[發明專利]一種基于LSTM的列車門防夾算法

有效

• 申請號: 201710361219.8
• 申請日: 2017-05-19
• 公開（公告）號: CN107191087B
• 公開（公告）日: 2018-07-17
• 發明（設計）人: 李會敏;趙建洋;張潤生
• 申請（專利權）人: 西南科技大學;淮陰工學院
• 主分類號: E05F15/40
• 分類號: E05F15/40;G06K9/62
• 代理公司: 淮安市科文知識產權事務所 32223
• 代理人: 李杰

1.一種基于LSTM的列車門防夾算法，其特征在于包括以下步驟：

1)通過霍爾電流傳感器獲取列車門驅動電機電樞的電流數據，運算得到霍爾脈沖數和車門速度；

2)每間隔n個霍爾脈沖對電流和車門速度采樣一次，將一次列車門關閉過程的采樣序列s作為一個序列樣本，序列樣本中的采樣點表示為：x_i＝(P_i,I_i,V_i)，其中P_i，I_i，V_i分別對應第i個采樣點的霍爾脈沖、電流、車門速度；將各采樣點對應車門是否夾到物體的標記順次拼接為Y＝(y₁，...，y_i，...，y_n)，當且僅當第i個采樣點夾到物體，其標記y_i為1，否則為0；重復采集多次關門時的樣本，構建樣本集D，并將樣本集D按比例劃分為訓練集S和測試集T；

3)通過LSTM對訓練集S中的數據建模；

4)采用Adagrad算法，通過隨機梯度下降法最小化交叉熵損失進行參數估計，直到模型收斂，然后以測試集T對模型進行驗證；

5)當模型的驗證結果為有效時，將列車實際運行過程中實時采集的序列樣本輸入模型，預測列車門在每個霍爾位置夾到障礙物的概率，當列車門未能完全關閉且在某個位置夾到障礙物的概率大于預定值時，判定列車門夾到障礙物。

2.如權利要求1所述的一種基于LSTM的列車門防夾算法，其特征在于：還包括步驟6)：將指定時間間隔內、列車門數次關閉過程的序列樣本數據集D_cur加入樣本集D，并舍棄樣本集D中的前|D_cur|個序列樣本，重新按比例劃分訓練集S、測試集T，用更新后的訓練集S更新原模型參數。

3.如權利要求1所述的一種基于LSTM的列車門防夾算法，其特征在于：所述步驟3)中的模型公式包括：

遺忘門f_t＝σ(W_f[x_t,h_t-1]+b_f)，其中f_t∈[0,1]，表示t時刻的節點對t-1時刻細胞記憶的選擇權重，b_f為遺忘門的偏置項，h_t-1表示t-1節點的隱層狀態信息，非線性函數σ(x)＝1/(1+e^-x)；

輸入門i_t＝σ(W_i[x_t,h_t-1]+b_i)，其中i_t∈[0,1]表示t時刻的節點對當前節點信息的選擇權重，b_i為輸入門的偏置項，非線性函數σ(x)＝1/(1+e^-x)；

當前節點輸入信息其中為偏置項；

輸出記憶信息其中C_t-1表示t-1節點的記憶信息；

輸出門o_t＝σ(W_o[x_t,h_t-1]+b_o)，其中o_t∈[0,1]表示t時刻的節點細胞記憶信息的選擇權重，b_o為輸出門的偏置項；

t時刻的隱層狀態h_t＝o_t·tanh(C_t)；

當前霍爾位置列車門夾到物體及未夾到物體的概率p(y_t|h_t)＝softmax(θh_t+b)，其中非線性函數

x_t表示t時刻LSTM神經網絡節點的輸入向量，h_t表示t時刻LSTM神經網絡節點的隱層狀態信息；表示向量x_t和h_t-1拼接后的向量，即|x_t|+|h_t-1|維的向量；tanh為雙曲正切激活函數；W_f為遺忘門的權重矩陣，W_i為輸入門的權重矩陣，W_o為輸出門的權重矩陣，表示待更新信息的權重矩陣，θ、b分別表示softmax分類器的權重和偏置項。

4.如權利要求1所述的一種基于LSTM的列車門防夾算法，其特征在于：所述步驟4)中隨機梯度下降法的最小化交叉熵損失函數為：其中，表示t時刻夾到障礙物的實際概率，p(y_t|h_t)為當前霍爾位置列車門夾到物體及未夾到物體的概率。