1.本发明属于高速列车运行监测
技术领域：
：，具体涉及一种高速列车蛇行状态识别与峰值预测方法。
背景技术：
：：2.高速列车的转向架蛇行运动轻则会影响乘客乘坐时的舒适性，重则会损害列车零部件、影响列车的运行的安全。目前的高速列车蛇行运动判别标准可以识别出列车的蛇行失稳状态，但忽略了蛇行失稳过程中存在的大幅蛇行状态与正常状态之间的小幅蛇行状态。对高速列车运行过程中的小幅蛇行状态的识别，既能采取有效措施来阻止小幅蛇行对列车的危害，又能起到预警列车可能出现的大幅蛇行的作用。3.目前，对与高速列车的蛇行失稳监测主要采用的手段是在列车转向架构架上安装加速度传感器，通过对构架的横向加速度信号进行采集，加速度信号进行一定预处理流程之后，使用相应的判别算法或判别标准对预处理后的构架横向加速度信号进行计算，进而判别列车是否发生蛇行失稳。目前中国、美国、欧洲等几个主要国家和地区的列车蛇行失稳判别方法相似但有所不同，没有形成统一，国外常用的标准主要有en14363、uic518等。目前我国采用的列车蛇行失稳的监测标准为gb/t5599-2019和tb10761-2013，主要规定了列车转向架构架的横向加速度信号在经过0.5~10hz的带通滤布处理后，加速度信号的峰值不能连续六个周期或六个周期以上的加速度峰值超过8。但是，一些研究表明了目前所采用的蛇行失稳监测标准不能监测出所有的蛇行情况，需要对标准进行改进和扩展。4.目前大多数对高速列车蛇行失稳监测的研究主要围绕列车的临界速度的研究以及实测列车运行数据的研究；这些研究之中很多研究还是以列车构架加速度信号以及目前国内采用的报警标准为主，同时对标准进行补充。贾璐选取不同参数下的抗蛇行减振器进行仿真，通过列车极限环理论结果的对比，对五种不同的蛇行判别标准进行测试实验，实验结果表明了选取的五种蛇行判别标准的临界速度不同，存在速度偏差，不能满足所有的车况。孙丽霞提出了一种使用列车转向架横向加速度信号的能量分布特征的列车横向运动稳定性判别法，旨在解决高速列车出现在超临界极限环分岔形式下的蛇行失稳时，现有标准单一通过列车构架横向加速度信号峰值检测法无法检测出小幅蛇行失稳的问题。sun提出一种基于信号互相关系数的判别方法：通过车体横向振动加速度信号和构架横向加速度信号的相关系数是否超过某一阈值来判定车辆的失稳状态。蔡里军通过对列车构架加速度信号的研究，对现有蛇行失稳检测标准进行了补充，构架横向加速度信号需满足：峰值连续六次超过2、主频位于2~12.07hz内且构架摇头和横摆的自振频率不同。上述研究方法均为对列车信号数据进行分析，通过对信号特征的统计，给出新的阈值限定加速度信号，作为新的判别标准或对当前判别标准的补充，本质上与当前标准对列车构架横向加速度给出阈值进行限定的方法相同。这些方法虽然计算简单，但单一给出阈值的判别方法始终无法概括全部车况，容易出现漏报的情况，此外这种方法需要较长时间的信号累积计算，会出现延迟报警的问题。5.此外，宁静、刘棋、冉伟等也提出了基于信号特征提取的方法旨在应用至高速列车小幅蛇行监测问题之中，其中宁静针对列车构架横加速度信号的不平稳性和特征提取计算量偏大的问题，提出了一种基于非平稳核的本征矩阵联合近似对角化方法（nkjade），旨在快速提取信号特征，缩短特征提取时间，以适应列车在线监测的要求。但是，信号特征提取方法需要人工特征选择，无法保证所提取特征具有良好的泛化性，且最终也需要设定特征的阈值来对列车的蛇行状态进行分类，单一的特征阈值同样也无法满足所有的车况。6.综上所示，以上针对高速列车蛇行状态识别的方法泛化性较低，无法适应全部车况。以上的基于机器学习与深度学习的列车蛇行状态识别方法都没有解决列车蛇行数据自身的问题，包括生成对抗网络的数据增强方法，本质上仍然是对已有样本的复用，依然无法避免数据不平衡损害模型训练的问题。高速列车蛇行数据具有蛇行异常数据少、数据难以标注的问题，导致基于人工智能方法的模型无法正常训练。技术实现要素：7.针对现有技术中的上述不足，本发明提供的高速列车蛇行状态识别与峰值预测方法解决了现有高速列车蛇行状态识别的方法泛化性较低的问题。8.为了达到上述发明目的，本发明采用的技术方案为：一种高速列车蛇行状态识别与峰值预测方法，包括以下步骤：s1、采集高速列车构架的横向加速度信号构成源域数据集和目标域数据集；s2、对源域数据集进行源域选择，筛选参与训练的源域时域信号；s3、构建状态识别与峰值预测网络，并利用所述源域时域信号和目标域时域信号对其训练；s4、将待识别的横向加速度信号序列输入至训练好的状态识别与峰值预测网络中，获得当前高速列车状态识别结果及其对应的峰值预测结果；其中，所述状态识别与峰值预测网络包括并列的域内迁移模型和域间迁移模型；所述域内迁移模型的输入信号包括源域时域信号，以及源域时域信号及其频域信息的组合信息，用于确定域内不变特征；所述域间迁移模型的输入信号包括源域时域信号和目标域时域信号，用于确定域间不变特征。9.进一步地，所述步骤s2具体为：s21、设置参数，包括阈值r，聚类簇数c，以及内聚度缩小步长；s22、在每个源域数据子集中随机挑选k个样本作为初始均值向量；其中，下标k为样本序数；其中，源域数据集中包含n个源域数据子集、…，样本与横向加速度信号对应；s23、依次计算样本到特征与当前各均值向量的距离；其中，j为特征序数，，i为均值向量序数，其与聚类簇的计数值对应，即；s24、根据最小距离对应的均值向量确定特征的簇标记，将其划入对应的聚类簇中；s25、计算各聚类簇中的当前均值向量；s26、重复步骤s23~s25，直到当前均值向量与上一次迭代时的均值向量相同，得到包含c个聚类簇的样本聚类结果；s27、计算各聚类簇内的最大样本内聚度；s28、根据内聚度缩小步长调整最大样本内聚度，并删除内聚度大于调整后的内聚度的样本，直到各聚类簇内准确度大于阈值r，将各簇内剩余样本组成筛选出的源域时域信号。10.