[發明專利]一種基于改進GWO-DBN軌檢車檢測數據的道床偏差預測方法

在審

• 申請號: 202211037237.8
• 申請日: 2022-08-29
• 公開（公告）號: CN115456135A
• 公開（公告）日: 2022-12-09
• 發明（設計）人: 楊曉輝;周洪波;劉軍華;舒杰;劉力;蘭春光;張匯星;程俊斌;任榮鋒;閆冬雪;高坤;韓科舉;沙先銘;鐘廣林;于文新
• 申請（專利權）人: 中鐵十二局集團有限公司;中鐵十二局集團第三工程有限公司;長沙變化率信息技術有限公司;湖南科技大學
• 主分類號: G06N3/00
• 分類號: G06N3/00;G06N3/04;G06N3/08;G06Q10/00;G06Q50/30
• 代理公司: 太原晉科知識產權代理事務所(特殊普通合伙) 14110
• 代理人: 王瑞玲;祁宏偉

1.一種基于改進GWO-DBN軌檢車檢測數據的道床偏差預測方法，其特征在于：包括以下步驟，

S1、將鐵路鋪軌相關數據分為訓練樣本集和測試樣本集，設置訓練樣本集和測試樣本集的比例；打亂數據集，確定輸入特征維度和預測輸出項；

S2、由多層堆疊玻爾茲曼機堆疊成基礎深度置信網絡預測模型，基礎深度置信網絡預測模型包括若干個受限玻爾茲曼機的堆疊和一層有監督的反向傳播網絡；

S3、對基礎深度置信網絡預測模型的各隱藏層節點個數以及反向微調的學習率和迭代次數進行尋優選擇，將優化出的最終目標函數值分別作為基礎深度置信網絡預測模型的隱藏層節點個數以及反向微調的學習率和迭代次數；

S4、輸入訓練樣本集以訓練單輸出的尋優選擇后的基礎深度置信網絡預測模型，然后構建出單輸出的數據回歸預測模型；

S5、將經分析處理后實際鐵路鋪軌相關數據輸入單輸出的數據回歸預測模型，輸出得到預測數據，通過預測數據設定鋪軌故障預警策略。

2.根據權利要求1所述的基于改進GWO-DBN軌檢車檢測數據的道床偏差預測方法，其特征在于：所述的鐵路鋪軌相關數據為道床復測數據，其具體需要采樣的數據類別分別為：軌距、左高程偏差、右高程偏差、設計超高、實測超高、超高偏差以及中線偏差。

3.根據權利要求1所述的基于一種基于改進GWO-DBN軌檢車檢測數據的道床偏差預測方法，其特征在于：所述的步驟S3對各隱藏層節點個數、反向微調的學習率和迭代次數進行尋優的具體過程為：

S31：參數設置：包括尋優分子群，最大迭代次數，優化參數數目，參數取值上、下邊界；

S32：初始化：初始狼、狼和狼的位置，并將三者目標函數值初始；

S33：初始化搜索狼群的位置；

S34：以平方誤差作為適應度函數，計算適應度函數值，

其中，m為迭代次數，y為實際值，為預測值；

S35：根據適度函數值，更新、、目標函數值和自身位置；若當前適應度函數值小于狼、狼或狼的目標函數值，則將狼、狼或狼的目標函數值更新為最優目標函數值，同時將狼、狼或狼的位置更新為最優位置；若是其他情況則不更新；

S36：計算收斂因子，非線性權重遞減，基于對數規律變化的收斂因子的更新方式為：，其中w_a為收斂因子，P為當前迭代次數與最大迭代次數的比值；

S37：通過迭代更新搜索狼群的位置，包括包圍獵物和捕食獵物；

S38：在每次迭代過程中，保留當前種群中的最好的三只灰狼令為、、，分別作為尋優全局最優解和全局第二、三解，然后根據它們的位置信息來更新其它搜索灰狼的位置，、、根據下式進行搜索位置更新：

；

；

；

當前解X為：

式中：、、分別表示當前種群中、、的位置向量；表示灰狼的位置向量；、、分別表示當前候選灰狼與最優三條狼之間的距離；A₁、A₂、A₃和C₁、C₂、C₃均為隨機變量；

S39：當超過迭代次數之后，優化參數的循環結束，其中，若搜索位置超過了搜索空間，則重新回到搜索空間；若狼群位置介于設定的最小值和最大值之間，則其無需調整；若狼群位置超出邊界，則回到邊界值處。