[發明專利]少樣本元提升學習的列車運動狀態估計方法

有效

• 申請號: 202110617467.0
• 申請日: 2021-05-28
• 公開（公告）號: CN113255225B
• 公開（公告）日: 2022-09-20
• 發明（設計）人: 羅森林;崔成鋼;劉曉雙;潘麗敏
• 申請（專利權）人: 北京理工大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.少樣本元提升學習的列車運動狀態估計方法，其特征在于所述方法包括如下步驟：

步驟1，處理列車運行初始數據，劃分為元數據集；

步驟2，初始化一組由弱學習器構成的列車運動狀態估計元模型F_m，采用元梯度提升學習算法，分兩個階段進行迭代更新；在預判階段，基于元訓練數據面向所述元模型F_m計算偽殘差：建立一組弱學習器g擬合r_support，并對所述元模型F_m進行增量更新，建立預判模型G，其中表示所述元模型F_m經過損失函數計算后的梯度，為所述元模型F_m使用元訓練數據面向不同類型任務的目標損失函數；在更新階段，基于元測試數據面向預判模型G計算偽殘差：建立一組弱學習器f擬合r_query，并對所述元模型F_m進行增量更新，建立新的元模型F_m+1，其中表示預判模型G經過損失函數計算后的梯度，為預判模型G使用元測試數據面向不同類型任務的目標損失函數；循環迭代兩個階段，更新所述元模型F_m；

步驟3，基于1或2站少量運行數據，在步驟2所得元模型F_m的基礎上，采用任務梯度提升學習算法，保持與所述元模型F_m預判階段相同的超參數，快速對所述元模型F_m進行微調，建立精確列車狀態仿真集成模型；

步驟4，根據精確列車狀態仿真集成模型結果，輸出列車運行狀態變量，估計列車運動狀態。

2.根據權利要求1所述的少樣本元提升學習的列車運動狀態估計方法，其特征在于：步驟2中提出的元梯度提升學習算法使用了偽殘差思想，即每次迭代時弱學習器擬合的偽殘差不是模型損失函數在當前任務上的誤差值，而是未來新任務經過新任務學習后的誤差值。