1为本发明第一实施例中的基于动态时间规整与最小二乘估计的轨道静态检查历史数据匹配方法的流程图;
图2为本发明第二实施例中的基于动态时间规整与最小二乘估计的轨道静态检查历史数据匹配方法的流程图;
图3为本发明第二实施例中查询序列Q与匹配序列C数据样本的示意图,其中图3a)为查询序列Q,图3b)为匹配序列C;
图4为本发明第二实施例中在D中采用动态规划方法寻找规整路径P的示意图;
图5为本发明第二实施例中预设δtol=0.000125m时,第1至14次循环计算的里程偏移量δ;
图6为本发明第二实施例中Q和C匹配路径Pbest示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
参照下面的描述和附图,将清楚本发明的实施例的这些和其他方面。在这些描述和附图中,具体公开了本发明的实施例中的一些特定实施方式,来表示实施本发明的实施例的原理的一些方式,但是应当理解,本发明的实施例的范围不受此限制。相反,本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
请参阅图1,为本发明第一实施例中的基于动态时间规整与最小二乘估计的轨道静态检查历史数据匹配方法,该匹配方法应用于轨道静态检查历史数据匹配,以确定历史数据间的里程、幅值关系。该匹配方法包括步骤S11~S13。
步骤S11,选择里程范围[t0,tend],确定查询序列Q与匹配序列C。
里程范围[t0,tend]可综合考虑轨道管理要求和数据匹配效率进行设置,t0和tend分别为起点里程值和终点里程值。具体的,匹配的静态检查历史数据间里程误差范围一般不大于100m。为保证序列间存在重叠且便于之后的里程偏差计算,查询序列与匹配序列的起点里程与终点里程之差tend-t0≥100m,如取tend-t0=1000m。查询序列Q与匹配序列C通过轨道检查仪采集。
步骤S12,利用DTW算法计算Q和C规整路径P,并由P采用最小二乘估计计算里程偏移量δ,按[t0-δ,tend-δ]重新选择查询序列Q。
度量距离的大小决定了数据间相似程度,相似性度量方式则决定了度量的效果。DTW系一种基于动态规划的弹性度量。与欧氏距离度量不同,DTW通过将时间序列规整来计算两个时间序列间的相似性,故其对处理存在非等长、偏移或振幅及时间轴的伸缩等问题的时间序列匹配上具有显著的优势。
其中,利用DTW算法计算Q和C规整路径P的步骤包括:
步骤S121:将计算查询序列Q与匹配序列C间的距离d(i,j)与距离矩阵D。
其中
d(i,j)=||qi-cj||w
式中i为查询序列Q索引,i=1,2…,n;j为匹配序列C索引,j=1,2,…,m。当w=1时,为曼哈顿距离;w=2时,为欧氏距离。得到距离矩阵
步骤122:在D中采用动态规划方法寻找规整路径
P={p1,p2,...,pk,...,pK}
其中pk表示规整路径位置,即pk=(i,j)k表示qi与cj之间的匹配关系;
具体的,采用动态规划的思想确定规整路径位置pk,计算DTW距离时需构造代价矩阵,矩阵元素γ(i,j)定义为
计算Q和C的动态时间规整距离DTW(Q,C)应使得累积距离值最小。动态时间规整距离计算如下式
里程偏移的存在直接影响匹配精度并间接影响匹配效率。消除里程偏移的步骤包括S123-S124。
步骤S123:由P采用最小二乘估计计算里程偏移量δ
具体的,依据静态检查采样间隔0.125m,规整路径P中Q的数据索引i与C的数据索引j应呈线性关系
j=αi+Δ
其中,α为斜率,α≈1.0;Δ为截距,α与Δ采用最小二乘估计计算;里程偏移量δ=Δ×0.125m。
具体的,按里程偏移量δ,将原里程范围[t0,tend]修正为[t0-δ,tend-δ]并选择相应的查询序列Q。
步骤S124:重复这一过程,直至相邻两次里程偏移量δ之差小于预设值。
具体的,将修正后查询序列Q与原匹配序列C再次重复步骤S121~S123,并预设δtol为两次里程偏移量δ之差的允差;当相邻两次里程偏移量δ之差小于δtol,循环终止;否则,重复步骤S121~S123。最终得到修正里程偏差的查询序列Q。
步骤S13,再次利用DTW算法计算Q和C匹配路径Pbest,即轨道静态检查历史数据匹配关系。
具体的,将里程修正后的查询序列Q和匹配序列C作为输入,并重复步骤S121-S122,计算动态时间规整距离并确定动态规整路径Pbest,即为匹配路径Pbest,即为该路径下索引i与索引j的匹配关系。
本发明实施例基于动态时间规整与最小二乘估计实现轨道静态检查历史数据匹配。与现有技术相比,可实现在静态检查数据存在噪声、异步、偏移、漂移以及伸缩条件下的同里程多次静态检查数据的精确、快速的匹配。其匹配精度高,匹配速度快,可用于提高轨道静态检查数据的分析的精确性。
请参阅图2,为本发明第二实施例中的基于动态时间规整与最小二乘估计的轨道静态检查历史数据匹配方法。该匹配方法包括步骤S21~S23。
步骤S21,选择里程范围[t0,tend],确定查询序列Q与匹配序列C。
具体的,如图3所示,选择里程范围[t0,tend]当前轨道检查仪静态检查的左高低数据作为查询序列Q(见图3a)),将同里程[t0,tend]范围的轨道检查仪既往静态检查的左高低数据作为匹配序列C(见图3b))。其中,t0=K1224.200km,tend=K1225.200km。
