[发明专利]一种基于多源信息智能融合的地铁列车测速方法

权利要求书

1.一种基于多源信息智能融合的地铁列车测速方法，其特征在于：包括以下步骤

S1、获取实测的第一列车实时速度数据和第二列车实时速度数据，且获取实测的列车实时加速度数据；

S2、将第一列车实时速度数据、第二列车实时速度数据以及列车实时加速度数据作为3个独立的数据源，输入到径向基函数神经网络的输入层中作为输入特征；

S3、径向基函数神经网络通过样本训练集数据的学习，初步确定径向基函数模型的3个参数，3个参数分别为径向基函数的中心值c、方差值σ以及隐藏层和输出层之间的连接权重值w；

S4、通过样本验证集数据，调整径向基函数模型的3个参数，同时对径向基函数模型能力进行初步评估；

S5、通过样本测试集数据，评价径向基函数模型最终的泛化能力，若测速相对误差在2％以内，则稳定该径向基函数模型；

将泛化能力符合预期的径向基函数模型投入使用，将第一实时列车速度数据、第二实时列车速度数据以及列车实时加速度数据的实测值作为3维特征向量输入径向基函数模型，利用径向基函数神经网络的自学习能力及非线性映射能力，进而获得1维速度数据向量，即地铁实时速度值。

2.根据权利要求1所述的一种基于多源信息智能融合的地铁列车测速方法，其特征在于：所述步骤S1中，通过测速电机获得第一列车实时速度数据，通过多普勒雷达测速传感器获得第二列车实时速度数据，通过加速度计获得列车实时加速度数据。

3.根据权利要求1所述的一种基于多源信息智能融合的地铁列车测速方法，其特征在于：所述步骤S2中，将收集到的历史列车速度数据作为样本，样本包括训练集、验证集以及测试集；选用高斯核函数作为隐藏层的径向基函数，

其中，Φ表示径向基函数，x表示输入特征向量，c表示径向基函数的中心值参数；σ表示径向基函数的方差值参数。

4.根据权利要求1所述的一种基于多源信息智能融合的地铁列车测速方法，其特征在于：所述步骤S3包括以下分步骤

S3.1、确定隐藏层节点的数量，采用以下公式：

i＝2n+a

其中，i表示隐藏层节点的数量，n表示输入层节点数量，a为0到10之间的整数；

S3.2、确定径向基函数神经网络的3个参数，分别为径向基函数的中心值c、方差值σ以及隐藏层和输出层之间的连接权重w。

5.根据权利要求4所述的一种基于多源信息智能融合的地铁列车测速方法，其特征在于：所述步骤S3.2中，使用自组织选取中心学习算法对径向基函数模型的3个参数进行确定。

6.根据权利要求1所述的一种基于多源信息智能融合的地铁列车测速方法，其特征在于：所述步骤S3中，随机选取地铁列车某一周内的速度数据和加速度数据作为样本数据集，将此样本数据集划分为训练集、验证集以及测试集三部分，其中训练集占总数据量比例70％，训练径向基函数神经网络后得到3个参数；验证集占总数据量比例10％，用于调整优化参数；训练径向基函数神经网络后得到各个参数；测试集占总数据量比例20％，用于测验模型实际效果。

7.根据权利要求4所述的一种基于多源信息智能融合的地铁列车测速方法，其特征在于：所述步骤S3.2中，使用k均值聚类算法对径向基函数中心值c进行确定，包括以下步骤

A1、网络初始化，在样本容量中随机选取h个样本作为聚类中心点c_i；

A2、将输入的训练样本集按最近邻规则分组，按照第p个输入样本x_p与中心点c_i之间的欧式距离，将x_p分配到输入样本的各个聚类集合θ_p之中；

A3、重新调整聚类中心，计算各个聚类集合θ_p中训练样本的平均值，即新的聚类中心c_i，如果新的聚类中心不再发生变化，所得到的c_i就是径向基函数神经网络最终的径向基函数中心，否则返回步骤A2进行下一轮求解。