进一步地，所述步骤s3中，在所述状态识别与峰值预测网络中，所述域内迁移模型包括并列的第一编码器和第二编码器，所述第一编码器通过第一全连接层分别与第一分类器和第一峰值预测器连接，所述第二编码器通过第二全连接层分别与第二分类器和第二峰值预测器连接；所述第一编码器的输入信号为源域时域信号，所述第一分类器的输出信号为源域时域信号对应的状态识别结果，所述第一峰值预测器的输出信号为识别状态的对应峰值预测结果；所述第二编码器的输入信号为源域时域信号及其频域信息的组合信息，所述第二分类器的输出信号为组合信息对应的状态识别结果，第二峰值预测器的输出信号为识别状态对应的峰值预测结果。11.进一步地，在所述域内迁移模型中，采用域内适配器评估确定的域内不变特征的准确性，其表达式为：式中，和分别表示第一编码器与第二编码器所输出的第个特征值，下标j为特征序数，j为特征总数。12.进一步地，所述步骤s3中，在所述状态识别与峰值预测网络中，所述域间迁移模型与所述域内迁移模型共用第一编码器、第一全连接层、第一分类器和第一峰值预测器，所述域间迁移学习模型包括与第一编码器结构相同的第三编码器，所述第三编码器通过第三全连接层分别与第三分类器和第三峰值预测器连接；所述第三编码器的输入信号为目标域时域信号，所述第三分类器的输出信号为目标域时域信号的状态识别结果，所述第三峰值预测器的输出信号的识别状态的峰值预测结果，所述第三分类器和第三峰值预测器的输出结果作为所述状态识别与峰值预测网络的高速列车状态识别结果及其对应的峰值预测结果。13.进一步地，在所述域间迁移模型中，采用mmd距离衡量源域与目标域的时域信号差异，其表达式为：式中，为源域与目标域的时域信号的mmd距离，为第p个源域数据的特征，为第q个源域数据的特征，为第p个目标域数据的特征，为第q个目标域数据的特征，为用于衡量差异的源域中的样本个数，为目标域中的样本个数，为高斯径向基函数。14.进一步地，所述第一分类器和第二分类器的损失函数均为：式中，为第l个输入数据的识别类别，y为真实类别，为分类器中输出向量的第个元素，其与真实类别对应，为分类器中输出向量的第个元素，l为输入数据总数，m为真实类别的总数；所述第一峰值预测器和第二峰值预测器的损失函数均为：式中，和分别表示横向加速度信号未来的第h个峰值与其预测值，h为峰值与其预测值总数。15.进一步地，所述步骤s3中，所述状态识别与峰值预测网络的损失函数为：式中，为第一分类器和第二分类器对应的损失之和，为第一峰值预测器和第二峰值预测器对应的损失之和，、和分别为、和对应的权重超参数。16.进一步地，在所述状态识别与峰值预测网络的训练过程中，权重超参数、和的计算公式为：的计算公式为：的计算公式为：式中，为当前训练批次，为上一次训练批次；、、三者分别为关于训练批次的权重超参数、和的函数；、、三者表示一种关于训练批次的损失权重函数，其表达式分别为：于训练批次的损失权重函数，其表达式分别为：于训练批次的损失权重函数，其表达式分别为：式中，、和分别为上一批次训练中的损失、和的值；、和为上一批次的上一批次训练中的损失、和的值。17.本发明的有益效果为：（1）本发明提供的蛇行状态识别与峰值预测方法属于一种无监督迁移学习方法，该模型编码器学习高速列车的构架横向加速度信号特征，通过域内迁移模型部分学习信号的频域特征，通过域间迁移模型来实现不同车况下数据集间识别与峰值预测任务的迁移，同时并通过一种源域选择方法，筛选源域样本参与模型的训练，从而提高模型对蛇行状态识别的准确率与峰值预测的准确度。18.（2）本发明方法可以有效的提升模型在迁移任务中的性能，可以完成对高速列车的蛇行识别任务与构架横向加速度峰值预测任务，从而可以识别并预测高速列车的蛇行趋势。附图说明19.图1为本发明提供的高速列车蛇行状态识别及峰值预测方法流程图。20.图2为本发明提供的状态识别与峰值预测网络示意图。21.图3为本发明提供的域内迁移模型示意图。22.图4为本发明提供的域间迁移模型示意图。23.图5为本发明提供的峰值预测输入输出示意图。24.图6为本发明提供的蛇行异常信号峰值示意图。25.图7为本发明提供的扩展前后大幅蛇行信号频域对比示意图。26.图8为本发明提供的分类损失示意图。27.图9为本发明提供的峰值预测损失示意图。28.图10为本发明提供的域迁移损失示意图。具体实施方式29.下面对本发明的具体实施方式进行描述，以便于本
技术领域：
：的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本
技术领域：
：的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。30.实施例1：本发明实施例提供了一种高速列车蛇行状态识别与峰值预测方法，如图1所示，包括以下步骤：s1、采集高速列车构架的横向加速度信号构成源域数据集和目标域数据集；s2、对源域数据集进行源域选择，筛选参与训练的源域时域信号；s3、构建状态识别与峰值预测网络，并利用所述源域时域信号和目标域时域信号对其训练；s4、将待识别的横向加速度信号序列输入至训练好的状态识别与峰值预测网络中，获得当前高速列车状态识别结果及其对应的峰值预测结果；其中，所述状态识别与峰值预测网络包括并列的域内迁移模型和域间迁移模型；所述域内迁移模型的输入信号包括源域时域信号，以及源域时域信号及其频域信息的组合信息，用于确定域内不变特征；所述域间迁移模型的输入信号包括源域时域信号和目标域时域信号，用于确定域间不变特征。31.在本发明实施例的步骤s2中，在后续状态识别与峰值预测网络进行迁移学习时，或源域样本与目标域样本特征差异过大，会导致模型训练时向错误的方向更新，导致最终网络模型的效果不理想；因此，本实施例中，在训练网络模型前，通过源域选择方法，旨在选择单个或多个源域数据集中与目标域数据集偏差较小的源域数据，从而提高迁移学习后的模型表现。