步骤S22,利用DTW算法计算Q和C规整路径P,并由P采用最小二乘估计计算里程偏移量δ,按[t0-δ,tend-δ]重新选择查询序列Q。
步骤S221:将计算查询序列Q与匹配序列C间的距离d(i,j)与距离矩阵D。
其中d(i,j)取欧氏距离
d(i,j)=||qi-cj||2
式中i为查询序列Q索引,i=1,2…,n;j为匹配序列C索引,j=1,2,…,m。得到距离矩阵D
步骤S222:在D中采用动态规划方法寻找规整路径P,如图4所示。
步骤S223:由P采用最小二乘估计计算里程偏移量δ,按[t0-δ,tend-δ]重新选择查询序列Q
估计Δ=292.,得里程偏移量δ=36.5m。
具体的,按里程偏移量δ,将原里程范围[K1224.2,K1225.2]修正为[K1224.1635,K1225.1635]并选择相应的查询序列Q。
步骤S224:重复这一过程,直至相邻两次里程偏移量δ之差小于预设值
具体的,见图5,预设δtol=0.000125m,将修正后查询序列Q与原匹配序列C再次重复步骤S121~S123;当迭代14次后相邻两次里程偏移量δ之差小于δtol,循环终止,里程偏移量δ=40.0m。最终查询序列Q量程范围[K1224.160,K1225.160]。
步骤S23,再次利用DTW算法计算Q和C匹配路径Pbest,即轨道静态检查历史数据匹配关系。
具体的,将里程修正后的查询序列Q和匹配序列C作为输入,并重复步骤S221、步骤S222,计算动态时间规整距离并确定动态规整路径Pbest,见图6,即为该路径下索引i与索引j的匹配关系。
可以理解的,作为一种可实施的方式,还可将静态检查左、右轨向、右高低以及水平、扭曲和轨距组合,构成查询序列与匹配序列,以进一步提到检测精确度。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明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、材料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。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种基于DTW与最小二乘估计的轨道静态检查历史数据匹配方法,其特征在于,包括:
选择[t0,tend]里程范围的当前静态检查数据作为查询序列Q,将同里程[t0,tend]范围的同名既往静态检查数据作为匹配序列C;
利用动态时间规整算法计算Q和C规整路径P,并由规整路径P采用最小二乘估计计算里程偏移量δ,按[t0-δ,tend-δ]重新选择查询序列Q,重复这一过程,直至相邻两次里程偏移量δ之差小于预设值;
再次利用动态时间规整算法计算Q和C匹配路径Pbest,即轨道静态检查历史数据匹配关系;
所述规整路径P,依据静态检查采样间隔0.125m,规整路径P中Q的数据索引i与C的数据索引j应呈线性关系:
j=αi+Δ
其中,α为斜率;Δ为截距,α与Δ采用最小二乘估计计算,里程偏移量δ=Δ×0.125m。
2.根据权利要求1所述的基于DTW与最小二乘估计的轨道静态检查历史数据匹配方法,其特征在于,所述动态时间规整算法步骤包括:
计算两个序列间的距离矩阵D;
在D中采用动态规划方法寻找规整路径P。
3.根据权利要求1所述的基于DTW与最小二乘估计的轨道静态检查历史数据匹配方法,其特征在于,所述采用最小二乘估计计算里程偏移量δ的步骤中,设置相邻两次里程偏移量δ之差小于预设值δtol为循环终止条件,通过多次修正里程得到。
4.根据权利要求1所述的基于DTW与最小二乘估计的轨道静态检查历史数据匹配方法,其特征在于,所述轨道静态检查历史数据通过轨道检查仪采集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110174127.5A CN112906782B (zh) | 2021-02-07 | 2021-02-07 | 基于dtw与最小二乘估计的轨道静态检查历史数据匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110174127.5A CN112906782B (zh) | 2021-02-07 | 2021-02-07 | 基于dtw与最小二乘估计的轨道静态检查历史数据匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906782A CN112906782A (zh) | 2021-06-04 |
CN112906782B true CN112906782B (zh) | 2024-01-26 |
Family
ID=76124043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110174127.5A Active CN112906782B (zh) | 2021-02-07 | 2021-02-07 | 基于dtw与最小二乘估计的轨道静态检查历史数据匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906782B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792371B (zh) * | 2021-09-27 | 2024-01-26 | 江西科技学院 | 基于锁相值的轨道异常匹配的诊断方法 |
