基于CNN-GRU混合网络轨道不平顺估计方法

1.基于CNN-GRU混合网络轨道不平顺估计方法，其特征在于，具体按照以下步骤实施：步骤1、获取某段铁路线路上轨道检测车检测的列车车体加速度序列和轨道不平顺序列；步骤2、针对步骤1中列车车体加速度数据和轨道不平顺数据，利用拉依达准则进行异常值去除，并采用序列平均值填充残缺数据，构建数据集；步骤3、对步骤2构建的数据集进行归一化处理，划分训练集与测试集；步骤4、搭建CNN-GRU混合估计网络，通过GRU网络实现轨道不平顺估计；步骤5、对测试样本进行估计，得到轨道不平顺的估计结果。 2.根据权利要求1所述的基于CNN-GRU混合网络轨道不平顺估计方法，其特征在于，所述步骤1中，某段铁路线路上检测得到的列车车体加速度序列为X＝{x 1 ,x 2 ,...,x i ,...,x n }，x n 为列车车体加速度序列中第n个采样点，轨道不平顺序列为Y＝{y 1 ,y 2 ,...,y i ,...,y n }，y n 为轨道不平顺序列中第n个采样点。 3.根据权利要求1所述的基于CNN-GRU混合网络轨道不平顺估计方法，其特征在于，所述步骤2具体按照以下步骤实施：步骤2.1、分别计算步骤1中的列车车体加速度序列X＝{x 1 ,x 2 ,...,x i ,...,x n }和轨道不平顺序列Y＝{y 1 ,y 2 ,...,y i ,...,y n }的平均值和标准差：其中， 为列车车体加速度序列的平均值；δ X 为列车车体加速度序列的标准差； 为轨道不平顺序列的平均值；δ Y 为轨道不平顺序列的标准差；x i 为列车车体加速度序列中第i个数据；y i 为轨道不平顺序列中第i个数据；i＝1,2,...,n，n为轨道检测车采样点的总数；步骤2.2、计算列车车体加速度和轨道不平顺序列中每个数据与步骤2.1得出的序列平均值的残差：式中， 表示列车车体加速度序列中第i个数据的残差； 表示轨道不平顺序列中第i个数据的残差； 为列车车体加速度序列的平均值； 为轨道不平顺序列的平均值；步骤2.3、根据步骤2.1计算出的序列标准差与步骤2.2计算出序列的残差，筛选出列车车体加速度和轨道不平顺序列中的异常值：式中δ X 为列车车体加速度序列的标准差；δ Y 为轨道不平顺序列的标准差； 表示列车车体加速度序列中第i个数据的残差； 表示轨道不平顺序列中第i个数据的残差；将列车车体加速度和轨道不平顺序列中异常值剔除；步骤2.4、将步骤2.3剔除异常值的数据，用序列平均值进行填充，得到去除异常值的列车车体加速度序列X'＝{x' 1 ,x' 2 ,...,x' i ,...,x' n }和轨道不平顺序列Y'＝{y' 1 ,y' 2 ,...,y' i ,...,y' n }。 4.根据权利要求3所述的基于CNN-GRU混合网络轨道不平顺估计方法，其特征在于，所述步骤3具体按照以下步骤实施：步骤3.1、将步骤2.2剔除异常值后的列车车体加速度序列和轨道不平顺序列分别进行归一化：式中， 表示X'序列归一化后的第i个数据；x' i 表示X'序列中第i个数据；x' min 表示X'序列中最小的数据；x' max 表示X'序列中最大的数据； 表示Y'序列归一化后的第i个数据；y' i 表示Y'序列中第i个数据；y' min 表示Y'序列中最小的数据；y' max 表示Y'序列中最大的数据；得到归一化后的列车车体加速度序列为 轨道不平顺序列为 步骤3.2、构造训练集与测试集：将步骤3.1得到的归一化后的列车车体加速度序列 作为输入序列，轨道不平顺序列 作为输出序列，按照8：2的比例划分为训练集与测试集；步骤3.3、利用长度为L滑动步长为1的滑动窗口，将步骤3.2中列车车体加速度的训练集与测试集进切分，每个滑动窗口划分长度为L的列车车体加速度作为一个样本，滑动窗口内最后一个列车车体加速度数据对应的归一化后轨道不平顺值作为样本的标签值，即样本相应的输出值，在整个训练集与测试集上划分，得到的样本与相应的输出值构成数据集。 5.