基于此，本发明实施例中的步骤s2具体为：s21、设置参数，包括阈值r，聚类簇数c，以及内聚度缩小步长；s22、在每个源域数据子集中随机挑选k个样本作为初始均值向量；其中，下标k为样本序数；其中，源域数据集中包含n个源域数据子集、…，样本与横向加速度信号对应；s23、依次计算样本到特征与当前各均值向量的距离；其中，j为特征序数，，i为均值向量序数，其与聚类簇的计数值对应，即；s24、根据最小距离对应的均值向量确定特征的簇标记，将其划入对应的聚类簇中；s25、计算各聚类簇中的当前均值向量；s26、重复步骤s23~s25，直到当前均值向量与上一次迭代时的均值向量相同，得到包含c个聚类簇的样本聚类结果；s27、计算各聚类簇内的最大样本内聚度；s28、根据内聚度缩小步长调整最大样本内聚度，并删除内聚度大于调整后的内聚度的样本，直到各聚类簇内准确度大于阈值r，将各簇内剩余样本组成筛选出的源域时域信号。32.本发明实施例中后续网络模型主要学习的为域间不变特征，为源域间的公共特征，故可通过上述聚类方法进行筛选，通过上述数据筛选方法，减小了异常数据对网络模型训练的干扰，提高训练数据的内聚度，式模型更专注于类间差异。33.在本发明实施例的步骤s3中，如图2所示，构建的状态识别与峰值预测网络包括域内迁移模型和域间迁移模型，其中域内迁移学习的目的是让网络模型更好的从时域数据学习频域信息，所用到的数据来源于同一源域，因为列车蛇行数据的频域信息对蛇行状态识别与峰值预测有极大的帮助；域间迁移模型目的是让模型学习不同车况间的公共列车蛇行数据特征，通过减小二者分布差异来提高模型在目标域上的性能。34.具体地，在本实施例步骤s3中的状态识别与峰值预测网络中，如图3所示，所述域内迁移模型包括并列的第一编码器和第二编码器，所述第一编码器通过第一全连接层分别与第一分类器和第一峰值预测器连接，所述第二编码器通过第二全连接层分别与第二分类器和第二峰值预测器连接；所述第一编码器的输入信号为源域时域信号，所述第一分类器的输出信号为源域时域信号对应的状态识别结果，所述第一峰值预测器的输出信号为识别状态的对应峰值预测结果；所述第二编码器的输入信号为源域时域信号及其频域信息的组合信息，所述第二分类器的输出信号为组合信息对应的状态识别结果，第二峰值预测器的输出信号为识别状态对应的峰值预测结果。35.本实施例中的上述域内迁移模型旨在学习域内不变特征，即时域信号中存在的频域信息。36.在本实施例中，在所述域内迁移模型中，采用域内适配器评估确定的域内不变特征的准确性，其表达式为：式中，和分别表示第一编码器与第二编码器所输出的第个特征值，下标j为特征序数，j为特征总数。37.在本实施例中，通过上述域内适配器来评估域内迁移效果，即时域信号的频域信息。38.本发明实施例步骤s3中，在状态识别与峰值预测网络中，如图4所示，所述域间迁移模型与所述域内迁移模型共用第一编码器、第一全连接层、第一分类器和第一峰值预测器，所述域间迁移学习模型包括与第一编码器结构相同的第三编码器，所述第三编码器通过第三全连接层分别与第三分类器和第三峰值预测器连接；所述第三编码器的输入信号为目标域时域信号，所述第三分类器的输出信号为目标域时域信号的状态识别结果，所述第三峰值预测器的输出信号的识别状态的峰值预测结果，所述第三分类器和第三峰值预测器的输出结果作为所述状态识别与峰值预测网络的高速列车状态识别结果及其对应的峰值预测结果。39.本实施例中的域间迁移学习模型通过两个相同结构的第一编码器组成，构成共同更新参数的孪生网络，其输入信号分别为源域时域信号与目标域时域信号，输出为源域信号的分类结果和峰值预测结果；网络模型训练完毕后，可以拟合出一种时域信号向高维特征的映射，可以对目标域数据与源域数据的公共特征进行提取。40.本实施例中，在所述域间迁移模型中，采用mmd距离衡量源域与目标域的时域信号差异，其表达式为：式中，为源域与目标域的时域信号的mmd距离，为第p个源域数据的特征，为第q个源域数据的特征，为第p个目标域数据的特征，为第q个目标域数据的特征，为用于衡量差异的源域中的样本个数，为目标域中的样本个数，为高斯径向基函数。41.其中，取核函数k为高斯径向基函数（rbf），即：在本实施例中，上述计算出的mmd距离可以用来评估特征维度下的分布差异，通过减小这一差异来保证网络学习到的特征为源域与目标域数据的公共特征，通过约束mmd距离的结果可以达到迁移的目的。42.在本发明实施例中，上述状态识别与峰值预测网络中，第一分类器和第二分类器的损失函数均为：式中，为第l个输入数据的识别类别，y为真实类别，为分类器中输出向量的第个元素，其与真实类别对应，为分类器中输出向量的第个元素，l为输入数据总数，m为真实类别的总数；所述第一峰值预测器和第二峰值预测器的损失函数均为：式中，和分别表示横向加速度信号未来的第h个峰值与其预测值，h为峰值与其预测值总数。43.在本实施例中，在域间迁移模型输出源域信号的分类结果和峰值预测时，由于目标域数据为无标签数据，其对应的第三分类器和第三峰值预测器不对目标域数据进行损失计算。44.在本发明实施例的步骤s3中，域内迁移模型学习源域数据集中的域内不变信息，即时频信息；同时通过域间迁移模型学习域间不变特征，通过域自适应，完成目标域的时域信号分类及峰值预测。基于此，本实施例中状态识别与峰值预测网络的损失函数为：式中，为第一分类器和第二分类器对应的损失之和，为第一峰值预测器和第二峰值预测器对应的损失之和，、和分别为、和对应的权重超参数。45.在所述状态识别与峰值预测网络的训练过程中，使用一种动态权重的方法确定上述损失函数中的权重超参数、和，其计算公式为：，其计算公式为：，其计算公式为：式中，为当前训练批次，为上一次训练批次；、、三者分别为关于训练批次的权重超参数、和的函数；、、三者表示一种关于训练批次的损失权重函数，其表达式分别为：于训练批次的损失权重函数，其表达式分别为：于训练批次的损失权重函数，其表达式分别为：式中，、和分别为上一批次训练中的损失、和的值；、和为上一批次的上一批次训练中的损失、和的值。46.实施例2：本发明实施例提供了实施例1中蛇行状态识别与峰值预测方法对应的实验例：本实施例中以多条真实的高速列车的构架横向加速度数据为训练数据，将这些数据分为不同的数据源，对上述状态识别与峰值预测网络进行实验，并与相关一些方法进行对比。