CN115062697B (zh) * | 2022-06-09 | 2024-03-22 | 江西日月明测控科技股份有限公司 | 轨道不平顺识别方法、系统、计算机设备及可读存储介质 |
CN116202874B (zh) * | 2023-05-05 | 2023-07-14 | 青岛宇通管业有限公司 | 一种排水管材柔韧性测试方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6195638B1 (en) * | 1995-03-30 | 2001-02-27 | Art-Advanced Recognition Technologies Inc. | Pattern recognition system |
CN107402006A (zh) * | 2017-07-24 | 2017-11-28 | 武汉大学 | 基于轨道几何特征信息匹配的列车精密定位方法和系统 |
WO2018182528A1 (en) * | 2017-03-31 | 2018-10-04 | Agency For Science, Technology And Research | Trajectory estimation system and method |
CN110175422A (zh) * | 2019-05-31 | 2019-08-27 | 梁帆 | 一种基于数据挖掘的多周期钢轨伤损趋势预测方法 |
CN110309383A (zh) * | 2019-06-17 | 2019-10-08 | 武汉科技大学 | 基于改进的dbscan算法的船舶轨迹聚类分析方法 |
CN111046583A (zh) * | 2019-12-27 | 2020-04-21 | 中国铁道科学研究院集团有限公司通信信号研究所 | 基于DTW算法和ResNet网络的转辙机故障诊断方法 |
CN111105147A (zh) * | 2019-12-02 | 2020-05-05 | 北京交通大学 | 一种基于动态时间规整的道岔健康状态评估方法 |
CN111144618A (zh) * | 2019-12-04 | 2020-05-12 | 东南大学 | 一种基于两阶段优化模型的需求响应型定制公交网络规划方法 |
CN111399474A (zh) * | 2020-02-29 | 2020-07-10 | 中南大学 | 一种基于健康指标的均衡控制模块寿命预测方法及装置 |
CN111832618A (zh) * | 2020-06-08 | 2020-10-27 | 江西日月明测控科技股份有限公司 | 轨道动、静态检查数据的匹配方法 |
CN111964667A (zh) * | 2020-07-03 | 2020-11-20 | 杭州电子科技大学 | 一种基于粒子滤波算法的地磁_ins组合导航方法 |
CN112215409A (zh) * | 2020-09-24 | 2021-01-12 | 交控科技股份有限公司 | 一种轨道交通站点客流预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7177109B2 (en) * | 2004-11-08 | 2007-02-13 | Matsushita Electric Industrial Co., Ltd. | Methods for increasing the usable position error signal (PES) region |
-
2021
- 2021-02-07 CN CN202110174127.5A patent/CN112906782B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6195638B1 (en) * | 1995-03-30 | 2001-02-27 | Art-Advanced Recognition Technologies Inc. | Pattern recognition system |
WO2018182528A1 (en) * | 2017-03-31 | 2018-10-04 | Agency For Science, Technology And Research | Trajectory estimation system and method |
CN107402006A (zh) * | 2017-07-24 | 2017-11-28 | 武汉大学 | 基于轨道几何特征信息匹配的列车精密定位方法和系统 |
CN110175422A (zh) * | 2019-05-31 | 2019-08-27 | 梁帆 | 一种基于数据挖掘的多周期钢轨伤损趋势预测方法 |
CN110309383A (zh) * | 2019-06-17 | 2019-10-08 | 武汉科技大学 | 基于改进的dbscan算法的船舶轨迹聚类分析方法 |
CN111105147A (zh) * | 2019-12-02 | 2020-05-05 | 北京交通大学 | 一种基于动态时间规整的道岔健康状态评估方法 |