根据权利要求4所述的基于CNN-GRU混合网络轨道不平顺估计方法，其特征在于，所述步骤4具体按照以下步骤实施：步骤4.1、建立卷积神经网络CNN，通过卷积神经网络CNN对步骤3.3中构建的数据集进行特征提取，挖掘列车车体加速度与轨道不平顺之间的内在联系，CNN网络包括2层卷积层，卷积核的数目分别为32和16，并采用ReLu做为激活函数，每次卷积后经过一次最大值池化操作对特征向量进行降维，所述CNN层卷积、池化操作具体步骤为：C 1 ＝f(X⊙W 1 +b 1 )＝r(XW 1 +b 1 )              (11)P 1 ＝max(C 1 )+b 2 (12)C 2 ＝f(P 1 ⊙W 2 +b 3 )＝r(P 1 W 2 +b 3 )             (13)P 2 ＝max(C 2 )+b 4 (14)将全连接层的输出特征向量记为H C ，则H C 的表达式为：H C ＝f(P 2 ⊙W 3 +b 5 )＝σ(P 2 W 3 +b 5 )       (15)上式中C 1 和P 1 分别为第一个卷积层和第一个池化层的输出，C 2 和P 2 分别为第二个卷积层和第二个池化层的输出；W 1 、W 2 和W 3 为权重矩阵，b 1 、b 2 、b 3 、b 4 和b 5 为偏置矩阵；r为ReLu激活函数，σ为Sigmoid激活函数；⊙为卷积操作，max()为最大值函数；步骤4.2、搭建门控循环单元GRU网络，内部包含重置门和更新门，重置门是遗忘前一时刻隐藏层单元的信息h t-1 ，更新门是控制前一时刻隐藏层状态h t-1 和当前输入信息X t 的平衡，所述的GRU网络的运算如下所示：r t ＝σ(W r *[h t-1 ,X t ]+b r )                    (16)z t ＝σ(W z *[h t-1 ,X t ]+b z )                    (17)h t ＝tanh(W h *[r t *h t-1 ,X t ]+b h )                 (18)h t ＝(1-z t )*h t-1 +z t *h t (19)y t ＝σ(W 0 *h t )                       (20)其中r t 表示重置门，z t 表示更新门，h t 表示候选向量，h t 表示t时刻的隐藏状态，h t-1 表示t-1时刻的隐藏状态，X t 表示t时刻的输入特征，y t 表示t时刻的输出，[]表示两个向量的连接，*表示矩阵元素相乘，W r 表示更新门的权重矩阵，W z 表示重置门的权重矩阵，W h 表示候选向量的权重矩阵，W 0 表示权重矩阵，b r 表示更新门的偏置项、b z 表示重置门的偏置项、b h 表示候选向量的偏置项，tanh和σ分别为正切激活函数和Sigmoid激活函数；以所述步骤4.1中CNN提取到的特征向量H C 作为GRU网络的输入，GRU网络结构的隐藏层的层数设置为2层，神经元个数分别设置为128和64，激活函数均设置为Tanh，每层设置Dropout系数为0.2；步骤4.3、结合步骤4.1搭建的CNN和步骤4.2搭建的GRU形成CNN-GRU混合网络，采用Adam优化器对模型的权值进行更新，参数设置包括β1＝0.9，β2＝0.999，ε＝107；学习率lr初始值设置为0.005，如果在连续20个时期之前验证损失没有减少，则lr乘0.1作为下一个时期的学习率，批量大小Batch_size设置为512，最大训练历元Epoch为100，当验证损失Loss在50个时期内没有下降时，使用早期停止规则。 6.根据权利要求5所述的基于CNN-GRU混合网络轨道不平顺估计方法，其特征在于，所述步骤5具体按照以下步骤实施：步骤5.1、利用步骤3划分的测试集，通过步骤4训练好的CNN-GRU混合网络，进行轨道不平顺的估计，得到轨道不平顺的估计值，之后进行反归一化得到最终估计值，反归一化的公式如下： 表示反归一化后的第i个估计值，即轨道不平顺的估计结果；y pre_i 表示归一化前第i个估计值；y' min 表示归一化前Y'序列中最小的数据；y' max 归一化前表示Y'序列中最大的数据。