47.本实施例中状态识别与峰值预测网络输入为在250hz下的200个高速列车构架横向加速度时间序列采样点，即0.8秒的一段加速度信号；输出为高速列车蛇行状态识别结果（正常、小幅蛇行或大幅蛇行）和未来时间内信号的6次峰（谷）值。如图5所示，峰值预测输入输出示意图所示，横轴为在250hz采样频率下的信号的时间序列采样点，前200个采样点为样本作为输入，预测其后面所会出现的连续前6次波峰（谷）的峰值。对于正常的列车蛇行数据，峰值预测结果为0。48.本实施例中使用了crh380a列车在国内某线路上行驶时的真实列车运行数据。本方法中网络模型的任务为真实列车运行数据间迁移任务，完成目标域数据上的蛇行状态识别任务与信号峰值预测如图6中展示的一段列车在蛇行异常时的转向架构架加速度信号，其中对加速度信号的峰值超过8m/s2的地方用点进行了标注；虚线框为符合国家标准对大幅蛇行判断的信号段；实线线框为峰值接近8m/s2或达到但未连续六次峰值达到8m/s2的信号段，虽然未达到国家标准的规定，但其信号特征与虚线框中的信号段相似，也能通过深度学习方法对该段信号中蕴含的列车蛇行状态信息进行挖掘，用以判断当前列车的蛇行状态或预测未来短时间内列车的运行状态。因此实施例在大幅蛇行的数据标注过程中，基于国家现有标准与多传感器数据，对大幅数据进行了扩充，图7展示了扩展后数据与扩展前数据的频域对比，可以观察出，扩展后的信号数据峰值与扩展前数据峰值近似，且频域特征相似，可以认为与国家标准判定的蛇行数据一致，且发生的时间接近，标注为大幅数据后，可以起到增强模型识别能力、增强模型泛化能力、提前识别大幅蛇行等作用。49.基于上述扩充后数据集，为了验证本发明提出的网络模型在高速列车小幅识别问题与构架加速度峰值预测问题上的有效性，如表1所示，本实施例进行了四个迁移实验：s1→s3、s2→s5、s3 s4→s2、s2 s4→s5；箭头前为源域数据集，箭头后为目标域数据集，其中任务3与任务4的源域的样本来自于两个不同的数据集，即由多个源域数据集组成。table3中的四个迁移任务中，源域数据集为有标签数据，目标域中训练集为无标签数据，即所进行的四个迁移任务均为无监督学习。50.表1：迁移任务设定迁移任务源域目标域表示任务1s1s3s1→s3任务2s2s5s2→s5任务3s3 s4s2s3 s4→s2任务4s2 s4s5s2 s4→s5本实施例中的四个迁移任务的结果如表2所示，四个迁移任务的源域数据集在经过本发明提出的源域选择算法筛选后，数据量都不同程度的减少，但随着对聚类中边缘数据的剔除，聚类后平均内聚度也不同程度的减少，意味着数据中边缘数据的减少。51.表2：基于k-means源域选择算法结果迁移任务源域数据量原平均内聚度聚类后数据量聚类后平均内聚度任务1s115249.2114016.98任务2s217518.9815495.27任务3s3 s434856.8133545.81任务4s2 s433038.3529465.94图8、图9和图10展示了模型在训练过程中的损失收敛过程，说明本发明提出的网络模型可以在训练过程中有效的增强模型的蛇行识别能力、峰值预测能力、频域学习能力与域间公共特征的能力。52.为了进一步验证本发明所提出的网络模型各个部分的有效性，实施例中选取了4个其他方法，对表1中的四个迁移任务进行了实验，取十次的平均结果。53.高速列车蛇行异常识别准确率见表3，目标域构架横向加速度峰值预测损失表现见表4。表3与表4中，除去本实施例方法外的另四种方法分别是：非迁移学习方法（没有使用任何迁移手段）、无域内迁移方法（与本方法相比无域内迁移模型）、无域间迁移方法（与本方法相比无域间迁移模型）、无源域选择方法（与本方法相比无源域选择方法）。54.表3：不同方法的识别结果对比方法s1→s3s2→s5s3 s4→s2s2 s4→s5非迁移学习方法89.90�.43�.69�.70%无域内迁移方法96.16�.63�.82�.29%无域间迁移方法92.49�.66�.65�.34%无源域选择方法97.00�.09�.25�.33%本方法98.87�.16�.84�.45%表4：不同方法的峰值预测损失结果对比方法s1→s3s2→s5s3 s4→s5s4 s5→s2非迁移学习方法14.4616.8520.5719.18无域内迁移方法9.6211.1310.3510.87无域间迁移方法13.5715.3617.2918.34无源域选择方法7.698.336.649.07本方法7.098.106.548.75如表3和表4中所示的四种对比方法与本发明实施例中方法的高速列车蛇行异常迁移识别与峰值预测实验结果，可以观察出以下几点：1）非迁移学习方法实验效果均不如使用了迁移学习手段的方法的效果，验证了迁移学习方法在蛇行识别与峰值预测问题上的有效性。2）通过与非迁移学习方法的结果对比，可以得出本方法提出的模型各个部分均能提升模型性能，其中对模型性能提升效果由大到小的三个模块分别是：域间迁移模块、域内迁移模块、源域选择模块。由于数据集间的车况不同，数据分布差异较大，域间迁移的效果最好，域内迁移效果次之。而源域选择算法可以少量剔除部分源域数据，排除这部分数据对迁移的干扰，能够小幅提升模型性能。3）观察任务s2→s5与任务s2 s4→s5的结果，可以发现任务s2 s4→s5的结果普遍好于任务s2 s4→s5的结果。这种结果符合深度学习中的一般规律，说明了较多的源域数据可以提升模型的泛化性能，对提升模型性能有更好的帮助。4）本方法中，模型中各个部分均能有效的进行迁移，性能突出。55.本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。56.本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。当前第1页12当前第1页12
技术领域：