CN111144618A (zh) * | 2019-12-04 | 2020-05-12 | 东南大学 | 一种基于两阶段优化模型的需求响应型定制公交网络规划方法 |
CN111046583A (zh) * | 2019-12-27 | 2020-04-21 | 中国铁道科学研究院集团有限公司通信信号研究所 | 基于DTW算法和ResNet网络的转辙机故障诊断方法 |
CN111399474A (zh) * | 2020-02-29 | 2020-07-10 | 中南大学 | 一种基于健康指标的均衡控制模块寿命预测方法及装置 |
CN111832618A (zh) * | 2020-06-08 | 2020-10-27 | 江西日月明测控科技股份有限公司 | 轨道动、静态检查数据的匹配方法 |
CN111964667A (zh) * | 2020-07-03 | 2020-11-20 | 杭州电子科技大学 | 一种基于粒子滤波算法的地磁_ins组合导航方法 |
CN112215409A (zh) * | 2020-09-24 | 2021-01-12 | 交控科技股份有限公司 | 一种轨道交通站点客流预测方法及系统 |
Non-Patent Citations (6)
Title |
---|
Asynchronous track-to-track association algorithm based on dynamic time warping distance;Yang Yanting;2015 34th Chinese Control Conference (CCC);全文 * |
基于iBAT和DTW算法的异常轨迹检测;逄焕利;李红岩;;长春工业大学学报(02);全文 * |
基于动态时间弯曲的轨道波形匹配方法;魏晖等;振动与冲击;全文 * |
基于动态时间规整的模型传递方法;王文颢;刘振丙;雒志超;;桂林电子科技大学学报(01);全文 * |
基于多约束DTW的MPCA间歇过程监测方法;高学金;黄梦丹;王普;齐咏生;;北京工业大学学报(03);全文 * |
朱洪涛 ; 李姗 ; 肖勇 ; 魏晖 ; .基于动态时间弯曲的轨道波形匹配方法.振动与冲击.2018,(11),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112906782A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112906782B (zh) | 基于dtw与最小二乘估计的轨道静态检查历史数据匹配方法 | |
CN112949696A (zh) | 基于dtw与稳健估计的轨道静态检查历史数据匹配方法 | |
CN103486971B (zh) | 一种地铁隧道裂缝宽度检测及校正算法 | |
CN112883078B (zh) | 基于dtw与最小二乘估计的轨道动态检查历史数据匹配方法 | |
CN110906875B (zh) | 一种孔径测量的视觉处理方法 | |
CN109813269B (zh) | 结构监测传感器在线校准数据序列匹配方法 | |
CN107848344A (zh) | 用于确定轮胎胎纹的胎面深度的方法及其控制装置 | |
CN113032380B (zh) | 管道内外检测数据对齐方法、系统及设备 | |
CN108760200B (zh) | 车辆非匀速通过时桥梁影响线的测定方法 | |
CN108592903B (zh) | 一种基于路网地磁基准库的车辆地磁匹配定位方法 | |
CN117168337B (zh) | Ofdr应变边缘优化方法及测量方法 | |
CN112883079A (zh) | 基于dtw与稳健估计的轨道动态检查历史数据匹配方法 | |
CN104636634B (zh) | 一种在腔衰荡技术中筛选信号数据点及修正拟合结果的方法 | |
CN111832618A (zh) | 轨道动、静态检查数据的匹配方法 | |
CN112836166B (zh) | 基于响应峰分析的等间采样实验监测数据一阶微分算法 | |
CN111104985B (zh) | 一种异步航迹关联的加权滑窗方法 | |
CN109916361B (zh) | 一种无需角度位置信息的圆度测量信号处理方法 | |
CN117330604B (zh) | 自动化温度补偿方法、装置、计算机设备及存储介质 | |
CN111860633B (zh) | 一种波形传感数据的处理方法 | |
CN114896803B (zh) | 一种多参数的轨检数据里程定位方法 | |
CN109143210B (zh) | 一种声呐信号起始点实时跟踪方法、装置及声呐 | |
US20140012521A1 (en) | Methods for Eddy Current Data Matching | |
CN115267331B (zh) | 一种基于多频谱分析的信号方位定位方法及系统 | |
CN118071747B (zh) | 基于计算机视觉的零件钻孔偏移检测方法 | |
CN114924237B (zh) | 一种用于动态检测雷达数据异常值的滤波方法 |
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 |