[发明专利]一种基于LSTM的列车门防夹算法

摘要

本发明公开了一种基于LSTM的列车门防夹算法，包括以下步骤：1）获取电流数据，运算得到霍尔脉冲数和车门速度；2）将一次列车门关闭过程的采样序列作为一个序列样本，将各采样点对应车门是否夹到物体的标记顺次拼接，构建样本集，并将样本集划分为训练集和测试集；3）通过LSTM建模；4）采用Adagrad算法进行参数估计；5）将实时采集的序列样本输入模型，预测列车门在每个霍尔位置夹到障碍物的概率。通过LSTM将列车门防夹判断转化为机器学习的序列标注问题，LSTM模型的记忆功能够使得模型在训练时避免受到序列长度的影响，因此更容易捕捉到序列内各采样点之间的潜在规律，精度更高，保证门控系统的可靠性。

主权项

1.一种基于LSTM的列车门防夹算法，其特征在于包括以下步骤：1)通过霍尔电流传感器获取列车门驱动电机电枢的电流数据，运算得到霍尔脉冲数和车门速度；2)每间隔n个霍尔脉冲对电流和车门速度采样一次，将一次列车门关闭过程的采样序列s作为一个序列样本，序列样本中的采样点表示为：xi＝(Pi,Ii,Vi)，其中Pi，Ii，Vi分别对应第i个采样点的霍尔脉冲、电流、车门速度；将各采样点对应车门是否夹到物体的标记顺次拼接为Y＝(y1，...，yi，...，yn)，当且仅当第i个采样点夹到物体，其标记yi为1，否则为0；重复采集多次关门时的样本，构建样本集D，并将样本集D按比例划分为训练集S和测试集T；3)通过LSTM对训练集S中的数据建模；4)采用Adagrad算法，通过随机梯度下降法最小化交叉熵损失进行参数估计，直到模型收敛，然后以测试集T对模型进行验证；5)当模型的验证结果为有效时，将列车实际运行过程中实时采集的序列样本输入模型，预测列车门在每个霍尔位置夹到障碍物的概率，当列车门未能完全关闭且在某个位置夹到障碍物的概率大于预定值时，判定列车门夹到障碍物。