：，具体涉及一种高速列车蛇行状态识别与峰值预测方法。
背景技术：
：：2.高速列车的转向架蛇行运动轻则会影响乘客乘坐时的舒适性，重则会损害列车零部件、影响列车的运行的安全。目前的高速列车蛇行运动判别标准可以识别出列车的蛇行失稳状态，但忽略了蛇行失稳过程中存在的大幅蛇行状态与正常状态之间的小幅蛇行状态。对高速列车运行过程中的小幅蛇行状态的识别，既能采取有效措施来阻止小幅蛇行对列车的危害，又能起到预警列车可能出现的大幅蛇行的作用。3.目前，对与高速列车的蛇行失稳监测主要采用的手段是在列车转向架构架上安装加速度传感器，通过对构架的横向加速度信号进行采集，加速度信号进行一定预处理流程之后，使用相应的判别算法或判别标准对预处理后的构架横向加速度信号进行计算，进而判别列车是否发生蛇行失稳。目前中国、美国、欧洲等几个主要国家和地区的列车蛇行失稳判别方法相似但有所不同，没有形成统一，国外常用的标准主要有en14363、uic518等。目前我国采用的列车蛇行失稳的监测标准为gb/t5599-2019和tb10761-2013，主要规定了列车转向架构架的横向加速度信号在经过0.5~10hz的带通滤布处理后，加速度信号的峰值不能连续六个周期或六个周期以上的加速度峰值超过8。但是，一些研究表明了目前所采用的蛇行失稳监测标准不能监测出所有的蛇行情况，需要对标准进行改进和扩展。4.目前大多数对高速列车蛇行失稳监测的研究主要围绕列车的临界速度的研究以及实测列车运行数据的研究；这些研究之中很多研究还是以列车构架加速度信号以及目前国内采用的报警标准为主，同时对标准进行补充。贾璐选取不同参数下的抗蛇行减振器进行仿真，通过列车极限环理论结果的对比，对五种不同的蛇行判别标准进行测试实验，实验结果表明了选取的五种蛇行判别标准的临界速度不同，存在速度偏差，不能满足所有的车况。孙丽霞提出了一种使用列车转向架横向加速度信号的能量分布特征的列车横向运动稳定性判别法，旨在解决高速列车出现在超临界极限环分岔形式下的蛇行失稳时，现有标准单一通过列车构架横向加速度信号峰值检测法无法检测出小幅蛇行失稳的问题。sun提出一种基于信号互相关系数的判别方法：通过车体横向振动加速度信号和构架横向加速度信号的相关系数是否超过某一阈值来判定车辆的失稳状态。蔡里军通过对列车构架加速度信号的研究，对现有蛇行失稳检测标准进行了补充，构架横向加速度信号需满足：峰值连续六次超过2、主频位于2~12.07hz内且构架摇头和横摆的自振频率不同。上述研究方法均为对列车信号数据进行分析，通过对信号特征的统计，给出新的阈值限定加速度信号，作为新的判别标准或对当前判别标准的补充，本质上与当前标准对列车构架横向加速度给出阈值进行限定的方法相同。这些方法虽然计算简单，但单一给出阈值的判别方法始终无法概括全部车况，容易出现漏报的情况，此外这种方法需要较长时间的信号累积计算，会出现延迟报警的问题。5.此外，宁静、刘棋、冉伟等也提出了基于信号特征提取的方法旨在应用至高速列车小幅蛇行监测问题之中，其中宁静针对列车构架横加速度信号的不平稳性和特征提取计算量偏大的问题，提出了一种基于非平稳核的本征矩阵联合近似对角化方法（nkjade），旨在快速提取信号特征，缩短特征提取时间，以适应列车在线监测的要求。但是，信号特征提取方法需要人工特征选择，无法保证所提取特征具有良好的泛化性，且最终也需要设定特征的阈值来对列车的蛇行状态进行分类，单一的特征阈值同样也无法满足所有的车况。6.综上所示，以上针对高速列车蛇行状态识别的方法泛化性较低，无法适应全部车况。以上的基于机器学习与深度学习的列车蛇行状态识别方法都没有解决列车蛇行数据自身的问题，包括生成对抗网络的数据增强方法，本质上仍然是对已有样本的复用，依然无法避免数据不平衡损害模型训练的问题。高速列车蛇行数据具有蛇行异常数据少、数据难以标注的问题，导致基于人工智能方法的模型无法正常训练。技术实现要素：7.针对现有技术中的上述不足，本发明提供的高速列车蛇行状态识别与峰值预测方法解决了现有高速列车蛇行状态识别的方法泛化性较低的问题。8.为了达到上述发明目的，本发明采用的技术方案为：一种高速列车蛇行状态识别与峰值预测方法，包括以下步骤：s1、采集高速列车构架的横向加速度信号构成源域数据集和目标域数据集；s2、对源域数据集进行源域选择，筛选参与训练的源域时域信号；s3、构建状态识别与峰值预测网络，并利用所述源域时域信号和目标域时域信号对其训练；s4、将待识别的横向加速度信号序列输入至训练好的状态识别与峰值预测网络中，获得当前高速列车状态识别结果及其对应的峰值预测结果；其中，所述状态识别与峰值预测网络包括并列的域内迁移模型和域间迁移模型；所述域内迁移模型的输入信号包括源域时域信号，以及源域时域信号及其频域信息的组合信息，用于确定域内不变特征；所述域间迁移模型的输入信号包括源域时域信号和目标域时域信号，用于确定域间不变特征。9.进一步地，所述步骤s2具体为：s21、设置参数，包括阈值r，聚类簇数c，以及内聚度缩小步长；s22、在每个源域数据子集中随机挑选k个样本作为初始均值向量；其中，下标k为样本序数；其中，源域数据集中包含n个源域数据子集、…，样本与横向加速度信号对应；s23、依次计算样本到特征与当前各均值向量的距离；其中，j为特征序数，，i为均值向量序数，其与聚类簇的计数值对应，即；s24、根据最小距离对应的均值向量确定特征的簇标记，将其划入对应的聚类簇中；s25、计算各聚类簇中的当前均值向量；s26、重复步骤s23~s25，直到当前均值向量与上一次迭代时的均值向量相同，得到包含c个聚类簇的样本聚类结果；s27、计算各聚类簇内的最大样本内聚度；s28、根据内聚度缩小步长调整最大样本内聚度，并删除内聚度大于调整后的内聚度的样本，直到各聚类簇内准确度大于阈值r，将各簇内剩余样本组成筛选出的源域时域信号。10.进一步地，所述步骤s3中，在所述状态识别与峰值预测网络中，所述域内迁移模型包括并列的第一编码器和第二编码器，所述第一编码器通过第一全连接层分别与第一分类器和第一峰值预测器连接，所述第二编码器通过第二全连接层分别与第二分类器和第二峰值预测器连接；所述第一编码器的输入信号为源域时域信号，所述第一分类器的输出信号为源域时域信号对应的状态识别结果，所述第一峰值预测器的输出信号为识别状态的对应峰值预测结果；所述第二编码器的输入信号为源域时域信号及其频域信息的组合信息，所述第二分类器的输出信号为组合信息对应的状态识别结果，第二峰值预测器的输出信号为识别状态对应的峰值预测结果。11.进一步地，在所述域内迁移模型中，采用域内适配器评估确定的域内不变特征的准确性，其表达式为：式中，和分别表示第一编码器与第二编码器所输出的第个特征值，下标j为特征序数，j为特征总数。12.进一步地，所述步骤s3中，在所述状态识别与峰值预测网络中，所述域间迁移模型与所述域内迁移模型共用第一编码器、第一全连接层、第一分类器和第一峰值预测器，所述域间迁移学习模型包括与第一编码器结构相同的第三编码器，所述第三编码器通过第三全连接层分别与第三分类器和第三峰值预测器连接；所述第三编码器的输入信号为目标域时域信号，所述第三分类器的输出信号为目标域时域信号的状态识别结果，所述第三峰值预测器的输出信号的识别状态的峰值预测结果，所述第三分类器和第三峰值预测器的输出结果作为所述状态识别与峰值预测网络的高速列车状态识别结果及其对应的峰值预测结果。13.进一步地，在所述域间迁移模型中，采用mmd距离衡量源域与目标域的时域信号差异，其表达式为：式中，为源域与目标域的时域信号的mmd距离，为第p个源域数据的特征，为第q个源域数据的特征，为第p个目标域数据的特征，为第q个目标域数据的特征，为用于衡量差异的源域中的样本个数，为目标域中的样本个数，为高斯径向基函数。14.进一步地，所述第一分类器和第二分类器的损失函数均为：式中，为第l个输入数据的识别类别，y为真实类别，为分类器中输出向量的第个元素，其与真实类别对应，为分类器中输出向量的第个元素，l为输入数据总数，m为真实类别的总数；所述第一峰值预测器和第二峰值预测器的损失函数均为：式中，和分别表示横向加速度信号未来的第h个峰值与其预测值，h为峰值与其预测值总数。15.进一步地，所述步骤s3中，所述状态识别与峰值预测网络的损失函数为：式中，为第一分类器和第二分类器对应的损失之和，为第一峰值预测器和第二峰值预测器对应的损失之和，、和分别为、和对应的权重超参数。16.进一步地，在所述状态识别与峰值预测网络的训练过程中，权重超参数、和的计算公式为：的计算公式为：的计算公式为：式中，为当前训练批次，为上一次训练批次；、、三者分别为关于训练批次的权重超参数、和的函数；、、三者表示一种关于训练批次的损失权重函数，其表达式分别为：于训练批次的损失权重函数，其表达式分别为：于训练批次的损失权重函数，其表达式分别为：式中，、和分别为上一批次训练中的损失、和的值；、和为上一批次的上一批次训练中的损失、和的值。17.本发明的有益效果为：（1）本发明提供的蛇行状态识别与峰值预测方法属于一种无监督迁移学习方法，该模型编码器学习高速列车的构架横向加速度信号特征，通过域内迁移模型部分学习信号的频域特征，通过域间迁移模型来实现不同车况下数据集间识别与峰值预测任务的迁移，同时并通过一种源域选择方法，筛选源域样本参与模型的训练，从而提高模型对蛇行状态识别的准确率与峰值预测的准确度。18.（2）本发明方法可以有效的提升模型在迁移任务中的性能，可以完成对高速列车的蛇行识别任务与构架横向加速度峰值预测任务，从而可以识别并预测高速列车的蛇行趋势。附图说明19.图1为本发明提供的高速列车蛇行状态识别及峰值预测方法流程图。20.图2为本发明提供的状态识别与峰值预测网络示意图。21.图3为本发明提供的域内迁移模型示意图。22.图4为本发明提供的域间迁移模型示意图。23.图5为本发明提供的峰值预测输入输出示意图。24.图6为本发明提供的蛇行异常信号峰值示意图。25.图7为本发明提供的扩展前后大幅蛇行信号频域对比示意图。26.图8为本发明提供的分类损失示意图。27.图9为本发明提供的峰值预测损失示意图。28.图10为本发明提供的域迁移损失示意图。具体实施方式29.下面对本发明的具体实施方式进行描述，以便于本
技术领域：
：的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本
技术领域：
：的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。30.实施例1：本发明实施例提供了一种高速列车蛇行状态识别与峰值预测方法，如图1所示，包括以下步骤：s1、采集高速列车构架的横向加速度信号构成源域数据集和目标域数据集；s2、对源域数据集进行源域选择，筛选参与训练的源域时域信号；s3、构建状态识别与峰值预测网络，并利用所述源域时域信号和目标域时域信号对其训练；s4、将待识别的横向加速度信号序列输入至训练好的状态识别与峰值预测网络中，获得当前高速列车状态识别结果及其对应的峰值预测结果；其中，所述状态识别与峰值预测网络包括并列的域内迁移模型和域间迁移模型；所述域内迁移模型的输入信号包括源域时域信号，以及源域时域信号及其频域信息的组合信息，用于确定域内不变特征；所述域间迁移模型的输入信号包括源域时域信号和目标域时域信号，用于确定域间不变特征。31.在本发明实施例的步骤s2中，在后续状态识别与峰值预测网络进行迁移学习时，或源域样本与目标域样本特征差异过大，会导致模型训练时向错误的方向更新，导致最终网络模型的效果不理想；因此，本实施例中，在训练网络模型前，通过源域选择方法，旨在选择单个或多个源域数据集中与目标域数据集偏差较小的源域数据，从而提高迁移学习后的模型表现。基于此，本发明实施例中的步骤s2具体为：s21、设置参数，包括阈值r，聚类簇数c，以及内聚度缩小步长；s22、在每个源域数据子集中随机挑选k个样本作为初始均值向量；其中，下标k为样本序数；其中，源域数据集中包含n个源域数据子集、…，样本与横向加速度信号对应；s23、依次计算样本到特征与当前各均值向量的距离；其中，j为特征序数，，i为均值向量序数，其与聚类簇的计数值对应，即；s24、根据最小距离对应的均值向量确定特征的簇标记，将其划入对应的聚类簇中；s25、计算各聚类簇中的当前均值向量；s26、重复步骤s23~s25，直到当前均值向量与上一次迭代时的均值向量相同，得到包含c个聚类簇的样本聚类结果；s27、计算各聚类簇内的最大样本内聚度；s28、根据内聚度缩小步长调整最大样本内聚度，并删除内聚度大于调整后的内聚度的样本，直到各聚类簇内准确度大于阈值r，将各簇内剩余样本组成筛选出的源域时域信号。32.本发明实施例中后续网络模型主要学习的为域间不变特征，为源域间的公共特征，故可通过上述聚类方法进行筛选，通过上述数据筛选方法，减小了异常数据对网络模型训练的干扰，提高训练数据的内聚度，式模型更专注于类间差异。33.在本发明实施例的步骤s3中，如图2所示，构建的状态识别与峰值预测网络包括域内迁移模型和域间迁移模型，其中域内迁移学习的目的是让网络模型更好的从时域数据学习频域信息，所用到的数据来源于同一源域，因为列车蛇行数据的频域信息对蛇行状态识别与峰值预测有极大的帮助；域间迁移模型目的是让模型学习不同车况间的公共列车蛇行数据特征，通过减小二者分布差异来提高模型在目标域上的性能。34.具体地，在本实施例步骤s3中的状态识别与峰值预测网络中，如图3所示，所述域内迁移模型包括并列的第一编码器和第二编码器，所述第一编码器通过第一全连接层分别与第一分类器和第一峰值预测器连接，所述第二编码器通过第二全连接层分别与第二分类器和第二峰值预测器连接；所述第一编码器的输入信号为源域时域信号，所述第一分类器的输出信号为源域时域信号对应的状态识别结果，所述第一峰值预测器的输出信号为识别状态的对应峰值预测结果；所述第二编码器的输入信号为源域时域信号及其频域信息的组合信息，所述第二分类器的输出信号为组合信息对应的状态识别结果，第二峰值预测器的输出信号为识别状态对应的峰值预测结果。35.本实施例中的上述域内迁移模型旨在学习域内不变特征，即时域信号中存在的频域信息。36.在本实施例中，在所述域内迁移模型中，采用域内适配器评估确定的域内不变特征的准确性，其表达式为：式中，和分别表示第一编码器与第二编码器所输出的第个特征值，下标j为特征序数，j为特征总数。37.在本实施例中，通过上述域内适配器来评估域内迁移效果，即时域信号的频域信息。38.本发明实施例步骤s3中，在状态识别与峰值预测网络中，如图4所示，所述域间迁移模型与所述域内迁移模型共用第一编码器、第一全连接层、第一分类器和第一峰值预测器，所述域间迁移学习模型包括与第一编码器结构相同的第三编码器，所述第三编码器通过第三全连接层分别与第三分类器和第三峰值预测器连接；所述第三编码器的输入信号为目标域时域信号，所述第三分类器的输出信号为目标域时域信号的状态识别结果，所述第三峰值预测器的输出信号的识别状态的峰值预测结果，所述第三分类器和第三峰值预测器的输出结果作为所述状态识别与峰值预测网络的高速列车状态识别结果及其对应的峰值预测结果。39.本实施例中的域间迁移学习模型通过两个相同结构的第一编码器组成，构成共同更新参数的孪生网络，其输入信号分别为源域时域信号与目标域时域信号，输出为源域信号的分类结果和峰值预测结果；网络模型训练完毕后，可以拟合出一种时域信号向高维特征的映射，可以对目标域数据与源域数据的公共特征进行提取。40.本实施例中，在所述域间迁移模型中，采用mmd距离衡量源域与目标域的时域信号差异，其表达式为：式中，为源域与目标域的时域信号的mmd距离，为第p个源域数据的特征，为第q个源域数据的特征，为第p个目标域数据的特征，为第q个目标域数据的特征，为用于衡量差异的源域中的样本个数，为目标域中的样本个数，为高斯径向基函数。41.其中，取核函数k为高斯径向基函数（rbf），即：在本实施例中，上述计算出的mmd距离可以用来评估特征维度下的分布差异，通过减小这一差异来保证网络学习到的特征为源域与目标域数据的公共特征，通过约束mmd距离的结果可以达到迁移的目的。42.在本发明实施例中，上述状态识别与峰值预测网络中，第一分类器和第二分类器的损失函数均为：式中，为第l个输入数据的识别类别，y为真实类别，为分类器中输出向量的第个元素，其与真实类别对应，为分类器中输出向量的第个元素，l为输入数据总数，m为真实类别的总数；所述第一峰值预测器和第二峰值预测器的损失函数均为：式中，和分别表示横向加速度信号未来的第h个峰值与其预测值，h为峰值与其预测值总数。43.在本实施例中，在域间迁移模型输出源域信号的分类结果和峰值预测时，由于目标域数据为无标签数据，其对应的第三分类器和第三峰值预测器不对目标域数据进行损失计算。44.在本发明实施例的步骤s3中，域内迁移模型学习源域数据集中的域内不变信息，即时频信息；同时通过域间迁移模型学习域间不变特征，通过域自适应，完成目标域的时域信号分类及峰值预测。基于此，本实施例中状态识别与峰值预测网络的损失函数为：式中，为第一分类器和第二分类器对应的损失之和，为第一峰值预测器和第二峰值预测器对应的损失之和，、和分别为、和对应的权重超参数。45.在所述状态识别与峰值预测网络的训练过程中，使用一种动态权重的方法确定上述损失函数中的权重超参数、和，其计算公式为：，其计算公式为：，其计算公式为：式中，为当前训练批次，为上一次训练批次；、、三者分别为关于训练批次的权重超参数、和的函数；、、三者表示一种关于训练批次的损失权重函数，其表达式分别为：于训练批次的损失权重函数，其表达式分别为：于训练批次的损失权重函数，其表达式分别为：式中，、和分别为上一批次训练中的损失、和的值；、和为上一批次的上一批次训练中的损失、和的值。46.实施例2：本发明实施例提供了实施例1中蛇行状态识别与峰值预测方法对应的实验例：本实施例中以多条真实的高速列车的构架横向加速度数据为训练数据，将这些数据分为不同的数据源，对上述状态识别与峰值预测网络进行实验，并与相关一些方法进行对比。47.本实施例中状态识别与峰值预测网络输入为在250hz下的200个高速列车构架横向加速度时间序列采样点，即0.8秒的一段加速度信号；输出为高速列车蛇行状态识别结果（正常、小幅蛇行或大幅蛇行）和未来时间内信号的6次峰（谷）值。如图5所示，峰值预测输入输出示意图所示，横轴为在250hz采样频率下的信号的时间序列采样点，前200个采样点为样本作为输入，预测其后面所会出现的连续前6次波峰（谷）的峰值。对于正常的列车蛇行数据，峰值预测结果为0。48.本实施例中使用了crh380a列车在国内某线路上行驶时的真实列车运行数据。本方法中网络模型的任务为真实列车运行数据间迁移任务，完成目标域数据上的蛇行状态识别任务与信号峰值预测如图6中展示的一段列车在蛇行异常时的转向架构架加速度信号，其中对加速度信号的峰值超过8m/s2的地方用点进行了标注；虚线框为符合国家标准对大幅蛇行判断的信号段；实线线框为峰值接近8m/s2或达到但未连续六次峰值达到8m/s2的信号段，虽然未达到国家标准的规定，但其信号特征与虚线框中的信号段相似，也能通过深度学习方法对该段信号中蕴含的列车蛇行状态信息进行挖掘，用以判断当前列车的蛇行状态或预测未来短时间内列车的运行状态。因此实施例在大幅蛇行的数据标注过程中，基于国家现有标准与多传感器数据，对大幅数据进行了扩充，图7展示了扩展后数据与扩展前数据的频域对比，可以观察出，扩展后的信号数据峰值与扩展前数据峰值近似，且频域特征相似，可以认为与国家标准判定的蛇行数据一致，且发生的时间接近，标注为大幅数据后，可以起到增强模型识别能力、增强模型泛化能力、提前识别大幅蛇行等作用。49.基于上述扩充后数据集，为了验证本发明提出的网络模型在高速列车小幅识别问题与构架加速度峰值预测问题上的有效性，如表1所示，本实施例进行了四个迁移实验：s1→s3、s2→s5、s3 s4→s2、s2 s4→s5；箭头前为源域数据集，箭头后为目标域数据集，其中任务3与任务4的源域的样本来自于两个不同的数据集，即由多个源域数据集组成。table3中的四个迁移任务中，源域数据集为有标签数据，目标域中训练集为无标签数据，即所进行的四个迁移任务均为无监督学习。50.表1：迁移任务设定迁移任务源域目标域表示任务1s1s3s1→s3任务2s2s5s2→s5任务3s3 s4s2s3 s4→s2任务4s2 s4s5s2 s4→s5本实施例中的四个迁移任务的结果如表2所示，四个迁移任务的源域数据集在经过本发明提出的源域选择算法筛选后，数据量都不同程度的减少，但随着对聚类中边缘数据的剔除，聚类后平均内聚度也不同程度的减少，意味着数据中边缘数据的减少。51.表2：基于k-means源域选择算法结果迁移任务源域数据量原平均内聚度聚类后数据量聚类后平均内聚度任务1s115249.2114016.98任务2s217518.9815495.27任务3s3 s434856.8133545.81任务4s2 s433038.3529465.94图8、图9和图10展示了模型在训练过程中的损失收敛过程，说明本发明提出的网络模型可以在训练过程中有效的增强模型的蛇行识别能力、峰值预测能力、频域学习能力与域间公共特征的能力。52.为了进一步验证本发明所提出的网络模型各个部分的有效性，实施例中选取了4个其他方法，对表1中的四个迁移任务进行了实验，取十次的平均结果。53.高速列车蛇行异常识别准确率见表3，目标域构架横向加速度峰值预测损失表现见表4。表3与表4中，除去本实施例方法外的另四种方法分别是：非迁移学习方法（没有使用任何迁移手段）、无域内迁移方法（与本方法相比无域内迁移模型）、无域间迁移方法（与本方法相比无域间迁移模型）、无源域选择方法（与本方法相比无源域选择方法）。54.表3：不同方法的识别结果对比方法s1→s3s2→s5s3 s4→s2s2 s4→s5非迁移学习方法89.90�.43�.69�.70%无域内迁移方法96.16�.63�.82�.29%无域间迁移方法92.49�.66�.65�.34%无源域选择方法97.00�.09�.25�.33%本方法98.87�.16�.84�.45%表4：不同方法的峰值预测损失结果对比方法s1→s3s2→s5s3 s4→s5s4 s5→s2非迁移学习方法14.4616.8520.5719.18无域内迁移方法9.6211.1310.3510.87无域间迁移方法13.5715.3617.2918.34无源域选择方法7.698.336.649.07本方法7.098.106.548.75如表3和表4中所示的四种对比方法与本发明实施例中方法的高速列车蛇行异常迁移识别与峰值预测实验结果，可以观察出以下几点：1）非迁移学习方法实验效果均不如使用了迁移学习手段的方法的效果，验证了迁移学习方法在蛇行识别与峰值预测问题上的有效性。2）通过与非迁移学习方法的结果对比，可以得出本方法提出的模型各个部分均能提升模型性能，其中对模型性能提升效果由大到小的三个模块分别是：域间迁移模块、域内迁移模块、源域选择模块。由于数据集间的车况不同，数据分布差异较大，域间迁移的效果最好，域内迁移效果次之。而源域选择算法可以少量剔除部分源域数据，排除这部分数据对迁移的干扰，能够小幅提升模型性能。3）观察任务s2→s5与任务s2 s4→s5的结果，可以发现任务s2 s4→s5的结果普遍好于任务s2 s4→s5的结果。这种结果符合深度学习中的一般规律，说明了较多的源域数据可以提升模型的泛化性能，对提升模型性能有更好的帮助。4）本方法中，模型中各个部分均能有效的进行迁移，性能突出。55.本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。56.本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。当前第1页12当前第1页12
再多了解一些
本文用于创业者技术爱好者查询，仅供学习研究，如用于商业用途，请联系技术所有人。
